Tesis Los - Bronces

UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS FSICAS Y MATEMTICAS

DEPARTAMENTO DE INGENIERA DE MINAS
DETERMINACION DE VARIABILIDAD DE ALIMENTACION A PLANTA

MEMORIA PARA OPTAR AL TTULO DE INGENIERO CIVIL DE MINAS
IGNACIO PABLO CAMPOS SEPULVEDA
PROFESOR GUA:
MARIO SOLARI MARTINI
MIEMBROS DE LA COMISIN:
EDUARDO MAGRI VARELA
ANTONIO COUBLE CERVIO
SANTIAGO DE CHILE
2008
Resumen
El presente trabajo fue desarrollado en la Mina Los Bronces, faena que facilito las bases
de datos histricas de los sondajes de exploracin LBXP y de produccin Infill, adems de los
recursos computacionales, infraestructura e informacin necesaria para desarrollar el tema.
Para determinar la Variabilidad de Alimentacin a Planta se plantearon dos escenarios, el
primero en donde solo se cuenta con los sondajes de exploracin LBXP lo cual representa una
etapa temprana de diseo de un proyecto minero, mientras que el segundo, que utiliza los
sondajes LBXP e Infill, pretende representar la etapa de operacin. La informacin utilizada es la
correspondiente a los aos anteriores al 2006, pues se desea reproducir la variabilidad obtenida
durante ese ao.
En una primera etapa se efectu la clasificacin de los datos mediante su ubicacin
espacial, seleccionadas de acuerdo a las fases explotadas durante el 2006 (Infiernillo Fase IV y
Donoso Este) y por tipo de roca involucrada en cada una de ellas, con esto se logra definir los
dominios de manera precisa. Posteriormente se efecta el estudio exploratorio, lo cual permitir
efectuar una clasificacin mas acabada de los datos. Concluido el estudio exploratorio se defini
las diferentes formas de estimar los valores de leyes en los dominios: Correccin Affine, Kriging
Ordinario y Simulacin Condicional mediante Bandas Rotantes, pero para ello fue necesario
realizar un anlisis variogrfico de todas las poblaciones definidas.
Una vez que se cuenta con las diferentes estimaciones de poblaciones por dominio, se
procede a realizar filtros por tipo de roca con tal de obtener la configuracin correcta de las fases
en estudio, luego se filtra por polgono de extraccin mensual, acotando aun ms los dominios en
cuestin. Obtenidos todos los polgonos mensuales con el tipo de roca correspondiente se llega a
la etapa de simulacin, en donde se proponen tres diferentes formas de seleccionar los bloques a
extraer, la primera utilizando simulacin de Monte Carlo y la estimacin realizada con la
Correccin Affine, el segundo que se efecta mediante un muestreo aleatorio simple sin
reemplazo sobre la estimacin resultante del Kriging de bloques Ordinario, para concluir con un
nuevo muestreo simple sin reemplazo pero esta vez utilizando la estimacin obtenida desde la
Simulacin Condicional de Bandas Rotantes. Estos tres mtodos se analizan de acuerdo a las
pendientes existentes entre cada mes y se comparan con la realidad, adems de la desviacin
estndar promedio del periodo (ao 2006).
Por ultimo se realiza un ejercicio de extraccin que pretende ver la extraccin desde otro
punto de vista, en donde se asume que, en general, los bloques que se extraen durante un periodo
se asemejan en el valor de sus leyes. El anlisis que se realiza sobre estos resultados es netamente
en funcin del valor promedio de la desviacin estndar anual.
Agradecimientos
A travs de las siguientes palabras quisiera agradecer a la gente que me acompao en el
largo camino hacia la obtencin de mi titulo profesional, en especial a mi familia, la cual me
apoyo en los momentos ms importantes, en pocas cuando me encontraba definiendo mi futuro
y aceptaron que yo diera un giro importante en el. A mis amigos de la infancia, colegio y
familiares directos que en todo momento me entregaron las fuerzas necesarias para continuar,
especficamente cuando el nimo y las energas para seguir se vean mermados, ellos fueron los
que con sus palabras me dieron a entender que yo poda culminar exitosamente el objetivo
propuesto inicialmente.
No quisiera olvidar a mis compaeros de universidad, amigos con los cuales pasamos
muchos momentos buenos y pocos malos, sin ellos difcilmente podra haber concluido mis
estudios, pues fueron un apoyo constante en lo acadmico y emocional, saban realmente lo que
uno estaba pasando y me apoyaron de la forma que uno necesitaba en el momento.
Otro grupo importante de personas que participaron en este proyecto de vida fueron los
acadmicos y funcionarios, ellos fueron las personas que me entregaron las herramientas
necesarias, me ensearon a analizar y ver las cosas de un punto de vista diferente, sin los
conocimientos que ellos me dieron hubiese sido imposible concluir exitosamente.
Tambin quisiera agradecer a la gente que participo de alguna u otra forma en la ejecucin
de mi trabajo de titulo, comenzando por la persona que confi en mis capacidades, mi profesor
gua Mario Solari, agradecer tambin a la persona que comprendiera el proyecto y sugiri nuevas
ideas, mi profesor co gua Eduardo Magri, pero sin duda a quien no debo dejar de nombrar en
estas palabra, es al profesor Xavier Emery, el cual con sus conocimiento, enseanza, capacidad
de transmitir de forma clara y precisa lo que el quera manifestar, me entrego innovadoras y
robustas armas para disear y ejecutar este tema, adems de darme su apoyo y resolver mis dudas
al momento de estar desarrollando el presente trabajo a pesar de no ser miembro de mi comisin
examinadora.
Finalmente agradecer a la gente de la Mina Los Bronces, Don Hctor Tito Benavides,
Carlos Zamora, Don Juanito, Marcelo Rocha, Osman Olivares, Marisol Filgueira, Nelson
Snchez y Pablo Courard, los cuales con su amistad, contactos, conocimientos y consejos,
lograron que me sintiera en un grato ambiente, el cual favoreci para que este trabajo culminara
exitosamente.
Para concluir me gustara manifestar que este es solo el comienzo de un largo camino en
la vida personal y que mi compromiso de aqu en adelante ser no defraudar a todas las personas
nombradas anteriormente, pues estoy seguro que todos ellos confan en que ser un profesional
dedicado y comprometido con mi labor.
ndice
AGRADECIMIENTOS ...............................................................................................................................................1
NDICE .........................................................................................................................................................................2
1.- INTRODUCCIN ..................................................................................................................................................4
2.- OBJETIVOS............................................................................................................................................................5
2.1.- INTRODUCCIN ..................................................................................................................................................5
2.2.- MOTIVACIN ......................................................................................................................................................5
2.2.- OBJETIVOS GENERALES......................................................................................................................................6
2.3.- OBJETIVOS ESPECFICOS.....................................................................................................................................6
3.- ALCANCES.............................................................................................................................................................7
4.- MARCO GEOLGICO.........................................................................................................................................8
4.1.- MARCO REGIONAL .............................................................................................................................................8
4.2.- GEOLOGA DE LA MINA LOS BRONCES ...............................................................................................................9
4.2.1.- Generalidades............................................................................................................................................9
4.2.2.- Rocas Volcnicas Estratificadas .............................................................................................................10
4.2.3.- Rocas Intrusivas ......................................................................................................................................10
4.2.4.- Cuerpos Intrusivos Menores....................................................................................................................12
4.2.5.- Complejo de Brechas...............................................................................................................................12
4.2.6.- Chimenea de Brecha Riolitica (RIO).......................................................................................................15
5.- ANTECEDENTES ................................................................................................................................................16
5.1.- FENMENOS REGIONALIZADOS ........................................................................................................................16
5.2.- ESTUDIO EXPLORATORIO ..................................................................................................................................16
5.3.- ANLISIS VARIOGRFICO.................................................................................................................................17
5.3.1.- Variogrma experimental........................................................................................................................17
5.3.2.- Variogrma modelado .............................................................................................................................19
5.3.3.- Anisotropas.............................................................................................................................................21
5.3.4.- Validacin Cruzada.................................................................................................................................22
5.4.- CAMBIO DE SOPORTE .......................................................................................................................................23
5.5.- ESTIMACIN LOCAL .........................................................................................................................................24
5.6.- SIMULACIN GEOESTADSTICA ........................................................................................................................29
6.- MANEJO DE BASE DE DATOS ........................................................................................................................33
6.1.- CLASIFICACIN ................................................................................................................................................33
6.2.- ESTUDIO EXPLORATORIO .................................................................................................................................36
6.3.- ANLISIS VARIOGRFICO.................................................................................................................................38
6.4.- CAMBIO DE SOPORTE .......................................................................................................................................38
6.5.- ESTIMACIN LOCAL MEDIANTE KRIGING ORDINARIO .....................................................................................39
6.6.- SIMULACIN GEOESTADSTICA MEDIANTE BANDAS ROTANTES ......................................................................40
7.- SIMULACIONES .................................................................................................................................................41
7.1.- CLASIFICACIN Y CONSIDERACIONES PREVIAS ................................................................................................41
7.2.- SIMULACIN DE MONTE CARLO .......................................................................................................................45
7.3.- MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO .............................................................................................46
8.- RESULTADOS, ANLISIS Y CONCLUSIONES ............................................................................................48
8.1.- INTRODUCCIN ................................................................................................................................................48
8.2.- MTODO NUMERO 1: CORRECCIN AFFINE Y POSTERIOR SIMULACIN POR MONTE CARLO ...........................49
8.2.1.- Observaciones de Prediccin con Sondajes LBXP..................................................................................50
8.2.2.- Observaciones de Prediccin con Sondajes Infill....................................................................................54
8.2.3.- Conclusiones Mtodo 1............................................................................................................................57
8.3.- MTODO 2: KRIGING Y POSTERIOR MUESTREO SIMPLE SIN REEMPLAZO .........................................................58

8.3.2.- Observaciones de Prediccin con Sondajes Infill....................................................................................61
8.4.- MTODO 3: SIMULACIONES CONDICIONALES Y POSTERIOR MUESTREO SIMPLE SIN REEMPLAZO ....................65
8.4.2.- Observaciones Prediccin con Sondajes Infill ........................................................................................69
8.5.- EJERCICIO DE EXTRACCIN ..............................................................................................................................73
8.5.1.- Ejercicio de Extraccin: Mtodo 2..........................................................................................................73
8.5.2.- Ejercicio de Extraccin: Mtodo 3..........................................................................................................74
8.5.3.- Conclusiones de Ejercicio de Extraccin ................................................................................................75
9.- CONCLUSIONES GENERALES Y RECOMENDACIONES.........................................................................76
ANEXOS .....................................................................................................................................................................79
A.- ESTUDIO EXPLORATORIO ...................................................................................................................................80
A.1.- Donoso Este LBXP.....................................................................................................................................80
A.2.- Infiernillo Fase IV LBXP............................................................................................................................82
A.3.- Donoso Este Infill.......................................................................................................................................87
A.4.- Infiernillo Fase IV Infill .............................................................................................................................89
B.- CORRECCIN AFFINE ..........................................................................................................................................94
B.1.- Donoso Este LBXP.....................................................................................................................................94
B.2.- Infiernillo Fase IV LBXP............................................................................................................................95
B.3.- Donoso Este Infill.......................................................................................................................................97
B.4.- Infiernillo Fase IV Infill .............................................................................................................................98
C.- ANLISIS VARIOGRFICO .................................................................................................................................100
C.1.- Donoso Este LBXP...................................................................................................................................100
C.2.- Infiernillo Fase IV LBXP .........................................................................................................................102
C.3.- Donoso Este Infill ....................................................................................................................................106
C.4.- Infiernillo Fase IV Infill ...........................................................................................................................108
D.- ESTIMACIN MEDIANTE KRIGING ....................................................................................................................112
D.1.- Donoso Este LBXP ..................................................................................................................................112
D.2.- Infiernillo Fase IV LBXP .........................................................................................................................114
D.3.- Donoso Este Infill ....................................................................................................................................118
D.4.- Infiernillo Fase IV Infill...........................................................................................................................120
E.- ESTIMACIN MEDIANTE SIMULACIONES CONDICIONALES ...............................................................................125
E.1.- Donoso Este BLPX...................................................................................................................................125
E.2.- Infiernillo Fase IV LBPX..........................................................................................................................126
E.3.- Donoso Este Infill.....................................................................................................................................128
E.4.- Infiernillo Fase IV Infill ...........................................................................................................................129
BIBLIOGRAFA ......................................................................................................................................................131
1.- Introduccin
La presente memoria para optar al titulo de Ingeniero Civil de Minas busca analizar la
factibilidad de determinar la variacin de alguna de las caractersticas del mineral que se enva a
la planta de procesamiento, en especial lo relacionado con la variabilidad de ley de cobre total. El
determinar esta variacin planta puede ser de suma utilidad en diversas etapas del proyecto, como
lo es en el diseo o en la operacin, es por esta razn que se plantea realizar la prediccin
utilizando dos tipos de sondajes para la toma de muestra, los correspondientes a los sondajes de
exploracin, que se caracterizan por un diseo de malla que ubica las muestras en una amplia
superficie, y produccin, caracterizados por distribuirse en mallas mas cerradas.
Uno de los grandes desafos planteados dice relacin con entregar una alternativa de
prediccin aplicable a nivel industrial, por lo cual debe ser confiable, es decir el nivel de
credibilidad debe ser tal que permita tomar de decisiones a la luz de los resultados, tambin debe
ser reproducible, esto dice relacin con la posibilidad de que cualquier persona con
conocimientos en minera o geoestadstica sea capaz de rehacer los mtodos propuestos.
El afn de entregar una herramienta de nivel industrial, crea la necesidad de contar con
datos que reflejen lo que es la industria minera, para ello se cont con el apoyo de Anglo
American Chile, desarrollando el trabajo en la Divisin Los Bronces. El apoyo de esta empresa
permiti contar con una nutrida base de datos, adems de recursos computacionales y de
infraestructura.
El camino para obtener un modelo predictivo comienza con un exhaustivo anlisis de las
bases de datos, el cual busca delimitar completamente las zonas a estudiar, se continua el anlisis
variogrfico, que ser de utilidad en las posteriores etapas de estimacin de leyes, se sigue con
los diferentes mtodos de simulacin de extraccin propuestos, para as concluir con el anlisis
de las tcnicas que pretenden determinar de manera confiable la variabilidad mensual.
2.- Objetivos
2.1.- Introduccin
Los objetivos a desarrollar en la presente memoria para optar al titulo de Ingeniero Civil
de Minas, se expondrn clasificados en diversas categoras, como lo es una motivacin inicial
para llevar a cabo el trabajo, vale decir el por que se decidi comenzar a desarrollar un mtodo
que permita predecir la variabilidad de alguna de las caractersticas de comportamiento del
elemento de inters.
Otra categora es la relacionada con los objetivos generales, ac se pretende dar una visin
ampliada de lo que se espera del trabajo, sus posteriores posibles usos, adems de las
caractersticas que el proyecto debiera tener para considerarse exitoso.
Finalmente se hablara de los objetivos especficos, exponindose lo que ser el trabajo en
un nivel de mayor detalle, lo que conceptualmente se busca obtener y entre que parmetros se
desarrollara.
2.2.- Motivacin
La industria minera se encuentra en la constante bsqueda de nuevas alternativas que
permitan optimizar el negocio minero en su totalidad, desde el momento de la planificacin,
ejecucin y puesta en marcha del proyecto, precisando para ello constante informacin del
recurso que se desea explotar. As se crea la necesidad de contar con una estimacin aceptable y
confiable del elemento en cuestin.
El contar con la informacin del recurso mineral tiene mltiples ventajas al momento de
tomar decisiones importantes que podran tener una fuerte repercusin en el futuro, como lo seria
la definicin de la capacidad de tratamiento de las plantas de procesamiento, ya que una mala
medida podra afectar negativamente al proyecto en etapas posteriores.
La necesidad de determinar los mejores parmetros de diseo para la planta de beneficio
lleva a los dueos del proyecto realizar una serie de cuestionamientos acerca de las caractersticas
y comportamiento del mineral en el momento de su procesamiento, informacin que puede ser de
suma utilidad en la etapa de diseo del proyecto, como la etapa de operacin.
El comportamiento del mineral se puede cuantificar utilizando la variabilidad de ciertas
caractersticas inherente al material, como puede ser su dureza o cantidad de elemento de inters
que posea. Ambas variables podran solucionar dudas acerca de la capacidad de tratamiento,
relacionado con la dureza del material, as como variaciones en la produccin de Cu fino,
relacionado con las variaciones de leyes.
Los cuestionamientos relacionados con el comportamiento del mineral instan a pensar en
algn mtodo que permita predecirlo, el cual debe ser confiable, para as transformarse en una
alternativa real a nivel industrial. Tambin es deseable que el mtodo sea reproducible, pues
ayudara a realizar mejoras aguas abajo en la cadena productiva.
5
2.2.- Objetivos Generales

La necesidad de conocer el comportamiento del mineral en su procesamiento, hace
indispensable la creacin de algn mtodo que permita predecirlo, el cual debe cumplir con
caractersticas de confiabilidad, reproducible y mejorable.
En la bsqueda de alguna herramienta que permita predecir alguna de las caractersticas
de mineral en su procesamiento, se propone desarrollar un mtodo que permita determinar la
variabilidad en la produccin de Cu fino, reflejada en la variacin de ley de alimentacin a
planta. La tcnica deber poseer las caractersticas de confiabilidad, posibilidad de ser
reproducible con otros datos, adems de permitir mejoras en su planteamiento.
En resumen, se busca generar un instrumento que cumpla con las exigencias actuales del
negocio minero, tanto en la bsqueda de contar con informacin en el menor tiempo posible,
junto con la posibilidad de disponer de diferentes especialistas en el tema y que estos puedan
aplicar el procedimiento sin mayor problema.
2.3.- Objetivos Especficos

El objetivo fundamental ser establecer un mtodo conceptual que permita predecir los
rangos de variacin en la produccin de Cu fino en la etapa de diseo del proyecto, como en la
etapa de produccin, esto implica trabajar con herramientas de la Geoestadstica, las cuales
permiten dar una estimacin aproximada del lugar y cantidad del elemento de inters. Para
establecer la variabilidad en la alimentacin a planta, se utilizaron simulaciones de extraccin. Se
utilizan las poblaciones de sondajes LBXP (exploracin) e Infill (produccin).
El trabajo se desarrollara para un caso real, permitiendo comparar la estimacin con lo
realmente sucedido. La estimacin se realizara en base a la variacin mensual de ley de cobre
total para el ao 2006 en la mina Los Bronces. La seleccin del ao se debe a la calidad de los
datos con que se cuenta. La determinacin de estudiar la variacin mensual se debe a la
posibilidad de extrapolar este anlisis a variaciones diarias o turno a turno.
El mtodo pretende verificar la posibilidad de realizar buenas predicciones con los
sondajes de exploracin, mallas abiertas que cubren una amplia superficie, como con los sondajes
de produccin, mallas ms cerradas y de menor rea.
3.- Alcances
El desarrollo del trabajo de titulo se enmarca en la bsqueda de una nueva alternativa de
prediccin de variabilidad de una caracterstica esencial del recurso mineral, la cual es la
variabilidad de ley de cobre total.
Para lograr implementar un mtodo de prediccin confiable, es necesario realizar pruebas
sobre resultados conocidos, por lo cual es preciso poseer informacin real y confiable, para ello
se cont con el patrocinio de Anglo American Chile representada por la divisin Los Bronces,
con el apoyo de la Superintendencia de Ingeniera de Minas y la Superintendencia de Geologa.
La determinacin de variabilidad de ley de alimentacin a planta se realizara sobre
sectores previamente explotados, para lo cual es imprescindible seleccionar algn periodo en el
cual la informacin sea lo mas precisa, as se determino trabajar con los datos de ley media diaria
del ao 2006. Esta definicin impone identificar los dominios exactos a estudiar, dando como
resultado las fases Donoso Este e Infiernillo Fase IV.
El camino para llegar a determinar la variabilidad de ley de alimentacin a planta
comenzara por la seleccin de la informacin perteneciente a los dominios seleccionados, vale
decir, seleccionar que sondajes y ver cuales cumplen con la condicin de ser anteriores al ao
2006 y que adems sean integrantes de dichos dominios, todo esto dividido en dos grandes
poblaciones, los sondajes de exploracin (LBXP) y los de produccin (Infill).
Una vez que se definen los dominios y los datos a utilizar, se recurrir a las herramientas
de Geoestadstica para lograr hacer una estimacin de la cantidad de recursos con que cuentan los
dominios, finalizando con una serie de datos que mas tarde sern sometidos a diversos tipos de
simulaciones de extraccin para as determinar la variabilidad que presentan mes a mes.
Para concluir se debiese obtener una reproduccin lo mas fidedigna posible de la
variabilidad mensual del ao 2006, ser un mtodo que pueda ser reiterado por cualquier otro
profesional con conocimientos en la materia, adems de servir como un material de apoyo en
futuros proyectos mineros, tanto en la planificacin de estos como en momentos de plena
operacin.
4.- Marco Geolgico

4.1.- Marco Regional
El mega yacimiento de Ro Blanco Los Bronces, junto con Los Pelambres y El
Teniente, forman parte de la franja de prfidos cuprferos del Mioceno Superior Plioceno,
ubicado en la Cordillera de Los Andes, comprendiendo las Regiones IV y VI (31303430 Lat.
S, Figura 4.1). En general, estos depsitos se emplazan en las potentes secuencias volcano sedimentaria del Oligoceno Superior Mioceno, (Formaciones Farellones, Los Pelambres y Coya
- Machal respectivamente), las cuales han sido intrudas por plutones miocnicos, complejos de
brechas hidrotermales y por cuerpos menores del Plioceno.
71 W
LEYENDA
Rocas Volcnicas Negenas
70 W
Los Pelambres
Intrusivos Palegenos Tardo
32 S
Fm. Farellones
Fm. Colla-Machal y Los Pelambres
Plutones del Jursico al Palegeno
Rocas Volcnicas y Sedimentarias del
Mesozoico
Basamento Paleozoico
Con-Con
Via del Mar
Los Andes
33 S
LOS BRONCES
SANTIAGO
34 S
El Teniente
Ilustracin 4.1.- Mapa Geolgico que muestra la franja del Mioceno Superior - Plioceno y los tres yacimientos
asociados a esa edad: Los Pelambres, Ro Blanco - Los Bronces y El Teniente (Frikken, 2002)
4.2.- Geologa de la Mina Los Bronces

4.2.1.- Generalidades
La mina Los Bronces forma parte del mega yacimiento cuprfero de Ro Blanco-Los
Bronces (complejo de brechas), perteneciente a la faja central de sistemas porfdicos de edad
Mioceno-Plioceno. Las rocas ms antiguas que afloran en el sector, corresponden a secuencias
volcnicas de la Formacin Farellones, las que fueron intruidas por rocas plutnicas del Batolito
San Francisco y diversos cuerpos porfricos de composicin cuarzomonzodiortico y
cuarzodioritico.
Se han reconocido 9 tipos de brechas hidrotermales y un tipo de brecha gnea, las que se
diferencian entre s por la composicin y caracterstica de la matriz, y el tipo de alteracin de los
clastos. La mineralizacin de inters econmico (Cu-Mo) se asocia al emplazamiento tanto de las
intrusiones de prfidos como al complejo de brechas; sin embargo, la principal fuente de la mena,
est relacionada a los distintos tipos de brechas. A escala regional, el cuerpo principal de brechas
posee una orientacin N10W; y a nivel distrital, el sistema principal de brechas presenta una
forma semejante a la de un embudo, con contactos ntidos con la roca hospedante en la parte
superior de la columna, y transicionales en profundidad. La distribucin de las litologas
presentes en el rea de Ro Blanco-Los Bronces se puede apreciar en la Figura 4.2.
Ilustracin 4.2.- Mapa Geolgico del distrito Ro Blanco - Los Bronces (Frikken, 2002)
4.2.2.- Rocas Volcnicas Estratificadas

Se representan en el rea por estratos volcano - sedimentarios de la Formacin Farellones,
compuestas por andesitas baslticas, traquiandesitas y dacitas (Gajardo, 1969; Urqueta, 1969;
Cepeda, 1976), que afloran con una potencia estimada de 560 m (Stambuk y otros, 1982),
formando una estructura de roof pendant en la parte superior de sistema y sobreyacen en forma
discordante a la Formacin Abanico. Esta Formacin constituye la roca de caja donde se emplaz
el plutn granodiortico, y por lo tanto se encuentra como clasto en las brechas definidas en el
yacimiento.
La alteracin hidrotermal corresponde a una total o parcial alteracin cuarzo-sericita y
biotizacin en la roca fragmentada. Segn Stambuk y otros (1982) estas alteraciones estn
asociadas a las mayores concentraciones de mineralizacin de cobre y molibdeno.
4.2.3.- Rocas Intrusivas

Este conjunto litolgico est representado por familias composicionales y texturales de
rocas pertenecientes al Batolito San Francisco, y tambin por un conjunto de cuerpos filonianos
que cortan a rocas del batolito (Contreras, 2003). Estas rocas se distribuyen espacialmente en los
bordes del yacimiento e intruyen a la Formacin Farellones y al cuerpo de brechas del
yacimiento.
Batolito San Francisco
Aflora en un rea de 200 km2, 20 km en la direccin Norte-Sur y 10 km en la direccin

Este-Oeste (Warnaars y otros, 1985). Es considerado un intrusivo polifsico conformado por
mltiples plutones de textura y composicin variable, que incluye rocas de composicin
cuarzomonzonita y cuarzomonzodiorita, adems de dioritas cuarcferas, granodioritas, y
ocasionalmente granito y sienita (Stambuk y otros, 1982). El tamao de grano vara de fino a
grueso y las texturas, de equigranular a porfrica (Warnaars y otros, 1985). Los contactos entre
las lavas andesticas y el plutn son horizontales y ocurren a elevaciones entre 3.700 y 3.800
m.s.n.m. La razn Al2O3/CaO + K2O de las rocas del batolito vara entre 1,37 y 1,57, lo que
sugiere que la roca posee un trend marcadamente peralumnico segn Shand (1927); sin
embargo, estudios posteriores (Oyarzn, 1971, Blondel, 1980, Lpez y Vergara, 1982) sobre la
razn K2O/SiO2 entregan valores cercanos a 2,0 lo que indica un trend calcoalcalino.
o Unidad Cuarzomonzonita (QM)
Aflora en la parte superior del valle del Ro San Francisco. Corresponde
composicionalmente a granitos, granodioritas y cuarzomonzodiorita (Thiele, 1980), con textura
hipidiomorfa inequigranular de grano medio a grueso y color gris. Relativo a las alteraciones, la
presencia de biotita secundaria y anhidrita, ms la existencia de vetillas tipo A de cuarzo, biotita
y pirita, indicaran una alteracin principal potsica. A esta alteracin se le sobreimpone una
alteracin proplitica penetrativa, con ocurrencia de clorita, biotita secundaria y carbonatos. De
manera poco desarrollada se presenta una alteracin flica y arglica intermedia asociada a halos
de vetillas tipo B y vetas D (Contreras, 2003).
10
Dataciones radiomtricas mediante el mtodo K/Ar en biotitas de la unidad, han dado

valores de 10,0 m.a. (Aguirre y otros, 1974).
Las rocas de esta unidad intruyen a la Formacin Farellones y son cortadas por la Unidad
Cuarzomonzodiorita, las unidades porfdicas y el complejo de brechas.
Figura
Ilustracin
1.- Composicin
4.3.- Composicin
de 37 muestras
de 37 muestras
de rocas de
delrocas
Batolito
del Batolito
San Francisco,
San Francisco,
graficadas
graficadas
en el diagrama
en el diagrama
QAP QAP
de Streckeisen
de Streckeisen
(1979);
(1979);
(Soto,(Soto,
2005)2005)
o Unidad Cuarzomonzodiorita (QMD)

Conjunto de litologas de composicin diorita, tonalita a granodiorita, con textura
hipidiomrfica inequigranular de grano fino y color gris a gris verdoso. Es afectada por las
mismas etapas de alteracin de la unidad anterior; sin embargo, la ocurrencia de stas varan
notablemente, ya que forma ncleos de alteracin que generalmente se sobre imponen entre s
(Contreras, 2003).
Esta unidad intruye a la Formacin Farellones y a la Unidad Cuarzomonzonita, y es
cortada por intrusiones ms jvenes de carcter filoniano.
11
4.2.4.- Cuerpos Intrusivos Menores
Prfido Cuarzomonzodiortico (PQMD)
Presenta una textura porfdica de grano medio y color gris claro a blanco. Los
fenocristales (25%) estn compuestos por plagioclasa, cuarzo, feldespato potsico y mficos. La
masa fundamental (75%) est caracterizada por un agregado de cuarzo, anhidrita, feldespato
potsico, sericita, clorita, calcita y yeso. Manifiesta una alteracin potsica remanente e intensa
de biotita, feldespato potsico y en menor grado anhidrita y magnetita. Se sobre impone una
alteracin flica, moderada a fuerte, compuesta por sericita, cuarzo y pirita. Como resultado de
los procesos de alteracin, esta unidad presenta una textura moteada gruesa, la cual la distingue
de las otras litologas (Contreras, 2003). La mena primaria y de reemplazo corresponde a piritacalcopirita-calcosina
Esta unidad se presenta como filn e intruye a las Unidades QM y QMD, adems puede
formar parte de la matriz de la Brecha gnea y se encuentra en contacto gradacional con el
Prfido Cuarzodioritico.
Prfido Cuarzodiortico (PQD)
Intrusivo de grano fino a medio con textura porfdica de color gris oscuro. Su
composicin vara de cuarzodiortica a tonaltica (Warnaars y otros, 1985). Los fenocristales
(30%) corresponden a plagioclasa, biotita-anfbol y como accesorio magnetita. La masa
fundamental (70%) presenta una textura afieltrada, y se compone de plagioclasa, cuarzo,
feldespato potsico y clorita (Thiele, 1980). Presenta una alteracin potsica remanente e intensa
de biotita secundaria, albita, anhidrita, feldespato potsico y desarrollo de vetillas A.
Sobreimpuesta a ella, se desarrolla una alteracin flica dbil caracterizada por parches de
sericita, cuarzo secundario y andalucita, y una alteracin propiltica moderada definida por
clorita, biotita secundaria y montmorillonita. Los minerales de mena son calcopirita con carcter
diseminada y calcopirita-bornita (vetillas tipo A).
La unidad ocurre como filn e intruye a las Unidades QM y QMD, produciendo halos de
alteracin en ellos.
4.2.5.- Complejo de Brechas

El complejo de brechas fue definido por primera vez por Warnaars y otros (1985) como
un grupo de siete brechas hidrotermales, formando un cuerpo alongado, el cual se extiende
alrededor de 2 km en direccin Norte-Sur y un ancho de 750 m. Posteriormente Contreras (2003)
aade a esta lista 2 brechas hidrotermales y una brecha gnea. Mediante sondajes este complejo
ha sido reconocido hasta 700 m de profundidad, desarrollando una forma de cono invertido, cuyo
eje se inclina con un ngulo cercano a 80, hacia el este. Estas brechas afloran a una altura entre
4.150 y 3.450 m.s.n.m.
Las brechas son clasificadas segn el tipo de matriz y/o cemento, naturaleza y forma de
los clastos, tipos y grados de alteracin. Estas unidades se denominaron: Brecha Fantasma,
Brecha gnea, Brecha de Magnetita-Biotita, Brecha de Biotita, Brecha Central, Brecha Occidente,
Brecha Infiernillo, Brecha Gris Fina, Brecha Anhidrita y Brecha Donoso.
12
Brecha gnea (BXIG)
Definida por Contreras (2003) como una brecha monomctica, en la cual la matriz y los
clastos poseen una composicin QMD. La matriz presenta una textura de grano fino o porfdica,
englobando a clastos redondeados de textura hipidiomrfica inequigranular. Su origen se
asociara al sucesivo emplazamiento de los intrusivos de composicin QMD que cortan a la
Unidad QM.
Brecha de Biotita-Magnetita (BXBM)
Esta unidad es identificada por Contreras (2003), como una brecha polimctica formada
principalmente por clastos de intrusivos de composicin tonaltica, cuarzodiortica y diortica. La
matriz est compuesta por biotita secundaria, magnetita, clorita, cuarzo, anhidrita, sericita y los
sulfuros predominantes son pirita-calcopirita y ocasionalmente bornita. Los clastos presentan
una alteracin potsica de intensidad variable y vetillas de tipo A caracterizada por biotita
secundaria, feldespato potsico y anhidrita.
El contacto de esta brecha con los intrusivos adyacentes es gradual, pasando de una roca
con alteracin potsica intensa a clastos con igual alteracin y matriz de brecha compuesta
principalmente por minerales de alteracin de la etapa potsica. Se presenta como clasto dentro
de brechas ms jvenes.
Brecha de Biotita (BXB)
Definida por Contreras (2003) como una brecha polimctica formada por clastos
principalmente de intrusivos profundos de composicin tonaltica, cuarzodiortica y diorita. La
matriz est compuesta de biotita secundaria, sericita, feldespato potsico, cuarzo y de manera
subordinada turmalina y clorita. Los sulfuros predominantes son pirita y calcopirita y
ocasionalmente bornita y molibdenita. Los clastos presentan una alteracin potsica caracterizada
por biotita secundaria con una menor presencia de cuarzo y feldespato potsico.
Los contactos de esta brecha con los intrusivos profundos y la BXBM son graduales.
Brecha Fantasma (BXF)
Definida por Warnaars y otros (1985) como una brecha, en la cual es bastante difcil
diferenciar clastos y matriz, ya que ambos se muestran bastante homogneos y adems exhiben
una alteracin cuarzo-sericita (moderada a fuerte) que dificulta an ms la diferenciacin.
Tambin se caracteriza por que la matriz alcanza proporciones de hasta 15% del volumen total, y
est formada por un agregado de cuarzo y sericita con una importante proporcin de polvo de
roca. El cemento, que es escaso, esta constituido por especularita, cuarzo, sulfuros de cobre y
hierro, y espordicamente turmalina. La proporcin de clastos predomina ampliamente sobre la
matriz, presentando tamaos en general menores que 20 cm y que composicionalmente
corresponden a cuarzomonzonita y en algunos sectores a andesita.
Los sulfuros presentes en esta unidad son pirita, calcopirita, calcosina y molibdeno. La
mineralizacin ocurre diseminada y ocasionalmente asociada a un stockwork.
13
Brecha Central (BXC)
Definida por Warnaars y otros (1985) como una brecha de matriz gris oscura a negra
compuesta de cristales de grano fino de turmalina con cantidades menores de cuarzo, polvo de
roca, especularita, sericita, sulfuros y ocasionalmente anhidrita. Los clastos son subredondeados a
subangulares con tamaos cercanos a 5 cm. Su composicin corresponde principalmente de
cuarzomonzonita, excepto en el lado sur donde se encuentran clastos de latitas y andesitas.
Presenta una alteracin de cuarzo secundario y cuarzo-serictica y argilizacin. El cemento est
constituido principalmente por turmalina y subordinadamente por especularita, sulfuros de cobre
y hierro.
Los sulfuros presentes en esta unidad son: pirita, calcopirita, calcosina, molibdeno y
ocasionalmente bornita, las cuales se encuentran diseminados, sin embargo, la calcopirita
tambin puede ocurrir en vetillas.
Brecha Occidente (BXO)
Esta unidad fue definida por Warnaars y otros (1985) como una unidad de color gris
verdoso, en la que la matriz esta compuesta de polvo de roca, clorita, turmalina, sericita,
especularita y sulfuros (pirita, calcopirita, molibdeno, calcosina y ocasionalmente bornita). La
fraccin clstica predomina ampliamente sobre la matriz y est conformada por fragmentos de
tamaos variables entre 2 y 15 cm, formas subangulares a angulares, de composicin
cuarzomonzonita y en menor medida por andesita, adems se encuentran fuertemente alterados a
clorita y en menor grado a cuarzo-sericita.
El cemento est formado por clorita, turmalina y especularita subordinada y
espordicamente molibdenita (Cuadra 1980). Se dispone en contacto gradual con la Brecha
Central.
Brecha Infiernillo (BXI)
Warnaars y otros, (1985) la definen como una brecha en la cual los clastos corresponden
a andesita con cantidades menores de cuarzomonzonita y prfido cuarzo latita, poseen formas
angulares a subangulares, con tamaos que varan desde unos centmetros hasta mayores de 1 m.
Se encuentran alterados fuertemente a clorita, silicificados (moderado a fuerte) y afectados por
una dbil alteracin cuarzo-sericita. La alteracin no es homognea, debido a que existen sectores
en que predominan clastos frescos, y otros en los que ocurren parcialmente alterados. La
paragnesis de alteracin ms comn corresponde a clorita, slice, sericita y ocasionalmente
epidota.
La matriz est compuesta por cuarzo, clorita, turmalina, especularita y sulfuros (pirita,
calcopirita, calcosina, molibdeno y en menor cantidad bornita).
La brecha se distingue por el intenso color verde que afecta tanto a los clastos como a la
matriz. Esta brecha contiene clastos de Brecha Central, y en profundidad cambia a Brecha
Occidente.
14
Brecha Anhidrita (BXA)
Definida por Warnaars y otros (1985) como una unidad en la cual la matriz, est
compuesta por anhidrita, turmalina, especularita, cuarzo, sulfuros (pirita, calcopirita, molibdeno).
Los clastos son angulares a subangulares con tamaos menores a 20 cm, y corresponden a
fragmentos de Brecha Infiernillo y Brecha Central, alterados fuertemente a clorita y moderada
silicificacin. En algunos afloramientos la anhidrita est hidratada a yeso.
Segn algunos autores esta brecha constituira una diferenciacin local de la Brecha
Infiernillo, caracterizada solamente por la presencia de anhidrita como principal constituyente del
cemento y conformando un cuello de anhidrita (Cuadra, 1980).
Brecha Gris Fina (BXG)
Warnaars y otros (1985) definen a esta unidad como una brecha en la cual la matriz
presenta un color gris y est compuesta por cuarzo, polvo de roca, sericita, clorita, especularita y
sulfuros (pirita, calcopirita, calcosina). Los clastos, poseen un tamao inferior a 5 cm. Son
subangulares a subredondeados de composicin prfido cuarzomonzontico, cuarzolattico y
andesitas, alterados a cuarzo-sericita y silicificacin moderada. La mineralizacin se encuentra
diseminada en la matriz y en los clastos estn como vetillas y de manera diseminada.
La Brecha Gris Fina forma apfisis en la Brecha Central y en la Brecha Oeste.
Brecha Donoso (BXD)
Definida por Warnaars y otros (1985), como una brecha en la cual la matriz est
compuesta por turmalina, cuarzo, sulfuros de cobre y hierro, y especularita. Los clastos son
principalmente a fragmentos de cuarzomonzonita, cuarzomonzodiorita (contiene clastos de
brecha Fantasma y Central), con tamaos entre 5-15 cm y formas angulosas a subangulosas (Daz
y otros, 1977). En niveles superiores se pueden observar clastos de composicin andestica.
La alteracin asociada a esta unidad, es el tipo cuarzo sericita, que afecta a los clastos con
una intensidad de moderada hasta obliterar la textura original. Los clastos menores se encuentran
altamente silicificados, los de tamao intermedio presentan halos concntricos con un ncleo
cuarzo-sericitico y un borde silicificado y los mayores o megaclastos, en general conservan gran
parte de su textura original. Otra alteracin importante es la cloritizacin que afecta
principalmente a la matriz, pero tambin a los clastos (Cuadra, 1980).
El contenido de cobre primario es ms alto que en las otras brechas, exceptuando para
algunas zonas de la Brecha Infiernillo. Contiene clastos de Brecha Fantasma y Central.
4.2.6.- Chimenea de Brecha Riolitica (RIO)

Este cuerpo constituye el Miembro La Copa del Complejo Subvolcnico Ro Blanco y fue
definido por Latorre (1981) como una chimenea de brecha subvolcnica de composicin rioltica,
que en su parte superior est compuesta por flujos de brechas tobceas soldadas riolticas y
prfido rioltico. Con respecto a las relaciones de contacto, este miembro se relaciona mediante
una discordancia de erosin con la Formacin Farellones.
15
5.- Antecedentes
5.1.- Fenmenos Regionalizados
Los fenmenos regionalizados se definen como fenmenos que se extienden en el espacio
y que presentan una organizacin o estructura. De esta forma el espacio corresponde al
lugar geogrfico donde esta variable se encuentra, pero tambin podra tratarse del eje temporal.
Las variables regionalizadas se estudian mediante una descripcin matemtica de la
realidad, utilizando las herramientas que proporciona la geoestadstica, las cuales permiten
describir dicha variable mediante una funcin numrica que representa y mide correctamente este
fenmeno.
En la Geoestadstica minera, los fenmenos que se suelen representar son la ley de algn
elemento de inters, densidades, potencia, granulometra, recuperacin metalrgica, etc.
Dado que los fenmenos regionalizados no poseen una extensin infinita, estos se
estudian tan solo al interior de un dominio delimitado, donde la regionalizacin de una variable
es de inters.
Dentro de las caractersticas mas relevantes de una variable regionalizada, esta su
aleatoriedad y estructuracin, por lo que su variacin sigue una cierta regularidad, de esta forma
es posible definir el tipo de distribucin, la cual contiene la cuantificacin de la discrepancia de
los valores en el espacio, visualizndose mediante funcin variogrma (h), que se define de
acuerdo a la siguiente expresin.
(h ) = 1 2 E [ f ( x + h ) f ( x )]2
En donde E [ f ( x + h ) f ( x )] representa el valor medio del cuadrado de las diferencias
entre las leyes de todas las muestras situadas a una distancia h entre si. Esta funcin es una
medida de la relacin que existe entre dos puntos ms o menos contiguos de valores de la
variable de inters, lo que permite visualizar su radio de influencia.
2
5.2.- Estudio exploratorio

El primer anlisis que se debe realizar a las variables regionalizadas, es un estudio
exploratorio, el cual pretende analizar la distribucin y homogeneidad de los datos en el espacio y
buscar datos atpicos, adems de determinar la cantidad, calidad y ubicacin de los datos
disponibles para realizar los anlisis posteriores.
Cuando los datos son numerosos, su descripcin mediante histogramas resulta til para
detectar valores aberrantes o sospechosos. Cabe destacar que un dato sospechoso no es
necesariamente falso y no se debe eliminar sin razn, pues puede representar la ocurrencia de
valores singulares en el dominio y eliminarlo impedira ver tales eventos.
16
La visualizacin mediante histogramas tambin es muy til para verificar

la
homogeneidad de la variable en el dominio muestreado, de esta forma una divisin del campo en
varias sub zonas podra resultar necesaria en el estudio de diferentes poblaciones.
Otra herramienta til para determinar la existencia de diferentes poblaciones son los
mapas de ubicacin, con el cual es posible diferenciar las poblaciones mediante un cdigo de
color para cada poblacin.
Para estudiar la continuidad de la variable regionalizada en el dominio, es frecuente el uso
de las nubes de correlacin diferida, las cuales correlacionan dos valores de dos datos ubicados a
una cierta distancia uno del otro, de esta forma se espera que si se obtiene una nube dispersa para
distancias pequeas, la variable es errtica, mientras que una nube aplastada (elptica) para estas
mismas distancias, se considera una variable regular en el espacio.
5.3.- Anlisis Variogrfico

Este anlisis tiene como objetivo describir las principales propiedades de la distribucin
espacial de la variable regionalizada en estudio, el cual va mas all de un simple reporte de los
valores (perfiles, mapas).
As se pretende responder la pregunta Qu tan continua es la variable en el espacio?, la
respuesta ser contestada con la ayuda de un variogrma experimental y un variogrma
modelado, adems de un anlisis de anisotropas, para culminar con la validacin de los
resultados obtenidos.
5.3.1.- Variogrma experimental

El variogrma experimental se obtiene al visualizar el momento de inercia de las nubes de
correlacin diferida (distancia cuadrtica promedio a la diagonal principal) en funcin de la
distancia de separacin.
Generalmente se trata de una funcin creciente de la distancia, anulndose cuando vale
cero.
Entre las caractersticas ms importantes que presenta el variogrma experimental,
destacan:
El crecimiento, el cual indica la velocidad con la cual la variable pierde correlacin
espacial.
La distancia de estabilizacin, la cual representa la zona de influencia de un dato, a esta
distancia se le conoce como alcance.
El comportamiento cerca del origen, este indica que tan semejantes son dos datos muy
cercanos, o sea, refleja la continuidad o regularidad de la variable en el espacio.
Representacin de anisotropas, permite reflejar direcciones preferenciales de continuidad
en el espacio de la variable regionalizada de inters.
17
El variogrma experimental se define de acuerdo a la siguiente expresin:

Denotemos como {x, = 1..n} los sitios de muestreo y como z(x) la variable
regionalizada. De esta forma, el variogrma mide la desviacin cuadrtica promedio entre dos
datos en funcin de su separacin de la siguiente forma:
(h ) =
1
2
[z ( x ) z (x )]
N
(
h
)
2 N (h )
Donde:
N (h) = {(,) tales que x x =h}
|N (h)| es el cardinal de N (h)
Con respecto a la tolerancia en los clculos, en el caso de presentarse una malla irregular
de muestreo, se suelen definir ciertos parmetros de tolerancia, tanto en la longitud del vector h
como en su orientacin.
Figura 5.1.- Tolerancias en variogrma experimental
De esta forma se definen los siguientes parmetros con sus respectivas tolerancias:
Azimut
Tolerancia al acimut
Ancho de banda horizontal
Inclinacin
Tolerancia en la inclinacin
Ancho de banda vertical
Distancias (mltiplos de una distancia elemental = paso)
Nmero de pasos
El variogrma experimental presenta complicaciones y es poco estable cuando la distancia

h es grande, el muestreo es de forma irregular o preferencial y si la distribucin de los datos es
muy asimtrica o contiene valores extremos.
Finalmente, el variogrma experimental no puede ser utilizado directamente, esto por que
solo se encuentra definido para ciertas distancias por lo cual es incompleto. Por otra parte, no
hay ninguna razn para que sea de tipo negativo condicional y, sin esta propiedad, las varianzas
de las combinaciones lineales de Z(x) tienen la posibilidad de ser negativas. Dado lo anterior se
debe continuar con otra etapa, la cual es un modelamiento del variogrma anteriormente
obtenido.
18
5.3.2.- Variogrma modelado

Como se menciono antes, el variogrma experimental debe ser modelado pues es
imperfecto e incompleto, por lo cual se debe ajustar un modelo de variogrma, definido en todas
las direcciones del espacio y para todas las distancias, en torno al variogrma experimental
obtenido, luego se usara este modelo como si fuera el verdadero variogrma del proceso que
genera la variable regionalizada en estudio.
El variogrma terico se define al considerar los valores como aleatorios (maysculas) y
al utilizar una esperanza matemtica en lugar de un promedio:
(h ) = 12 E [Z ( x + h ) Z (x )]2
Las dos principales caractersticas del variogrma son:

Su comportamiento en el origen, que traduce el grado de regularidad de la variable
regionalizada en el espacio
La presencia o la ausencia de una meseta, o sea, (h) = () = constante si |h| > a
(alcance).
Dado que el variogrma experimental presenta cambios de pendientes, ms o menos
acentuados, que indican el paso de una a otra estructuracin diferente, el variogrma modelado
debe ser capaz de representarlos, lo cual se logra mediante la superposicin de varios modelos
elementales, definiendo lo que se conoce como estructuras anidadas.
Entre los modelos elementales destacan los siguientes:
Efecto Pepita
(h ) =
0, h = 0
C, h 0
Ilustracin 5.2.- Efecto Pepita
Este modelo representa la ausencia total de correlacin en el espacio, dos valores distintos
tienen valores independientes.
19
Modelo Esfrico
3 h 1 h 3
C , h a
2 a 2 a
(h ) =
C, h > a
Ilustracin 5.3.- Modelo Esfrico
Este modelo supone una correlacin que disminuye lentamente a medida que aumenta la
distancia.
Modelo Exponencial
3 h
(h ) = C 1 exp
Ilustracin 5.4.- Modelo Exponencial
Modelo que supone un aumento del variogrma de forma ms acelerada que el modelo
esfrico anterior.
Existen otros modelos elementales como el modelo Gaussiano, Potencial, Seno Cardinal,
etc., pero dado que su uso es poco frecuente, no se detallaran.
Ahora, con ayuda de los modelos elementales, ser posible modelar la variable
regionalizada. El modelamiento debe respetar las principales caractersticas del variogrma
experimental (comportamiento en el origen, existencia o no de meseta, anisotropa).
20
No existe un mtodo infalible para ajustar un esquema terico a un variogrma

experimental, pero el uso de estructuras anidadas permite obtener una mejor y ms detallada
representacin de lo que es el modelo experimental. El procedimiento a seguir se puede resumir
en seleccionar la familia de variogrmas que se quiere hacer intervenir en el modelo, luego se
ajusta lo mejor posible sus parmetros (meseta, alcance, etc.). Este proceso es un trabajo
interactivo, en el cual la persona que se encuentra modelando tiene la ultima palabra.
5.3.3.- Anisotropas
Se habla de anisotropa cuando una variable regionalizada posee alguna o algunas
direcciones de preferentes de continuidad, en caso contrario, se hablara de un comportamiento
istropo de la variable.
Una forma bastante eficiente de reconocer este tipo de fenmenos, es con ayuda de los
mapas variogrficos, lo que corresponde al mapa de isovalores del variogrma experimental en
funcin de la separacin (distancia y orientacin).
Es posible distinguir varios tipos de anisotropas, pero comnmente se reconocen la
anisotropa geometra y zonal.
Anisotropa Geomtrica
Ilustracin 5.5.- Anisotropa Geomtrica
El mapa variogrfico dibuja elipses (2D) o elipsoides (3D). Slo se requiere especificar
las direcciones principales (ortogonales) y los alcances correspondientes.
21
Anisotropa Zonal
Ilustracin 3.6.- Anisotropa Zonal
El mapa variogrfico dibuja bandas; se trata de un caso lmite de anisotropa geomtrica,

donde el alcance en una direccin se vuelve muy grande. A la escala de trabajo, la meseta cambia
segn la direccin.
5.3.4.- Validacin Cruzada

Esta tcnica tiene por finalidad validar el modelo terico de variogrma, comparar la
calidad de varios modelos posibles y validar los parmetros de Kriging. Esto se logra estimando
sucesivamente cada observacin considerando solo las observaciones restantes, por lo tanto se
puede calcular el error de estimacin (diferencia entre el valor estimado y el valor real) en cada
punto donde hay un dato y compararlo con el valor real.
El resultado de la validacin cruzada es presentado mediante test grficos, en particular:
Nube de correlacin diferida entre los valores medidos {z(x), = 1, , n} y los valores
estimados {z*(x), = 1, , n}
El histograma de los errores estandarizados
z ( x ) z ( x )
( x )
Donde *(x) es la desviacin estndar del kriging para el punto x. Una estimacin se
considera buena si el error estandarizado asociado est situado en el intervalo [-, ], con = 2.5
por ejemplo.
La nube de correlacin entre los errores estandarizados y los valores estimados

El mapa de ubicacin de los datos, donde se localiza los valores mal estimados, es decir
aquellos cuyo error estandarizado asociado sale del intervalo [-, ].
En resumen, un modelo de Variogrma ser mejor cuando el histograma de los errores

estandarizados sea apretado y centrado en cero, y cuando la nube de correlacin entre los
valores medidos y estimados sea cercana a la primera bisectriz.
22
5.4.- Cambio de Soporte

En Geoestadstica, la estimacin global consiste en evaluar el valor promedio de la
variable regionalizada en la totalidad del campo y medir la precisin de la estimacin,
considerando el modelo variogrfico y la disposicin geomtrica de las muestras. A menudo, tal
problema constituye una etapa preliminar en un estudio geoestadstico, y se suele completar con
estimaciones locales, con el objetivo de distinguir las zonas del dominio con valores altos y las
zonas de valores bajos.
Cuando los datos son numerosos y su reparticin suficientemente uniforme en el campo,
no es til proponer estimadores sofisticados y es posible conformarse con estimadores mas
sencillos, de esta forma en muchos casos la media aritmtica ser el mejor estimador, o si se
prefiere, una media ponderada que considere las irregularidades del muestreo.
Es importante considerar el volumen en el cual la muestra tiene influencia, para ello se
define el concepto de soporte, que corresponde al volumen en el cual se mide o se considera la
variable en estudio (testigo, compsito, pozo de tronadura, unidad selectiva de explotacin o
bloque).
El paso desde la muestra puntual a un volumen de mayor influencia, es conocido como
cambio de soporte o regularizacin sobre un volumen V (que puede ser, por ejemplo, el volumen
de un bloque), denotado como Z(V), el cual se define como el promedio de los valores puntuales
en V:
Z (V ) =
1
V
Z (u )du
V
Donde |V| representa el volumen del bloque V.

Un requisito fundamental para poder llevar a cabo este proceso, es que la variable en
estudio debe ser aditiva, as por ejemplo ser posible realizarlo con valores de leyes, potencia de
un estrato, acumulacin de contaminantes, etc., pero no as con valores de tipos de rocas.
Tanto la distribucin estadstica de los valores (histograma) como su continuidad en el
espacio (variogrma) dependen del soporte considerado. Este efecto de soporte tiene importantes
consecuencias en la evaluacin de yacimientos, pues los datos disponibles (sondajes, pozos de
tronadura) no tienen el mismo soporte que las unidades a estimar.
Sobre la continuidad espacial (variogrma), un mayor soporte produce un suavizamiento
de los mapas, mientras que sobre el histograma, este paso mantiene la media puntual, disminuye
su varianza y provoca un efecto de simetrizacin en su forma.
Existen varios modelos para tratar de estimar el histograma regularizado a partir del
histograma puntual, de modo de poder evaluar los recursos recuperables sobre determinadas leyes
de corte al soporte de las unidades de seleccin mineras:
Correccin Afn
Correccin Lognormal Directa e Indirecta
Correccin Gaussiana
23
Dada la simplicidad y fcil aplicacin, se especificara lo que es la Correccin Afn, la cual

permitir, como antes se menciono, obtener la forma aproximada de lo que seria el histograma
regularizado.
El modelo de correccin afn mantiene la forma del histograma puntual, por ende no toma
en cuenta la simetrizacin que acompaa el cambio de soporte. La relacin que existe entre el
soporte puntual y el soporte de un volumen mayor (por ejemplo el volumen de un bloque) esta
dada por la siguiente expresin:
Histograma
[Z (V ) m] = Histograma [Z (u ) m]
V
Ilustracin 5.7.- Correccin Afn
5.5.- Estimacin Local

La estimacin local consiste en predecir el valor de la variable regionalizada en un sitio no
muestreado del espacio, utilizando para ello los datos circundantes disponibles. Asimismo, se
puede evaluar el valor promedio de la variable en un soporte mayor que en el soporte de los
datos.
Existen varios tipos de estimadores, como lo son el estimador ms cercano al vecino e
inverso de la distancia entre otros, los cuales tiene la ventaja de ser fciles de ejecutar, pero tienen
grandes desventajas, siendo la mas importante que ninguno de ellos considera la continuidad de
la variable regionalizada (regularidad en el espacio, anisotropas), es por esto que se utiliza un
estimador ampliamente aceptado en la industria minera, el Kriging, el cual mejora notoriamente
la estimacin de los datos al tomar en cuenta:
1. Distancias al sitio a estimar.
2. Redundancias entre los datos (agrupamientos).
3. Continuidad de la variable regionalizada (variogrma).
Privilegia los datos cercanos si el variogrma es muy regular.
Reparte la ponderacin entre los datos si existe un efecto pepita.
En caso de anisotropa, privilegia los datos ubicados a lo largo de las direcciones
de mayor alcance.
4. Cuantifica la precisin de la estimacin.
24
Este sistema se construye planteando tres restricciones:
Restriccin de Linealidad
Sea z(x) la variable regionalizada en estudio, {x, = 1,, n} los sitios con datos y xo el
sitio que se busca estimar.
La primera restriccin consiste en escribir el estimador como una combinacin lineal
ponderada de los datos:
n
z ( xo ) = a + z ( x )
=1
Buscar los ponderadores {, = 1,, n} y el coeficiente a.
Restriccin de Insesgo
En el modelo probabilstico, el error cometido debe tener una esperanza nula:
E Z (xo ) Z (xo ) = 0
El estimador no tiende a sobreestimar o subestimar el valor real desconocido.
Criterio de Optimalidad
Se busca minimizar la varianza del error cometido, que mide la amplitud potencial de
dicho error.
Minimizar var Z ( xo ) Z ( xo )
Bsqueda de la mxima precisin

Para comenzar a ejecutar la estimacin, es necesario definir que datos intervendrn en
ella, as como el dominio que se tomara en consideracin, para eso se definen los planes de
kriging, los cuales pueden utilizar todos los datos disponibles (vecindad nica) o solo una parte
de ellos (vecindad mvil).
En general se trabaja con vecindad mvil, pues la vecindad nica aumenta
innecesariamente los tiempos de clculo sin mejorar la precisin de la estimacin.
El tamao y forma de la vecindad mvil debe ser consecuente con el tamao y forma de
las curvas de isovalores del mapa variogrfico, de esta forma se estar tomando en cuenta la
anisotropa en la correlacin espacial de los datos.
En general, se suele tomar una vecindad en forma de elipse (2D) o elipsoide (3D), lo que
corresponde, tericamente, a una anisotropa geomtrica. A menudo se divide esta elipse en
varios sectores (cuadrantes u octantes), en cada uno de los cuales se trata de buscar un nmero
25
fijo de datos, con el fin de repartir de mejor manera las muestras en torno al punto o bloque que
se desea estimar.
Ilustracin 5.6.- Vecindad Elptica Dividida en Cuadrantes
El tamao de esta vecindad esta determinado por varios factores, entre los cuales destaca
el variogrma, pues como este es valido solo para la mitad del dimetro del campo considerado,
la vecindad escogida debe tomar eso en consideracin.
Es importante no tomar una vecindad demasiado pequea, pues si esta contiene pocos
datos, la estimacin ser poco precisa y muy sensible a los valores de los datos escogidos, lo que
puede provocar artefactos en el mapa de Kriging (problemas de continuidad cuando se pasa se un
punto a otro y cambian los datos utilizados).
En resumen, el tamao de esta vecindad debe mantener un equilibrio entre los factores
antes mencionados, pero adems debe considerar el criterio de minimizacin del sesgo
condicional, el cual se obtiene a partir de la validacin cruzada, prueba que se realiza con varios
tamaos de vecindad y se selecciona aquel que entregue los resultados mas satisfactorios.
Finalmente, pare realizar la estimacin es necesario contar con algn mtodo, en este caso
se utilizara el Kriging puntual, el cual tiene como finalidad estimar el valor puntual desconocido
z(xo) en un punto no muestreado xo.
Existen varios tipos de Kriging que permiten estimar el valor puntual: Kriging Simple,
Kriging Ordinario, Kriging Universal, Kriging Intrnseco, Kriging con Deriva Externa, Kriging
Trigonomtrico, etc. En el caso de las estimaciones que se realizaran posteriormente, se utilizar
el Kriging Ordinario.
El Kriging Ordinario se construye a partir de las siguientes hiptesis:
Se desconoce el valor promedio de la variable regionalizada.

Se conoce el variogrma (h), el cual puede tener o no tener meseta.
Estas hiptesis permiten generalizar el estimador en situaciones donde la media no es

constante en el dominio considerado, reflejando la variabilidad de esta media de una regin a
otra.
26
La construccin de este sistema sigue las siguientes restricciones:
Restriccin de Linealidad
La estimacin en un sitio xo se escribe como una combinacin lineal ponderada de los

datos circundantes, ubicados en los sitios {x, = 1,, n} (a Constante)
n
z ( xo ) = a + z ( x )
=1
Restriccin de Insesgo
La esperanza del error de estimacin vale:
E Z ( xo ) Z ( xo ) = a + E [Z ( x )] E [Z ( xo )]
=1
E Z ( xo ) Z ( xo ) = a + 1 m
=1
Siendo m desconocida, la nica alternativa es plantear.

a=0
n
=1
=1
Criterio de Optimalidad
La varianza del error de estimacin se expresa en funcin del variogrma:
var Z ( xo ) Z ( xo )
n
n
= 1
=1 =1
2
=1
=1
(x x ) + 2 ( x x )
La minimizacin de esta expresin bajo la restriccin de insesgo requiere introducir una

incgnita adicional llamada multiplicador de Lagrange, denominada .
27
Finalmente el sistema de ecuaciones queda definido de la siguiente forma:

n
= 1
=1
a = 0
n
= 1,..., n; (x x ) = ( x x o )
=1
Resolviendo lo anterior, se logra obtener lo que se conoce como la varianza de Kriging, la

cual vale:
n
2
(xo ) = (x xo )
KO
=1
Alguno de los aspectos destacables del sistema de Kriging, se pueden mencionar:
Aspectos geomtricos: distancias entre el sitio a estimar y los datos; redundancia entre
los datos.
Aspectos de continuidad espacial: regularidad, anisotropa.
Otro mbito destacable del sistema de Kriging, son sus propiedades:
Interpolacin exacta: estimar un sitio con dato devuelve el valor medido en ese sitio.
Suavizamiento: la dispersin de los valores estimados es menor que la dispersin de los
valores verdaderos. El Kriging tiende a subestimar las zonas de altas leyes y sobreestimar
las zonas de bajas leyes.
Aditividad: el Kriging del valor promedio de un sector es el promedio de las
estimaciones puntuales en este sector.
Insesgo: la media de los errores cometidos en una regin de gran tamao se acerca a cero.
Sesgo condicional: en las zonas cuya estimacin supera una ley de corte, la media de los
errores puede diferir de cero.
Cualidad a evitar o minimizar, de lo contrario se incurre en una mala apreciacin
del valor del negocio minero.
Elegir una vecindad de kriging suficientemente grande.
Ilustracin 5.7.- Estimador sin y con Sesgo Condicional
28
Para finalizar, es necesario que la estimacin local que se acaba de realizar sea til para un
soporte mayor, con el cual finalmente se trabajara, de esta forma surge el Kriging de bloques.
Existen dos alternativas para su construccin:
Discretizar el bloque en varios puntos, estimar el valor de cada punto y promediar las
estimaciones puntuales.
Evaluar directamente el valor del bloque, sin recurrir a estimaciones puntuales.
El Kriging de bloques posee las siguientes propiedades:
Suavizamiento.
Insesgo, pero posible sesgo condicional.
Aditividad.
5.6.- Simulacin Geoestadstica

Las tcnicas de simulacin se usan corrientemente en el campo de la investigacin
operativa. La validez de una simulacin est directamente relacionada con la capacidad del
modelo para reproducir las caractersticas de la realidad.
La Geoestadstica permite simular variables regionalizadas por una distribucin espacial,
cuya realizacin debe reproducir las caractersticas del yacimiento, no solamente la media
estadista y desviaciones, sino tambin sus caractersticas estructurales como relaciones
espaciales, por esta razn las simulaciones tienen ventaja sobre la estimacin por Kriging debido
a que este posee ciertas limitantes como:
Suavizamiento, el mapa de los valores estimados es mas regular que el mapa de los
valores verdaderos.
No se pueden predecir valores extremos.
No se puede trabajar sobre el mapa de valores estimados como si se trataran de
valores verdaderos.
La intensidad del suavizamiento depende de la densidad de la malla de muestreo.
La varianza de Kriging no mide todas las fuentes de incertidumbre (no toma en cuenta el
efecto proporcional).
De esta forma la simulacin se basa en la interpretacin de la variable regionalizada como
una realizacin de una funcin aleatoria, con lo cual se busca construir otras realizaciones de esta
misma funcin aleatoria, para lo cual es preciso conocer la distribucin espacial de la funcin, es
decir, el conjunto de las distribuciones de probabilidad de mltiples puntos (ej. Histogramas).
Las tcnicas de simulacin pueden ser condicionales o no condicionales, dependiendo de
su construccin, pero dado que se desea representar la realidad, es deseable contar con mtodos
condicionales, pues estos adems de reproducir la variabilidad de la variable en estudio, tambin
toma en cuenta los valores conocidos del sitio de muestreo, condicionando las realizaciones a
dichos valores.
29
Para lograr desarrollar una simulacin se debe seguir el siguiente procedimiento:
Definir un modelo de funcin aleatoria, distribucin espacial (Modelos Multi

Gaussianos, Chi cuadrado, Sustitucin, Mosaico, etc.)
Inferir los parmetros del modelo (variogrmas) y validarlos.
Construir simulaciones no condicionales (si el algoritmo de simulacin as lo requiere) de
la funcin aleatoria.
Condicionar las simulaciones a los datos disponibles.
En particular, en este estudio, se utilizar como modelo de funcin aleatoria el Multi

Gaussiano, debido a la sencillez que presenta en comparacin a los otros modelos y la correcta
representacin de la variable aleatoria que se quiere estudiar (ley de Cu) a juicio de otros estudios
realizados con anterioridad, pero para que el uso de este modelo sea valido y la simulacin
posterior tambin, es necesario realizar algunos ajustes en la base de datos, para los cual se debe
seguir la siguiente pauta:
Transformacin de los datos a valores Gaussianos, esto debido a que la distribucin

original de los datos difcilmente contara con esta forma de distribucin, la
transformacin se realiza mediante una funcin de transformacin llamada anamorfosis
Gaussiana.
x R d , Z x = (Yx )
Verificacin del carcter bi - Gaussiano (nubes de correlacin, madograma, variogrmas

indicadores); para el posterior anlisis variogrfico de la variable Gaussiana.
Simulacin de la funcin aleatoria Multi Gaussiana.
Eleccin del algoritmos de simulacin (Secuencial, Descomposicin Matricial,
Espectral Continuo, Bandas Rotantes, etc.).
Construccin de varias realizaciones.
Condicionamiento a los datos Gaussianos disponibles (si el algoritmo
seleccionado no lo realiza directamente)
Transformacin Gaussiana inversa para volver a la variable original.
Para la eleccin de un algoritmo, se deben tomar ciertas consideraciones, como por

ejemplo, los tiempos de ejecucin (aunque depende tambin de la velocidad de procesamiento del
computador que se utilice), lo sencillo de programar la simulacin en el software a utilizar, la
confianza que tenga el usuario ante el algoritmo escogido, entre otras. Dadas las consideraciones
antes mencionadas, el algoritmo escogido ser el de Bandas Rotantes, ejecutado con el software
ISATIS.
30
El algoritmo de Bandas Rotantes consiste en simplificar la simulacin en espacios

multidimensionales, usando simulaciones unidimensionales y esparcindolas al espacio 2D o
3D.
Y ( x ) = Y (1) ( x | u
Donde:
Y(1) es una funcin aleatoria unidimensional.
u es un vector del espacio Rd.
< x | u > es la proyeccin del sitio x en la recta orientada por u.
La relacin de una dimensin menor a otra mayor, se realiza mediante las covarianzas de
las dimensiones respectivas, as se puede generalizar este proceso de una dimensin a d
dimensiones.
Sean C1 la covarianza de Y(1) y Cd la covarianza de Y(x), se tiene:
C d (h ) = C1 ( h | u
El problema de esta relacin es que se genera una anisotropa zonal, pues el vector u es
nico, generndose lo que la ilustracin muestra.
Ilustracin 5.8.- Anisotropa Zonal generada por el esparcimiento de 1D a 2D
Para evitar la anisotropa zonal que se genera, se debe sortear el vector u al azar, o sea, en
la covarianza se reemplaza el vector determinstico u por un vector aleatorio U.
C d (h ) = E {C1 ( h | U
)}
La aplicacin C1 Cd es biyectiva, de modo que se puede simular un proceso

multidimensional de covarianza Cd con ayuda de un proceso unidimensional de covarianza C1 y
una direccin aleatoria, gracias a la frmula de esparcimiento.
31
Algunas relaciones interesantes de covarianza para pasar de una dimensin a otra:
Paso de R3 a R
C1 (r ) =
d
[rC3 (r )]
dr
Paso de R2 a R
r
C1 (r ) =
d
t
C 2 (t )dt
2
dr 0 r t 2
Dado del paso de R3 a R es ms sencillo que R2 a R, a menudo se prefiere sumergir R2

en R3.
Finalmente, el algoritmo queda definido de la siguiente forma:
Calcular la covarianza C1 asociada a Cd.

Para i = 1, ,n:
Simular Yi(1), funcin aleatoria unidimensional de covarianza C1
Simular una direccin ui uniforme en Rd.
Plantear:
Y (x ) =
1
N
Y ( ) ( x | u )
1
i =1
En la eleccin de direcciones, existen varias alternativas en R3, pero lo mas recomendable

es tomar mas de 300 direcciones equi - distribuidas en el espacio, de manera de lograr una mayor
cobertura.
Este algoritmo concluye con el condicionamiento de los datos.
32
6.- Manejo de Base de Datos

6.1.- Clasificacin
La clasificacin de datos es necesaria para lograr determinar las diferentes poblaciones a
analizar y realizar el posterior estudio exploratorio. Los criterios a utilizar sern la campaa a la
cual pertenece, el tipo de roca y el sector involucrado.
La informacin de las variables regionalizadas, obtenida de las diferentes campaas de
sondajes, se encuentra en un archivo tipo ASCII, el cual cuenta con la ubicacin espacial (este,
norte, cota), ley de cobre total, ley de cobre soluble, ley de molibdeno, ley de arsnico, campaa a
la cual pertenece la muestra y tipo de roca desde la cual se obtuvo, todo esto discretizado
mediante compositos de 15 metros de longitud. La variable regionalizada a estudiar ser la ley de
cobre total.
Dado que el inters es estudiar la variabilidad de la ley de cobre total durante el ao 2006,
adems de una diferenciacin entre las campaas de exploracin y produccin, fue necesario
realizar una clasificacin de estas y seleccionar aquellas que cumplieran con tales exigencias.
Esta clasificacin se detalla a continuacin.
# Campaa
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
Tipo de Campaa
LBXP
Infill
Infill
Donoso
Infill
Infill
Infill
Infill
Infill
Infill
LBXP
Infill
Infill
Infill
Infill
Infill
LBXP
Infill
LBXP
Infill
LBXP
Infill
33
Ao
1980
1989
1990
1980
1990
1991
1992
1993
1994
1995
1996
1996
1997
1998
1999
2000
2000
2001
2001
2002
2002
2003
# Campaa
23
24
25
27
28
30
31
32
33
34
35
36
50
103
Tipo de Campaa
LBXP
LBXP
Infill
CAT IV
Infill
Infill
LBXP
CAT IV
COND
Infill
SEM
CAT III
Monolito
Andina (Subte)
Ao
2003
2004
2004
2005
2005
2006
2006
2006
2006
2007
2007
2007
1996
2002
Tabla 6.1.- Clasificacin de Campaas
Las campaas LBXP (Los Bronces Expansion Project) e Infill (campaa de produccin)
sern las seleccionadas, debido a que las primeras son utilizadas para efectuar una exploracin
preliminar del sector de inters, mientras que las segundas se realizan para detallar de mejor
forma los recursos con que cuenta dicha zona. Otra clasificacin importante es con respecto al
momento en que se desarrolla cada campaa, seleccionando aquellas realizadas desde el ao
2005 hacia atrs, esto debido a que se desea predecir el comportamiento del ao 2006 con los
datos con que se contaba hasta tal fecha (al ao 2006 no se contaba con la informacin de los
sondajes correspondiente a dicho ao y posteriores).
Una vez seleccionada las campaas, la siguiente etapa es realizar el estudio exploratorio
de estas (campaas LBXP e Infill), pero dado que la variabilidad de ley esta relacionada
directamente con el tipo de roca, es necesario hacer una diferenciacin de esta variable
regionalizada.
Cdigo de Roca
RX10
RX20
RX35
RX40
RX50
RX55
RX60
RX80
RX85
RX91
Tipo de Roca
Brecha Occidente
Brecha Infiernillo
Brecha Central
Brecha Donoso
Brecha Fantasma
Brecha Anhidrita
QMZ
Andesita
Riolita
Lixiviado
Color
Tabla 6.2.- Clasificacin y Leyenda segun tipo de roca
34
Ilustracin 6.1.- Distribucin de Rocas en Mina Los Bronces
Determinada la clasificacin del tipo de roca, ahora es necesario definir los dominios a
estudiar, para ello se utilizo como criterio los sectores explotados durante el ao 2006, esto
ltimo llevo a decretar los sectores de Infiernillo Fase IV y Donoso Este como los dominios
seleccionados.
Ilustracin 6.2.- Dominios Seleccionados
35
La definicin de los dominios precisa las coordenadas involucradas de estos, adems de

los tipos de rocas que se encuentran en cada sector, dando aun ms detalles de cada uno de los
sitios de inters y por ende las poblaciones a analizar (diferenciadas en LBXP e Infill).
Fase
Donoso Este
Infiernillo IV
Limites
101000 E 101500 E
99800 N 100500 N
3745 Cota 3880 Cota
100250 E 100800 E
99000 N 99700 N
3355 Cota 3520 Cota
Tabla 6.3.- Limites por Fase

Fase
Donoso Este
Infiernillo IV
Tipo de Roca
Brecha Fantasma
QMZ
Brecha Occidente
Brecha Central
Brecha Fantasma
QMZ
Tabla 6.4.- Tipo de Roca por Fase
6.2.- Estudio Exploratorio

El estudio exploratorio permitir determinar la homogeneidad y distribucin espacial de la
ley de cobre total en las diferentes poblaciones definidas anteriormente, adems de dejar al
descubierto la presencia datos atpicos que por algn motivo pudiesen estar presentes. Es
importante tambin en este estudio, lograr cuantificar la cantidad de datos con la cual se trabajara,
adems de evaluar la calidad de estos.
Este estudio se realizara considerando las siguientes poblaciones.
Sondajes
LBXP
Donoso Este
Infill
Infiernillo Fase IV
Donoso Este
Infiernillo Fase IV
Brecha Fantasma
Brecha Occidente
Brecha Fantasma
Brecha Occidente
QMZ
Brecha Central
QMZ
Brecha Central
Brecha Fantasma
Brecha Fantasma
QMZ
QMZ
Diagrama 6.1.- Clasificacin de Poblaciones
36
Los datos de cada poblacin son representados mediante compsitos de 15 metros de

largo, los cuales fueron ploteados en mapas que muestran su ubicacin en el espacio 2D (Norte
Este). Posteriormente, dado que el muestreo en ocasiones se torna irregular, fue necesario realizar
un desagrupamiento, para ello se utilizo el mtodo de las celdas, utilizando el criterio del menor
valor promedio desagrupado para seleccionar el tamao de celda a ocupar en cada poblacin, se
concluye con la construccin del histograma desagrupado correspondiente.
A continuacin se presenta un cuadro resumen con los resultados del estudio exploratorio,
dividido en las dos grandes poblaciones LBXP e Infill. Los dems elementos de este estudio
(mapas de ubicacin, histogramas de cada poblacin y grafico declus) se presentan en el captulo
de anexos.
Compsitos 15 metros LBXP
Tipo
Donoso Este
Infiernillo
Fase IV
Unidad Geolgica
Media
Mnimo
Mximo
Desviacin
Varianza
Declus [m]
Bx. Fantasma
130
0,798
0,014
4,067
0,641
0,410
115
QMZ
407
0,666
0,022
4,966
0,577
0,333
295
Bx. Occidente
113
0,832
0,157
2,658
0,483
0,234
100
Bx. Central
50
1,036
0,334
5,813
1,026
1,026
275
Bx. Fantasma
115
0,398
0,180
4,948
0,718
0,515
290
QMZ
498
0,628
0,044
5,614
0,666
0,444
350
Tabla 6.5.- Resumen Estudio Exploratorio LBXP

Compsitos 15 metros Infill
Tipo
Donoso Este
Infiernillo
Fase IV
Unidad Geolgica
Media
Mnimo
Mximo
Desviacin
Varianza
Declus [m]
Bx. Fantasma
236
0,813
0,010
3,304
0,559
0,313
500
QMZ
979
0,708
0,017
4,118
0.888
0,789
200
Bx. Occidente
510
0,932
0,104
7,158
0,836
0,699
100
Bx. Central
147
1,028
0,146
4,175
0,731
0,535
125
Bx. Fantasma
546
0,935
0,012
4,824
1,443
2,082
270
QMZ
1601
0,645
0,024
6,791
0,849
0,721
245
Tabla 6.6.- Resumen Estudio Exploratorio Infill
37
6.3.- Anlisis Variogrfico

A continuacin se pretende describir que tan continua es la variable en el espacio, para
ello es necesario realizar el denominado anlisis Variogrfico, que comprende una observacin
de los mapas variogrficos que ayudaran en la determinacin de posibles direcciones de
anisotropas. La construccin de estos mapas debe considerar el tamao del dominio a estudiar.
Una vez definidas las posibles direcciones de anisotropa, se determina el variogrma
experimental, respetando ciertas tolerancias en la separacin de los datos, el ngulo de
inclinacin, el ancho de banda horizontal, entre otros, con el objetivo de lograr representar de la
mejor forma la continuidad de la variable regionalizada en estudio. Al igual que en el caso de los
mapas variogrficos, se debe considerar el tamao del domino a estudiar, por lo cual se considera
la mitad del tamao de este como el alcance mximo del variogrma.
Dado que el variogrma experimental es imperfecto e incompleto, este debe ser modelado
y el resultado ser utilizado como el verdadero variogrma de la variable en estudio.
La ltima etapa de este procedimiento es la validacin cruzada, la cual tiene como
objetivo validar el modelo terico del variogrma, comprara la calidad de varios modelos
posibles y validar los parmetros de la vecindad de Kriging.
El anlisis variogrfico se realizo con cada una de las poblaciones descritas anteriormente,
restringindose a su propio dominio y no al definido en un comienzo como el rea a estudiar, es
decir, se respeto la superficie en la cual se encontraban muestras de dicha poblacin, as cada
poblacin cuenta con un alcance y tolerancias particulares.
6.4.- Cambio de Soporte

Este procedimiento se realizara con el objetivo de obtener una visin preliminar de lo que
ser la distribucin de leyes de cobre total en el domino a estudiar, con el tamao de bloque
correspondiente a la faena en estudio.
El cambio de soporte se realizara mediante el mtodo de Correccin Afn, esto por ser una
tcnica consistente y sencilla de aplicar mediante el uso de programas de Geoestadstica como
GSLIB. La Correccin Afn mantendr la forma del histograma puntual y la media, pero
disminuir su varianza (por el efecto soporte) y cambiara la forma de la distribucin.
Gracias a la Correccin Afn se cumplir el primer objetivo propuesto, el cual se refiere a
la determinacin de la variabilidad de ley mediante una simulacin de Montecarlo, la cual
presentara ciertas restricciones referidas a ley de corte, proporciones de bloques que aportan cada
fase mensualmente, tamao del bloque, entre otras.
Los resultados de la correccin Afn se resumen en los siguientes cuadros. Los
histogramas por poblacin se presentaran en el captulo de anexos.
38
Correccin Affine LBXP

Tipo
Donoso Este
Infiernillo
Fase IV
Unidad Geolgica
Media
Mnimo
Mximo
Desviacin
Varianza
Bx. Fantasma
130
0,798
0,104
3,908
0,620
0,384
QMZ
407
0,666
0,042
4,754
0,572
0,327
Bx. Occidente
113
0,832
0,179
2,609
0,476
0,227
Bx. Central
50
1,036
0,401
5,644
1,005
1,010
Bx. Fantasma
115
0,398
0,200
3,216
0,710
0,504
QMZ
498
0,628
0,074
5,338
0,649
0,421
Tabla 6.7.- Resumen Correccin Affine LBXP

Correccin Affine Infill
Tipo
Unidad Geolgica
Media
Mnimo
Mximo
Desviacin
Varianza
Donoso Este
Bx. Fantasma
236
0,813
0,091
3,085
0,530
0,281
QMZ
979
0,708
0,058
5,466
0,879
0,773
Bx. Occidente
510
0,932
0,157
6,529
0,791
0,626
Bx. Central
147
1,028
0,175
3,323
0,721
0,520
Bx. Fantasma
546
0,935
0,092
4,715
1,390
1,932
QMZ
1601
0,645
0,070
6,550
0,800
0,639
Infiernillo
Fase IV
Tabla 6.8.- Resumen Correccin Affine Infill
6.5.- Estimacin Local Mediante Kriging Ordinario

La estimacin local consiste en predecir el valor de una variable en un sitio no
muestreado, para ello se utilizara un estimador utilizado y aceptado ampliamente en la industria
minera, el Kriging en su versin de Kriging Ordinario (valor promedio de la variable
regionalizada es desconocido).
El desarrollo de esta tcnica requiere ciertas definiciones, como lo son el tamao del
bloque (15 m. x 15 m. x 12,5 m.), esto para realizar el Kriging de bloques, y la malla a estimar, la
cual tiene las dimensiones del dominio en cuestin.
Entre los aspectos tcnicos, se defini una elipse para cubrir con tal de cubrir todo el
volumen, as se consideraron ocho octantes en una vecindad mvil de Kriging, cada octante con
un mnimo de una muestra y un mximo de cuatro. Las dimensiones en cada uno de los ejes
dependen de la poblacin a estudiar.
Los resultados arrojados por esta estimacin se vern sometidos a ciertas restricciones,
entre las cuales destacan filtros por tipo roca y polgono mensual por fase, adems de ley de corte
y proporciones mensuales aportadas por cada fase.
La variabilidad de ley se obtendr mediante un muestreo aleatorio simple sin reemplazo,
con lo cual se asegura la aparicin de cada bloque solo una vez. Mas detalle de esta simulacin se
detalla en un capitulo posterior.
39
6.6.- Simulacin Geoestadstica Mediante Bandas Rotantes

Dadas las limitaciones que presenta la estimacin mediante Kriging (suavizamiento y
carencia de prediccin de valores extremos), se hace necesaria la aplicacin de algn mtodo que
permita mejorar estas falencias, as nacen las simulaciones geoestadsticas, que adems de
solucionar dichas limitaciones, permiten crear varios escenarios equi probables que son capaces
de reproducir la variabilidad real de la variable en estudio.
Las simulaciones fueron realizadas con el software ISATIS utilizando el mtodo de
Bandas Rotantes. La eleccin de dicho mtodo fue decisin del usuario por ser consistente y
confiable.
Los parmetros utilizados en las simulaciones fueron los mismos que en la estimacin
mediante Kriging Ordinario (dominio, vecindad, tamao de bloque, malla), esto para dar un
resultado coherente al obtenido con anterioridad, es decir, que se trata de una estimacin con las
mismas caractersticas pero elaborada con otro mtodo.
El resultado de las simulaciones fue sometido a los mismo filtros utilizados en el caso del
Kriging Ordinario, vale decir, filtros por tipo de roca, polgono de explotacin, ley de corte, etc.,
pero con la diferencia que al tratarse de cincuenta simulaciones, solo fueron seleccionadas tres de
cada poblacin, tomando como criterio el escoger aquellas simulaciones que se encontraban en el
percentil 25, percentil 50 y percentil 75 del promedio de estas.
Seleccionados los escenarios posibles, se procedi a realizar la simulacin de la
extraccin considerando los mismos bloques obtenidos mediante el muestreo aleatorio simple sin
reemplazo utilizado anteriormente con los resultados de la estimacin mediante Kriging, con esto
se busca seleccionar el mismo bloque en los cuatro mapas obtenidos, con su respectivo valor.
40
7.- Simulaciones
7.1.- Clasificacin y Consideraciones Previas
Los resultados hasta al momento obtenidos corresponden a una Correccin Afn, una
estimacin mediante Kriging Ordinario y cincuenta simulaciones aplicando el mtodo de Bandas
Rotantes, todo esto realizado sobre las diferentes poblaciones en estudio.
Ahora corresponde lograr predecir la variabilidad de ley de cobre total de alimentacin a
planta con ayuda los resultados alcanzados, pero para ello es necesario plantear algunas
restricciones y aplicar ciertos filtros a los datos emanados de los mtodos utilizados. El valor real
de las leyes diarias se presenta en el siguiente cuadro resumen.
Da
Ene.
Feb.
Mar.
Abr.
May.
Jun.
Jul.
Ago.
Sept.
Oct.
Nov.
Dic.
1.30
1.05
0.88
0.74
0.89
0.98
0.91
1.09
1.18
1.12
S/I
0.99
1.19
0.91
1.04
0.87
0.94
1.01
0.98
1.11
0.99
1.04
1.19
0.98
0.95
0.98
1.04
1.19
0.95
1.04
0.97
0.96
0.84
1.05
0.99
1.05
0.95
0.93
0.99
1.00
0.90
0.88
0.88
0.95
0.92
1.02
0.93
1.07
0.97
0.90
0.93
0.87
0.97
0.91
0.92
1.12
0.90
1.09
1.03
1.12
1.04
1.12
0.93
0.93
0.93
0.99
0.94
0.96
1.02
1.00
0.97
0.99
0.87
1.14
1.07
0.89
0.98
1.00
0.90
1.22
0.88
1.16
1.15
1.04
0.82
0.91
1.33
0.89
1.06
0.92
0.94
1.23
0.88
0.93
1.03
1.23
0.95
1.12
1.09
0.92
1.10
0.85
0.93
1.10
0.99
0.88
0.91
1.16
10
0.96
1.22
0.94
0.84
0.92
0.87
0.98
0.93
0.93
1.03
0.92
1.08
11
0.97
1.17
1.02
0.80
0.90
0.92
1.02
1.03
0.92
1.13
0.89
1.19
12
1.11
0.94
1.04
0.94
0.89
1.17
0.98
1.15
0.96
1.20
0.98
1.18
13
1.01
0.92
1.11
0.93
1.08
1.16
0.89
1.11
0.99
1.11
0.93
0.95
14
0.96
0.76
0.87
0.88
0.85
1.25
0.86
1.04
0.91
1.01
0.92
1.05
15
1.07
0.86
1.06
0.87
0.98
1.14
1.00
1.19
0.87
1.11
0.97
1.23
16
1.11
0.98
1.08
0.96
0.95
1.21
0.92
1.05
1.00
1.02
1.01
1.27
17
0.98
1.12
1.00
0.92
0.94
1.27
0.99
1.05
1.11
0.99
1.06
1.36
18
1.05
0.93
0.86
0.97
0.96
1.02
0.95
0.93
1.26
1.09
1.58
1.50
19
1.04
0.98
0.82
0.98
0.89
0.97
1.01
0.91
1.10
1.03
1.59
1.48
20
0.97
1.17
0.90
0.90
0.92
1.04
1.17
0.93
1.17
1.03
1.34
1.09
21
1.03
1.28
1.01
0.91
0.99
0.93
1.42
0.90
1.16
1.05
1.20
1.45
22
0.90
1.11
1.20
1.04
0.93
1.18
1.07
0.95
1.40
1.00
1.32
1.25
23
0.99
1.01
0.97
0.88
0.88
1.07
0.99
0.98
1.18
0.95
1.12
1.09
24
0.88
0.85
0.98
0.92
0.81
1.04
0.96
0.91
1.03
1.04
1.06
1.09
25
0.98
1.13
0.93
0.94
0.88
1.02
0.87
0.93
1.26
1.03
1.13
1.28
26
1.05
0.86
1.08
0.97
0.93
0.95
0.82
0.91
0.92
0.95
1.04
1.24
27
0.84
0.76
1.05
1.11
0.88
1.09
0.87
1.09
1.18
0.90
1.06
1.17
28
1.05
0.79
1.05
1.07
0.88
1.01
0.95
0.98
1.15
0.74
1.12
1.05
29
1.05
1.14
1.09
0.80
0.99
1.00
1.06
1.13
1.03
1.14
1.10
30
1.05
1.03
1.03
0.73
1.00
1.25
1.02
1.11
S/I
1.22
31
1.04
0.95
1.09
1.27
1.00
Tabla 7.1.- Leyes Diarias
41
S/I
1.23
1.10
El primer punto a considerar es el trabajo con dos grandes poblaciones, las

correspondientes a las campaas de exploracin LBXP y las correspondientes a las campaas de
produccin Infill. La primera poblacin intentara definir la variabilidad de alimentacin a planta
para etapas tempranas del proyecto como lo es su etapa de diseo, mientras que la segunda gran
poblacin intentara definirla para la etapa de plena operacin. Las campaas fueron subdivididas
en pequeas poblaciones correspondientes al tipo de roca, esto para lograr una mejor
interpretacin de la informacin en los diferentes dominios en cuestin (Infiernillo Fase IV y
Donoso Este) al aplicar los mtodos de estimacin antes mencionados. As los resultados
obtenidos se pueden entender con ayuda del siguiente esquema.
Tipo de Campaa
(LBXP o Infill)
Domino
(Infiernillo Fase IV o Donoso
Este)
Tipo de Roca
(Bx. Fantasma, QMZ, Bx.
Central, Bx. Occidente)
Correccin Afn
Estimacin por Kriging

Ordinario
Simulaciones por
Bandas Rotantes
Diagrama 7.1.- Visualizacin de Resultados
Todos ellos fueron obtenidos sobre un dominio mayor al sector verdaderamente

explotado, adems de no considerar la ubicacin espacial del tipo de roca, en especial en los
casos de la estimacin mediante Kriging y en la simulacin por Bandas Rotantes, en donde se
estimo la totalidad del dominio, por lo tanto es necesario realizar algn tipo de arreglo para
solucionar dicha situacin.
El primer filtro utilizado, corresponde a los sectores explotados, esto ayudara a considerar
solo los bloques que efectivamente fueron explotados durante el ao 2006, junto con la secuencia
mensual en que fueron extrados durante el periodo. Acto seguido se filtra mediante el tipo de
roca lo que definir correctamente la ubicacin de cada poblacin, logrando una correcta
interpretacin de lo sucedido.
42
Ilustracin 7.1.- Secuencia de Extraccin Mensual Infiernillo Fase IV
Ilustracin 7.2.- Tipos de Roca en Infiernillo Fase IV
La primera ilustracin ejemplifica la secuencia de extraccin mensual del nivel 3385 de

Infiernillo Fase IV, en donde los colores fros representan los primeros meses (Enero, Febrero,
etc.) y los colores mas calidos a los meses mas avanzados (Septiembre, Octubre, etc.). La
segunda ilustracin visualiza los diferentes tipos de roca que existen en este mismo sector.
Finalizado este proceso, es necesario determinar una ley de corte, la cual fue establecida,
segn la informacin recogida desde la faena, en 0,75% Cu para el ao 2006 en ambas fases.
Concluida la clasificacin, comienza el diseo general de las simulaciones con los bloques
seleccionados anteriormente. Dado que la faena, al ao 2006, cuenta con una produccin de
60.000 tpd, es necesario representar dicho ritmo de la manera mas adecuada, por lo tanto se
consideraron los siguientes parmetros: tamao de bloques de 12,5 m x 12,5 m x 15 m y densidad
aproximada de 2,62 ton/m3, esto implica que se deben extraer alrededor de tres bloques por turno,
resultando nueve bloques diarios (tres turnos), completando as la produccin diaria de Los
Bronces. Este procedimiento se efectu para todos los tipos de simulaciones (Monte Calo y
Muestreo Aleatorio Simple sin Reemplazo con Kriging y Simulaciones Condicionales).
43
Otro aspecto de importancia es el manejo de mineral posterior a la extraccin debido al

constante transporte y almacenamiento, provocando mezcla entre bloques de diferentes sectores,
acentundose este efecto en el Stock Pile, por lo cual es necesario plantear una estrategia para
manejar dicho efecto. Se llego a la conclusin de recurrir al promedio simple de los bloques para
determinar la ley media del turno y posteriormente del da, esto por que el tiempo de residencia
de los bloques dentro del Stock Pile no sobrepasa las 24 horas, adems de ser un efecto menor en
comparacin con la mezcla que se lleva a cabo en el procesamiento.
Por ultimo se debe tomar en cuanta las proporciones de bloques que contribuye cada fase.
Esta proporcin se basa en el rea ocupada por los polgonos de extraccin mensuales, lo que se
simplifica a una proporcin diaria
Da
Turno
A
Leyes bloques
0.82
1.13
0.89
0.79
1.1
1.14
1.17
1.1
1.04
0.82
1.14
1.17
0.76
0.88
0.95
1.13
1.51
1.55
Ley media
Ley media da
0.95
1.01
1.02
1.10
1.04
0.86
1.40
Tabla 7.2.- Ejemplo Resultado de Simulacin
44
1.10
7.2.- Simulacin de Monte Carlo

La primera tcnica propuesta para determinar la variabilidad de ley es mediante la
simulacin de Monte Carlo, el cual es un procedimiento que combina conceptos estadsticos
(muestreo aleatorio) con la capacidad que tienen los computadores para generar nmeros pseudos
aleatorios y automatizar clculos.
El imput corresponde a un histograma acumulado de las muestras de leyes acordes al
respectivo mes, luego se genera un numero aleatorio entre 0 y 1 para buscar dentro de la matriz
de frecuencia acumulada dicha cantidad, el proceso finaliza con la entrega del valor de ley
correspondiente a la frecuencia generada.
Grfico 7.1.- Ejemplo Simulacin Monte Carlo
El histograma utilizado como imput de la simulacin es obtenido mediante una

Correccin Afn realizada sobre los datos compositados de cada poblacin. Los resultados son
filtrados, como se detallo anteriormente, logrando histogramas mensuales de leyes del tipo LBXP
e Infill para cada sector.
Cada uno de los histogramas mensuales fue sometido a simulaciones de Monte Carlo,
obtenindose quinientas diferentes formas de extraer los bloques mensualmente. La informacin
considerada del total de las realizaciones fue: mnimo, mximo, promedio, desviacin estndar y
varianzas para cada mes simulado, estos resultados son analizados grficamente con el nimo de
lograr determinar, la variabilidad de ley de alimentacin a planta.
45
7.3.- Muestreo Aleatorio Simple sin Reemplazo

Este segundo mtodo propuesto para determinar la variabilidad de ley de alimentacin a
planta es mediante un muestreo probabilstico, donde cada unidad de la poblacin tiene asignada
una probabilidad de ser seleccionada en la muestra, conocida y distinta de cero, haciendo que el
proceso sea completamente aleatorio. Las selecciones de las unidades de muestreo son hechas
objetivamente mediante instrumentos aleatorios como tmbolas, ruletas, tablas de nmeros, cajas
de nmeros, instrumentos electrnicos, etc.
Dentro de los diseos de muestreos probabilsticos existen los muestreos aleatorios
simples (con y sin reemplazo), muestreos sistemticos aleatorios, muestreos estratificados
aleatorios, muestreos por conglomerados, etc. En este caso particular se utilizara el muestreo
aleatorio simple, los cuales se aplican en poblaciones donde es posible identificar
individualmente a todas las unidades de la poblacin. La variante escogida ser sin reemplazo,
ac las unidades seleccionadas desde la poblacin no regresan a esta.
El diseo del muestreo aleatorio simple sin reemplazo se ajusta de manera correcta a la
simulacin de extraccin de bloques, pues es posible identificar a cada uno de estos de manera
individual, adems de la nula posibilidad de seleccionar un bloque ya muestreado.
Los datos utilizados para este tipo de muestreo son los seleccionados desde las
estimaciones mediante Kriging Ordinario y simulaciones de Bandas Rotantes correspondientes
percentil 25, percentil 50 y percentil 75 de las distintas poblaciones, datos que fueron filtrado y
ajustados a los diferentes polgonos mensuales. Este trabajo conduce a la obtencin de dos
poblaciones, las generadas mediante los sondajes LBXP y las obtenidas con los sondajes Infill.
El procedimiento para obtener el orden de extraccin de los bloques esta basado en la
siguiente pauta:
Los bloques de cada poblacin (LBXP e Infill) son numerados desde 1 hasta N, con N
igual al tamao de la poblacin.
Se genera una secuencia aleatoria de nmeros desde 1 hasta N con ayuda Excel.
Se reordenan los bloques de acuerdo a la secuencia generada.
Se filtran los datos de acuerdo a la ley de corte (0,75% CUT).
Se efecta la extraccin siguiendo el orden obtenido, respetando los tres bloques por turno
y la proporcin por fase.
46
Cabe sealar que cada bloque cuenta con cuatro valores, el proveniente de Kriging Simple
y tres de las Simulaciones condicionales, haciendo posible una comparacin consistente entre las
diferentes desviaciones y varianzas.
Bloque
454
540
263
25
541
Kriging
0,81
0,80
0,82
0,76
0,83
Percentil 25
0,85
0,78
1,05
1,13
1,04
Percentil 50
1,16
0,94
0,91
0,87
1,10
Tabla 7.3.- Ejemplo Valores de Bloques
47
Percentil 75
1,20
0,76
0,97
1,05
0,88
8.- Resultados, Anlisis y Conclusiones

8.1.- Introduccin
A continuacin se presentaran las tcnicas desarrolladas que pretenden evaluar la
posibilidad de lograr determinar la variabilidad de ley de envi a planta. La labor requiri de un
largo proceso de anlisis y trabajo con la base de datos, que corresponde a los sondajes LBXP e
Infill anteriores al ao 2006. Esta base de datos da la posibilidad de obtener estimaciones de la
distribucin de leyes de cobre total en los dominios seleccionados (Donoso Este e Infiernillo Fase
IV). Los dominios cuentan con el atributo de contener la distribucin de rocas y polgonos
correspondientes a cada mes del periodo 2006.
La informacin obtenida desde el manejo de base de datos es utilizada para realizar las
simulaciones propuestas, respetando ley de corte, secuencia de polgonos y proporcin mensual
de cada fase y ritmo de explotacin para contar con las 60.000 tpd.
El anlisis de los resultados se realizara cualitativamente mediante la observacin de los
grficos de varianza mensual de ley y cuantitativamente a travs de los resultados obtenidos,
adems de un ejercicio realizado sobre los mtodos que representen de mejor forma la
variabilidad. Se propondr un mtodo de anlisis que se espera represente fielmente el
comportamiento real de la variabilidad de ley, obtenindose un modelo de esta conducta.
Tambin se evaluara la confiabilidad real de cada uno de ellos, lo que finalmente debera
determinar si es aceptable o no el pronostico.
Sondajes
LBXP
Correccin
Affine
Donoso
Este
Monte
Carlo
Infiernillo
Fase IV
Infill
Kriging y
Simulacion
es
Correccin
Affine
Donoso
Este
Kriging y
Simulacion
es
Donoso
Este
Aleat.
S/reemplz
Monte
Carlo
Infiernillo
Infiernillo
Fase IV
Fase IV
Diagrama 8.1.- Poblaciones Finales
48
Donoso
Este
Aleat.
S/reemplz
Infiernillo
Fase IV
8.2.- Mtodo Numero 1: Correccin Affine y Posterior Simulacin por

Monte Carlo
El desarrollo del primer mtodo propuesto corresponde a un pronstico de la varianza
mensual utilizando la simulacin de Monte Carlo, para ello se cuenta con los resultados de la
Correccin Affine de cada gran poblacin, las correspondientes a los sondajes LBXP e Infill.
En esta seccin, los datos clasificados en tipos de roca se filtraron a travs de polgonos de
explotacin mensual y por ley de corte (0,75 % para ambas fases), obtenindose una serie de
histogramas, los que representan la distribucin de leyes, sobre ley de corte, disponibles para
cada mes.
La simulacin de extraccin de bloques se realiza sorteando un numero aleatorio entre
cero y uno, el cual representa la frecuencia acumulada de cada valor de ley, generando un
bloques extrado, el cual se incorpora a lo obtenido durante el turno (tres bloques) para que luego,
en conjunto, representen la extraccin del da (nueve bloques). Esta operacin se repite quinientas
veces para cada mes, entregando un gran numero de formas para explotar el polgono, respetando
las proporciones aportadas por cada fase en el mes.
La tcnica consiste en obtener la varianza y la desviacin estndar mensual para cada una
de las quinientas simulaciones, estas se clasifican mediante el uso de herramientas estadsticas,
como lo es el promedio, resultado que posteriormente se compara con los entregados por la
planta de procesamiento para el ao 2006.
Lo primero que resulta interesante visualizar es si la varianza y desviacin estndar real
de ley se encuentra dentro del intervalo de confianza propuesto, pregunta que puede surgir en el
momento del diseo de un proyecto (sondajes de exploracin LBXP) o en la etapa de produccin
(sondajes de produccin Infill).
49
8.2.1.- Observaciones de Prediccin con Sondajes LBXP
Varianza
Varianza v/s Mes

Correccion Affine LBXP
0,035
0,030
0,025
0,020
0,015
0,010
0,005
0,000
C
Real
Media
Grfico 8.1.- Correccin Affine LBXP
A: Esta zona de la curva experimental no muestra una gran semejanza en la forma.

B, C: Una se las zonas mas similar a la realidad, tanto en forma como en valores. Su
importancia se debe a que predice la forma aproximada de un fuerte cambio de pendiente
en la variabilidad de la curva real.
D: En esta seccin se pierde la tendencia de predecir cambios de pendiente, pero el valor
de sus extremos se asemeja mucho al de la curva real.
E, F: Zona que comprende varios meses, de Julio a Noviembre. Es capaz de pronosticar
los cambios de pendiente, pero no la intensidad de estos, en especial la ocurrida entre los
meses de Octubre a Noviembre.
G: Ultima parte de la curva que pierde la facultad de predecir los cambios de pendiente.
El anlisis visual de los cambios de pendientes e intensidad de estos es til para un

anlisis cualitativo, vale decir, ver si la forma de la curva pronosticada es capaz de dar alguna
aproximacin de lo que ser la realidad, pero puede resultar poco informativo a la hora de tomar
decisiones de relevancia, por lo tanto se propone realizar un anlisis de cambios de pendientes e
intensidad de estos.
50
Cambio de Pendiente
Valores Reales v/s Promedio de Simulaciones LBXP
0.030
0.025
0.015
0.010
Nov - Dic
Oct - Nov
Sep - Oct
Ago - Sep
Jul - Ago
Jun - Jul
May - Jun
Abr - May
-0.010
Feb - Mar
0.000
-0.005
Mar - Abr
0.005
Ene - Feb
Pendiente
0.020
-0.015
Periodo
Real
Promedio
Grfico 8.2.- Cuantificacin de Cambios de Pendiente LBXP
Este ltimo grafico es ms aclarador al lograr visualizar la intensidad en la variacin de la

variabilidad mensual de ley mes a mes, puesto que es capaz de indicar el signo de la pendiente,
adems de la intensidad. Tiene importancia al ser complementario al grafico Varianza v/s Mes.
La visualizacin del grafico cambio de pendiente indica que el nivel de acierto en el
pronostico de los signos alcanza al 64%. La intensidad de las pendientes no es conveniente
analizarla tan solo observando los resultados en un grafico, es de mayor utilidad prestar atencin
a sus valores y ver que tan semejantes son las curvas confiando en algn indicador. El indicador
elegido ser la desviacin estndar, el cual es una medida de la dispersin para variables, su valor
indica la media de la distancia que tienen los datos respecto de su media aritmtica.
El valor de la desviacin estndar se puede interpretar como un indicador de semejanza
entre dos pendientes, vale decir, si una pendiente es exactamente igual a otra el valor de la
desviacin estndar es cero, por lo tanto se considerara que una pendiente es semejante a otra si
cumple con dos condiciones, poseer el mismo signo y que la desviacin estndar se encuentre en
un intervalo [0, ], con = 0,005
Periodo
Real
Media
Ene - Feb
Feb - Mar
Mar - Abr
Abr - May
May - Jun
Jun - Jul
Jul - Ago
Ago - Sep
Sep - Oct
Oct - Nov
Nov - Dic
0.011
-0.009
-0.002
-0.003
0.007
0.002
-0.003
0.009
-0.011
0.024
-0.012
-0.005
0.003
0.000
-0.002
0.012
-0.004
-0.007
0.001
-0.002
0.004
0.003
Desviacin
Estndar
0.011
0.008
0.001
0.001
0.004
0.004
0.002
0.005
0.007
0.014
0.010
Tabla 8.1.- Valores de Pendientes y Desviacin Estndar por Periodo
51
Esta ultima tabla refleja de mejor forma lo que son los aciertos en el valor de la pendiente,
ahora interesara ver si el modelo pronosticado puede predecir alguno de los cambios de
pendiente, es decir, predecir el paso de una pendiente negativa a positiva o viceversa. El acierto
en este ltimo tem alcanza al 43%. Con respecto a la semejanza en la forma de la curva en cada
intervalo, es conveniente revisar el siguiente grafico antes de entregar un veredicto definitivo.
Desviacion v/s Periodo LBXP
Desviacion Estandar
0.016
0.014
0.012
0.010
0.008
0.006
0.004
0.002
-D
ic
-N
ov
N
ov
-O
ct
O
ct
-S
ep
Se
p
Ag
o
Ag
o
-J
ul
Ju
l-
-J
ay
Ju
n
un
ay
-M
M
Ab
r
Ab
r
ar
-
b
Fe
En
e
-F
-M
ar
eb
0.000
Periodo
Grfico 8.3.- Desviacin v/s Periodo LBXP
El anlisis de este ltimo grafico refleja que existe un grado de certeza de 36,4% en el
nivel de aciertos de semejanzas entre las pendientes, por lo tanto las ecuaciones de la recta que
representaran la realidad con una tolerancia aceptable serian.
Y
Y
Y
Y
= 0,004
= 0,002 X + 0,012
= 0,012 X 0,058
= 0,007 X + 0,059
Marzo Abril , X = [3,4]

Abril Mayo, X = [4,5]
Mayo Junio, X = [5,6]
Julio Agosto, X = [7,8]
52
Varianza v/s Mes

Varianza
0,035
0,030
0,025
0,020
0,015
0,010
0,005
0,000
Meses
Real
Media
Grfico 8.4.- Meses Pronosticados
Adems del anlisis del comportamiento de la curva de varianza, es interesante realizar

una comparacin del valor promedio de las varianzas y desviaciones estndar reales con respecto
a los obtenidos mes a mes mediante la simulacin. La desviacin estndar dejara al descubierto la
dispersin de los valores de las leyes diarias con respecto a su media aritmtica. El promedio
obtenido en la realidad se comparara con lo obtenido en la realidad, convirtindose en un nuevo
parmetro de decisin ante el cuestionamiento de aceptabilidad o rechazo del mtodo.
Desviacion Estandar v/s Mes
Desviacion
0.20
0.16
0.12
0.08
0.04
Ju
lio
o
Ju
ni
ril
ay
o
M
Ab
ar
zo
0,118
0,072
-0,046
-39,10%
Ag
os
to
Se
pt
ie
m
br
e
O
ct
ub
re
N
ov
ie
m
br
e
D
ic
ie
m
br
e
Media Real
Media Simulacin
Diferencia (S - R)
Diferencia Porcentual
En
er
o
Fe
br
er
o
0.00
Real
MesesMedia
Grfico 8.5.- Desviacin Estndar v/s Mes
53
8.2.2.- Observaciones de Prediccin con Sondajes Infill
Varianza
Varianza v/s Mes

Correcion Affine Infill
0,035
0,030
0,025
0,020
0,015
0,010
0,005
0,000
C
Real
Media
Grfico 8.6.- Correccin Affine Infill
A: Esta primera seccin predice satisfactoriamente el cambio de pendiente del valor real,
pero no as sus valores.
B: La segunda seccin que comprende un amplio periodo del ao, no presenta signos de
pronosticar satisfactoriamente algn cambio de pendiente, alzas bruscas en los valores de
la varianza mensual o valores cercanos a lo que fue la realidad.
C: Este periodo presenta facultades para visualizar un par de cambios de pendiente, con
valores similares a los reales.
D: Ultimo tramo, en donde se pierde toda facultad de prediccin, solo una aproximacin a
los valores reales, pero sin la capacidad de pronosticar el cambio de pendiente, este pierde
todo valor.
54
Cambio de Pendiente
Valores Reales v/s Promedio de Simulaciones Infill
0.030
0.025
0.015
0.010
Nov - Dic
Oct - Nov
Sep - Oct
Ago - Sep
Jul - Ago
Jun - Jul
May - Jun
Abr - May
-0.010
Feb - Mar
0.000
-0.005
Mar - Abr
0.005
Ene - Feb
Pendiente
0.020
-0.015
Periodo
Real
Promedio
Grfico 8.7.- Cuantificacin de Cambios de Pendiente Infill
El anlisis cualitativo de las pendientes indica que el pronostico en el signo de las

diferentes pendientes no es lo bastante acertado, prediciendo un solo un 36,4% de los casos. Por
otro lado, el acierto en pronosticar cambios de signo en la pendiente, es mejor visualizarlo en la
siguiente tabla.
Periodo
Real
Promedio
Ene - Feb
0.011
0.001
Desviacin
Estndar
0.007
Feb - Mar
-0.009
-0.004
0.004
Mar - Abr
-0.002
0.000
0.002
Abr - May
-0.003
0.012
0.010
May - Jun
0.007
-0.008
0.010
Jun - Jul
0.002
-0.001
0.002
Jul - Ago
-0.003
-0.001
0.001
Ago - Sep
0.009
0.003
0.004
Sep - Oct
-0.011
0.004
0.011
Oct - Nov
0.024
-0.002
0.018
Nov - Dic
-0.012
0.001
0.009
La informacin desplegada ac de cuenta de los escasos aciertos en la prediccin de los

signos de las pendientes. En cuanto al pronstico de cambios de pendientes, este es acertado solo
en dos ocasiones, lo cual representa apenas el 28,7% de los casos. La semejanza nuevamente es
recomendable visualizarla a travs del siguiente grafico.
55
-D
ic
-N
ov
N
ov
-O
ct
O
ct
-S
ep
Se
p
Ag
o
Ag
o
-J
ul
Ju
l-
-J
ay
Ju
n
un
ay
-M
M
Ab
r
ar
-
-M
ar
b
-F
Fe
En
e
Ab
r
0.020
0.018
0.016
0.014
0.012
0.010
0.008
0.006
0.004
0.002
0.000
eb
Desviacion Estandar
Desviacion v/s Periodo Infill
Periodo
Grfico 8.8.- Desviacin v/s Periodo Infill
El nivel de aciertos, al visualizar este ltimo grafico, desciende dramticamente para

apenas alcanzar el 27,3% segn el nivel de aceptabilidad descrito anteriormente (igualdad en el
signo de la pendiente, adems de presentar una desviacin estndar entre el intervalo [0, ], con
= 0,005), por lo tanto es posible describir las siguientes ecuaciones.
Y = 0,004 X + 0,016 Febrero Marzo, X = [2,3]
Y = 0,001X + 0,014 Julio Agosto, X = [7,8]

Y = 0,003 X 0,019 Agosto Septiembre, X = [8,9]
Varianza
Varianza v/s Mes

0,035
0,030
0,025
0,020
0,015
0,010
0,005
0,000
Real
Media
56
El anlisis de desviaciones estndar arroja el siguiente resultado.

Desviacion
0,20
0,16
0,12
0,08
0,04
0,00
Media Real
Media Simulacin
Diferencia (S - R)
0,118
0,090
-0,028
-23,81%
Meses
Real
Media
8.2.3.- Conclusiones Mtodo 1

El mtodo propuesto es favorecido por lo rpido y sencillo que resulta aplicarlo, lo cual es
una ventaja cuando se necesitan resultados aproximados, pero el problema de una prediccin
aceptable para determinar la variabilidad de ley mes a mes no se resuelve satisfactoriamente,
inclusive se esperara que los sondajes de produccin Infill predijeran de mejor forma la
variabilidad que los sondajes LBXP, esto por que los segundos cuentan con una mayor cantidad
de muestras, pero se obtiene un resultado absolutamente distinto, pues los sondajes LBXP
predicen aceptablemente la variabilidad en el 36,4% de los casos, mientras que con los sondajes
Infill este porcentaje disminuye a 27,3%, lo que numricamente corresponde a una prediccin
menos, diferencia que puede ser irrelevante en un universo de 11 tipos de pendientes.
La comparacin realizada mediante la utilizacin de desviaciones estndar y promedios de
este indicador, arroja que la variabilidad anual es posible predecirla de mejor forma utilizando los
sondajes de produccin Infill, pero la prediccin en ambos casos se encuentra por debajo de la
realidad, en porcentajes considerables. Esto ltimo indica que este mtodo debe ser utilizado
tomando conciencia de sus falencias en la prediccin del cambio de pendiente adems de las
grandes diferencias en el promedio anual de la desviacin estndar.
57
8.3.- Mtodo 2: Kriging y Posterior Muestreo Simple sin Reemplazo

Esta segunda idea cuenta con un trabajo mas elaborado en la estimacin de la distribucin
de leyes en las fases seleccionadas, donde se pretende pronosticar la variabilidad mediante un
muestreo simple sin reemplazo. Al igual que en el mtodo numero uno, este se realizara para las
dos grandes poblaciones obtenidas, los sondajes LBXP e Infill.
El mtodo consiste en obtener estimaciones de las fases seleccionadas mediante Kriging
Ordinario, luego filtrar cada una por tipo de roca y polgono mensual de extraccin, entregando
los bloques que realmente fueron explotados en el periodo a estudiar, esto concluye con la
discriminacin por ley de corte. El sorteo de los bloques seleccionados se realizo asignando a
cada uno de ellos un nmero, para luego extraerlos aplicando la tcnica de muestreo simple sin
reemplazo. La asignacin de los nmeros es la misma utilizada en el mtodo numero tres que
incluye simulaciones condicionales.
A diferencia del primer mtodo, ac se cuenta solo con una simulacin de extraccin de
bloques, por lo cual la varianza y desviacin estndar de cada mes simulado con Kriging se
comparara directamente con la informacin real del periodo.
Ag
os
Se
to
pt
ie
m
br
e
O
ct
ub
re
No
vie
m
br
Di
e
cie
m
br
e
Ju
lio
Ju
ni
o
ay
o
M
Ab
ri l
ar
zo
0.035
0.030
0.025
0.020
0.015
0.010
0.005
0.000
En
er
o
Fe
br
er
o
Varianza
Varianza v/s Mes

Kriging LBXP
C
Meses
Real
Kriging
Grfico 8.11.- Divisin de Curva Estimacion Mediante Kriging Ordinario LBXP
A: Sector de la grafica que no pronostica la pendiente. La intensidad pareciera tampoco

ser predicha.
B y C: Amplio periodo en el cual se observa como la variacin de la pendiente se predice
en rangos visuales bastante aceptable, cualidad que se acenta claramente en el sector C,
logrando estar cerca de los valores reales.
D: Ultimo tramo en donde se pierde toda posibilidad de pronostico.
58
Cambio de Pendiente
Valores Reales v/s Kriging LBXP
0.030
0.025
0.015
0.010
Nov - Dic
Oct - Nov
Sep - Oct
Ago - Sep
Jul - Ago
Jun - Jul
May - Jun
Abr - May
-0.010
Feb - Mar
0.000
-0.005
Mar - Abr
0.005
Ene - Feb
Pendientes
0.020
-0.015
Periodos
Real
Kriging
El grafico complementario visualmente demuestra que la diferencia en magnitud de las

pendientes es muy similar. El acierto en el signo de la pendiente alcanza al 54,5% de los casos.
Para tener una mayor confiabilidad en la comparacin de magnitudes y semejanzas, conviene
revisar la siguiente tabla de datos.
Periodo
Real
Kriging
Ene - Feb
0.011
-0.001
Desviacin
Estndar
0.008
Feb - Mar
-0.009
-0.002
0.005
Mar - Abr
-0.002
0.000
0.001
Abr - May
-0.003
0.000
0.002
May - Jun
0.007
0.006
0.000
Jun - Jul
0.002
0.005
0.002
Jul - Ago
-0.003
-0.008
0.004
Ago - Sep
0.009
-0.002
0.008
Sep - Oct
-0.011
0.003
0.010
Oct - Nov
0.024
-0.002
0.018
Nov - Dic
-0.012
0.000
0.008
La proporcin de muestras que son capaces de predecir cambios de signo en la pendiente

son solamente dos, lo que corresponde al 28,6% de los casos. El caso de la semejanza medida
mediante la desviacin estndar pareciera ser ms alentador, pues numricamente se observan
varios valores en torno a cero, pero no se debe perder de vista la primera condicin, aquella de la
igualdad de signos.
59
-D
ic
-N
ov
N
ov
-O
ct
O
ct
-S
ep
Se
p
Ag
o
Ag
o
-J
ul
Ju
l-
-J
ay
Ju
n
un
ay
-M
M
Ab
r
ar
-
-M
ar
b
-F
Fe
En
e
Ab
r
0.020
0.018
0.016
0.014
0.012
0.010
0.008
0.006
0.004
0.002
0.000
eb
Desviaciones Estandar
Periodos
Tabla 8.13.- Desviacin v/s Periodo LBXP
El nivel de discriminacin de rango tolerable admite cinco casos como correctos en la

prediccin de pendientes, representando el 45,5% de los casos, un valor bastante aceptable. Sin
duda la caracterstica ms destacable es la continuidad de la prediccin, pues esta permitir tener
una mayor certeza en un periodo continuo y extenso en el tiempo. Las ecuaciones que describen
el comportamiento se enuncian a continuacin.
Y
Y
Y
Y
= 0,002
= 0,002
= 0,006 X 0,028 Mayo Junio, X = [5,6]

= 0,005 X 0,022 Junio Julio, X = [6,7]
= 0,008 X + 0,069 Julio Agosto, X = [7,8]
io
Ag
os
Se
to
pt
ie
m
br
e
O
ct
ub
re
No
vie
m
br
Di
e
cie
m
br
e
Ju
l
Ju
ni
o
il
ay
o
M
Ab
r
zo
ar
M
er
o
Fe
br
ro
0.035
0.030
0.025
0.020
0.015
0.010
0.005
0.000
En
e
Varianza
Varianza v/s Mes

Kriging LBXP
Meses
Real
Kriging
60
Las desviaciones entregan los siguientes resultados.

Kriging LBXP
Desviacion
0,20
0,16
0,12
0,08
0,04
0,00
Media Real
Media Simulacion
Diferencia (S - R)
0,118
0,064
-0,054
-45,86%
Meses
Real
Kriging
8.3.2.- Observaciones de Prediccin con Sondajes Infill
Meses
Real
br
Di
e
cie
m
br
e
re
ie
m
ct
ub
No
v
m
br
e
tie
Se
p
Ag
o
st
o
io
io
Ju
l
Ju
n
ay
o
M
Ab
ri l
zo
M
ar
er
Fe
br
En
e
0.035
0.030
0.025
0.020
0.015
0.010
0.005
0.000
ro
Varianza
Varianza v/s Mes

Kriging Infill
Kriging
Grfico 8.16.- Divisin de Curva Estimacin Mediante Kriging Ordinario Infill
A: Sector que diagnostica un aceptable pronostico de la variacin mensual, pero se ve

limitado al no reproducir claramente la magnitud de la variacin. Los valores tampoco
son reproducidos fielmente.
B: Zona en donde la diferencia de signo de la pendiente no permite entregar un claro
pronostico, pero la magnitud pareciera ser correcta.
C: Amplio periodo en donde se observa un correcto pronstico en el signo de las
pendientes, pero la magnitud en muchas ocasiones se ve limitada, lo ltimo seguramente
derivara en un descarte de mltiples periodos.
61
Cambio de Pendiente
Valores Reales v/s Kriging Infill
0.030
0.025
0.015
0.010
Nov - Dic
Oct - Nov
Sep - Oct
Ago - Sep
Jul - Ago
Jun - Jul
May - Jun
Abr - May
-0.010
Feb - Mar
0.000
-0.005
Mar - Abr
0.005
Ene - Feb
Pendientes
0.020
-0.015
Periodo
Real
Kriging
El grafico de apoyo confirma las sospechas antes expuestas, pues es claro que la magnitud
de las pendientes pronosticadas es bastante menor qua las pendientes reales, lo que deja
prcticamente sin capacidad de discriminacin los criterios referentes al acierto en los signos y al
cambio de estos. El primer criterio de acierto alcanza al 90,9% de los casos, en cambio el
segundo llega al 100%, lo cual pareciera ser un resultado bastante alentador, pero que debe ser
respaldado por el anlisis cuantitativo.
Periodo
Real
Kriging
Desviacin
Estndar
Ene - Feb
0.011
0.003
0.005
Feb - Mar
-0.009
-0.003
0.004
Mar - Abr
-0.002
0.001
0.002
Abr - May
-0.003
-0.001
0.002
May - Jun
0.007
0.001
0.004
Jun - Jul
0.002
0.004
0.001
Jul - Ago
-0.003
-0.005
0.001
Ago - Sep
0.009
0.003
0.004
Sep - Oct
-0.011
-0.001
0.007
Oct - Nov
0.024
0.003
0.015
Nov - Dic
-0.012
-0.002
0.006
El anlisis vuelve a confirmar las sospechas, pues se observa como los valores de la
desviacin estndar deja fuera a muchos periodos que en un comienzo indicaban ser aceptables
pronosticadores de la forma de la curva. Esto quedara totalmente resuelto a estudiar el siguiente
grafico.
62
Desviacion Estandar
0.016
0.014
0.012
0.010
0.008
0.006
0.004
0.002
-D
ic
-N
ov
O
ct
N
ov
-O
ct
-S
ep
Se
p
Ag
o
Ag
o
-J
ul
Ju
l-
-J
ay
Ju
n
un
ay
-M
M
Ab
r
Ab
r
ar
-
Fe
En
e
-F
-M
ar
eb
0.000
Periodo
Se observa claramente como disminuye notablemente el nmero de aciertos, alcanzando a

un 54,5% de los casos, lo cual puede considerarse aceptable en un principio. La continuidad en la
forma de la curva es sin duda el mayor valor de este pronstico, dado que es capaz de reproducir
una forma visual en casi 100%. El modelo que se puede rescatar desde este pronstico se expone
a continuacin.
Y
Y
Y
Y
= 0,003 X + 0,011 Febrero Marzo, X = [2,3]

= 0,001X + 0,008 Abril Mayo, X = [4,5]
= 0,001X 0,002 Mayo Junio, X = [5,6]
= 0,004 X 0,020 Junio Julio, X = [6,7]
= 0,005 X + 0,043 Julio Agosto, X = [7,8]
= 0,003 X 0,021 Agosto Septiembre, X = [8,9]
Real
Kriging
63
br
Di
e
cie
m
br
e
ie
m
re
Meses
No
v
ct
ub
m
br
e
tie
Se
p
Ag
o
st
o
io
io
Ju
l
Ju
n
ay
o
M
Ab
ri l
ar
zo
o
M
er
Fe
br
ro
0.035
0.030
0.025
0.020
0.015
0.010
0.005
0.000
En
e
Varianza
Varianza v/s Mes

Kriging Infill
El grafico de desviacin estndar se presenta a continuacin.

Kriging Infill
Desviacion
0,20
0,16
0,12
0,08
0,04
0,00
Media Real
Media Simulacion
Diferencia (S - R)
0,118
0,064
-0,054
-45,67%
Meses
Real
Kriging

Lo primero que se observa es un claro sesgo en la curva de prediccin, lo cual es
consecuencia de una de las limitantes del Kriging, el suavizamiento, lo que deriva en una menor
varianza y desviacin estndar en la estimacin. Interesante es apreciar que la propiedad de
suavizamiento no afecta el pronstico de variabilidad, aprecindose extensos periodos de tiempo
en los cuales la forma de la curva es predicha con bastante certeza.
Tanto los sondajes LBXP como los Infill entregan un buen pronstico de lo que seria la
curva real, dando una certeza del 45,5% y 54,5% respectivamente, adems de reproducir largos
periodos de tiempos en forma continua. La gran diferencia entre ellos viene por los resultados del
acierto en el signo de la pendiente, donde los sondajes LBXP alcanzan el 54,5%, mientras que los
Infill el 90,9%, esto se ve aun mas acentuado con el indicador de aciertos en el cambio de
pendiente (28,6 LBXP, 100% Infill).
El anlisis realizado ocupando las desviaciones estndar no presenta mayor diferencia
entre los sondajes LBXP e Infill, ambos presentan una desviacin casi un 50% menor que la
realidad, lo que no es menor a la hora de tomar decisiones de importancia para la operacin, por
lo tanto se debe tener muy presente este efecto al momento de utilizar este mtodo, pues se estar
en el dilema si privilegiar la forma de la curva o el valor de la variabilidad.
Una cualidad operacional del mtodo numero dos es la alta probabilidad de contar con un
modelo de bloques generado por kriging, ahorrando el tiempo invertido en el anlisis variogrfico
y generacin del modelo, que puede ser muy favorable en la eventualidad de no contar con
profesionales capaces de realizar este tipo de anlisis, ya que un muestreo aleatorio simple, con
las condiciones respectivas, puede ser realizado por personas capacitadas en el uso de softwares
de manejo de datos, como Excel.
64
8.4.- Mtodo 3: Simulaciones Condicionales y Posterior Muestreo

Simple sin Reemplazo
Ultimo mtodo propuesto se diferencia del anterior en el modo de hacer la evaluacin, ya
que el actual propone realizar la estimacin mediante el uso de simulaciones condicionales. Con
el uso de esta tcnica se espera reproducir fidedignamente la varianza real, ya que al contrario de
la estimacin mediante kriging, las simulaciones condicionales reproducen de mejor forma lo que
es la variabilidad de leyes en el dominio.
Este mtodo se asemeja a los dos anteriores en la manera de filtrar los datos para obtener
las grandes poblaciones finales, pero la secuencia de extraccin utilizada es la misma que la
indicada en la opcin numero dos.
En esta ocasin se cuenta con tres simulaciones, las obtenidas desde el percentil 25,
percentil 50 y percentil 75, lo cual entregan tres escenarios diferentes de distribucin de leyes en
los dominios.
Varianza
Varianza v/s Mes

Simulacion Condicional LBXP
0,035
0,030
0,025
0,020
0,015
0,010
0,005
0,000
C
Real
Media
Grfico 8.21.- Simulacin Condicional LBXP
La divisin mediante secciones hace ms sencillo el anlisis visual de semejanzas entre

las diferentes curvas, derivando en los siguientes comentarios.
A: Seccin que se asemeja en los cambios de pendiente, pero la intensidad de estos no

corresponde a lo sucedido en la realidad salvo en la variacin ocurrida entre los meses de
Marzo a Abril, en la cual la variacin se asemeja bastante, al menos visualmente.
B: En este periodo se advierte un nulo pronstico, tanto en el signo de la pendiente, como
de la intensidad de esta.
C: Periodo de mayor duracin, se observa una coherencia entre los diferentes signos de
pendiente, pero la intensidad en algunos tramos pareciera no ser correcta, de todas formas
es posible decir que es el tramo capaz de pronosticar de mejor forma lo sucedido en la
realidad.
65
D: Al igual que el tramo B, este no es capaz de indicar correctamente el cambio positivo o

negativo en la variacin mensual.
E: Comienza indicando de forma aproximada lo que ser la variacin entre los primeros
meses (Septiembre Octubre), pero luego la realidad da un brusco cambio en su varianza,
el cual no es posible pronosticarlo en intensidad, pero si en direccin.
F: ltimo tramo que no representa la intensidad ni la pendiente de cambio.
Cambios de Pendientes
Valores Reales v/s Promedio de Simulaciones LBXP
0.025
0.020
0.010
Nov - Dic
Oct - Nov
Sep - Oct
Ago - Sep
Jul - Ago
Jun - Jul
May - Jun
Abr - May
-0.010
Mar - Abr
0.000
-0.005
Feb - Mar
0.005
Ene - Feb
Pendientes
0.015
-0.015
Periodos
Real
Promedio
El grafico de cambios de pendiente e intensidad indica que la prediccin en el signo no

esta lejana a la realidad, pero poco se puede decir de la intensidad de los cambios, por lo tanto es
necesaria una cuantificacin de este valor.
Cabe notar que una visualizacin grafica es de suma utilidad para un anlisis cualitativo
de las pendientes, pero es necesario contar con un anlisis cuantitativo para reafirmar algunas de
las conclusiones obtenidas con anterioridad.
Periodo
Real
Promedio
Desviacin
Estndar
Ene - Feb
0.011
0.005
0.004
Feb - Mar
-0.009
-0.001
0.006
Mar - Abr
-0.002
-0.004
0.002
Abr - May
-0.003
0.008
0.008
May - Jun
0.007
0.002
0.003
Jun - Jul
0.002
0.002
0.000
Jul - Ago
-0.003
-0.001
0.001
Ago - Sep
0.009
-0.002
0.007
Sep - Oct
-0.011
-0.008
0.002
Oct - Nov
0.024
0.002
0.015
Nov - Dic
-0.012
0.001
0.009
66
La informacin aportada por la tabla valores de pendientes y desviaciones estndar,

entrega caractersticas cuantificables de la curva, como lo es la forma de la curva, reflejada en el
valor de su pendiente por periodo, adems de indicar que tan diferentes son entre ellas, esto
ultimo manifestado por la desviacin estndar.
El anlisis de la forma de la curva indica que existe un 43% de acierto en el pronstico de
cambios de pendientes y un 73% en el signo de la pendiente en cada periodo. La semejanza entre
las curvas se considera aceptable si la desviacin estndar se encuentra dentro del intervalo [0, ],
con = 0,005, indicando as que el pronostico de la semejanza de curvas es acertado en un 54,5%
de las ocasiones.
Desviacion Estandar
0.018
0.016
0.014
0.012
0.010
0.008
0.006
0.004
0.002
-D
ic
-N
ov
N
ov
O
ct
-O
ct
-S
ep
Se
Ag
o
Ag
o
-J
ul
Ju
l-
Ju
n
ay
-J
un
ay
Ab
rAb
ar
-
b
Fe
En
e
-F
-M
ar
eb
0.000
Periordo
Grfico 8.23.- Desviacin v/s Periodo LBXP
Y
Y
Y
Y
= 0,005 X + 0,001
= 0,004 X + 0,013
= 0,002 X + 0,004
= 0,002 X + 0,004
= 0,001X + 0,025
= 0,008 X + 0,087
Enero Febrero, X = [1,2]

Junio Julio, X = [6,7]
Septiembre Octubre, X = [9,10]
Las ecuaciones describen el comportamiento de la curva en los periodos donde se

considero aceptable el indicador de confiabilidad del pronostico, un 54,5%.
67
Varianza
Varianza v/s Mes

0,035
0,030
0,025
0,020
0,015
0,010
0,005
0,000
Real
Media
El grafico de desviaciones se presenta a continuacin.

Desviacion
0,20
0,16
0,12
0,08
0,04
0,00
Media Real
Media Simulacion
Diferencia (S - R)
0,118
0,104
-0,013
-11,18%
Meses
Real
Media
Grfico 8.25.- Desviacin Estandar v/s Mes
68
8.4.2.- Observaciones Prediccin con Sondajes Infill
Varianza
Varianza v/s Mes

Simulacion Condicional Infill
0,035
0,030
0,025
0,020
0,015
0,010
0,005
0,000
B
Real
Media
Grfico 8.26.- Simulacin Condicional Infill
Los comentarios que se pueden realizar de cada seccin se enumeran a continuacin.
A: Esta seccin abarca un gran periodo de tiempo. Se observa una semejanza en la forma
aceptable entre la media de las simulaciones y el valor real. La intensidad del cambio de
pendiente parece ser poco predictivo en esta grafica.
B: Periodo en donde no se predice correctamente el signo de la pendiente, pero la
intensidad pareciera ser muy similar.
C: Zona del grafico que cuenta con una semejanza de mejor calidad que la observada en
el tramo A, salvo en la ltima seccin en donde la intensidad de la pendiente pareciera ser
mucho menor en lo obtenido experimentalmente que en la realidad.
D: Sector donde no se visualiza ningn tipo de prediccin.
E: Tramo final en donde la intensidad experimental no reproduce lo sucedido en la
realidad, pero si advierte el signo de la pendiente.
69
Cambios de Pendiente
Valores Reales v/s Promedio de Simulaciones Infill
0.030
0.025
0.015
0.010
Nov - Dic
Oct - Nov
Sep - Oct
Ago - Sep
Jul - Ago
Jun - Jul
May - Jun
Abr - May
-0.010
Feb - Mar
0.000
-0.005
Mar - Abr
0.005
Ene - Feb
Pendientes
0.020
-0.015
Periodos
Real
Promedio
El grafico de cambios de pendientes e intensidades de estos indican que los signos de las
pendientes se asemejan en un gran porcentaje a los ocurridos en la realidad (73%). En cuanto a la
intensidad, es mejor observar resultados numricos. La diferencia entre cada curva se manifestara
en la desviacin estndar.
Periodo
Real
Promedio
Ene - Feb
0.011
0.005
Desviacin
Estndar
0.004
Feb - Mar
-0.009
-0.002
0.005
Mar - Abr
-0.002
0.000
0.001
Abr - May
-0.003
0.000
0.002
May - Jun
0.007
0.004
0.002
Jun - Jul
0.002
-0.004
0.004
Jul - Ago
-0.003
-0.002
0.001
Ago - Sep
0.009
0.003
0.004
Sep - Oct
-0.011
-0.001
0.007
Oct - Nov
0.024
-0.001
0.018
Nov - Dic
-0.012
-0.002
0.007
En esta oportunidad se informa un 43% de aciertos en la prediccin de cambios de signo

en la pendiente y un 73% de aciertos en el signo de cada pendiente. Ahora tomando nuevamente
= 0,005, se puede afirmar que existe un 54,5% de valores aceptados como prximos a la
realidad en semejanza de pendientes.
70
Desviacion Estandar
0.018
0.016
0.014
0.012
0.010
0.008
0.006
0.004
0.002
-D
ic
ov
-N
N
ov
O
ct
p
Se
-S
-O
ct
ep
Ag
o
Ag
-J
ul
Ju
l-
-J
ay
M
Ju
n
un
ay
r
r-
Ab
Ab
ar
-
b
Fe
En
-F
-M
ar
eb
0.000
Periodos
Y
Y
Y
Y
= 0,005 X + 0,003
= 0,011
= 0,011
= 0,004 X 0,009
= 0,002 X + 0,025
= 0,003 X 0,012
Enero Febrero, X = [1,2]

Agosto Septiembre, X = [8,9]
Varianza
Varianza v/s Mes

0,035
0,030
0,025
0,020
0,015
0,010
0,005
0,000
Real
Media
71
El grafico de desviaciones indica lo siguientes.

Desviacion
0,20
0,16
0,12
0,08
0,04
0,00
Media Real
Media Simulacion
Diferencia (S - R)
0,118
0,104
-0,013
-11,29%
Meses
Real
Media

A diferencia del mtodo numero dos, se aprecia la inexistencia de un sesgo, lo cual
reafirma la propiedad de las simulaciones condicionales, al reproducir de mejor manera la
variabilidad real de la variable regionalizada en el dominio, con valores relativamente cercanos a
los obtenidos realmente. La gran deficiencia se observa al evaluar la continuidad, representada
por los ndices de acierto del signo y cambio de este a lo largo del periodo 2006, siendo para
ambos casos de un 73% y un 43% respectivamente.
Para el nivel de tolerancia de valores correctamente pronosticados, su efectividad alcanza
al 54,5% de los casos, no presentando mayor diferencia en pronosticar utilizando una u otra
poblacin, pues las caractersticas de la curva obtenida son similares para ambos casos.
Los resultados obtenidos con el anlisis de desviaciones estndar indican que la
prediccin de la variabilidad promedio del ao se prev de forma muy acertada, con un
porcentaje cercano al 10% por debajo de la realidad, lo cual en comparacin con los resultados de
los mtodos 1 y 2, resulta ser un acierto en la forma de pronosticar la variabilidad real de
alimentacin a planta.
En este caso se observa una deficiencia operacional, ya que la elaboracin de mltiples
simulaciones condicionales requiere de tiempos prolongados en la ejecucin de softwares,
adems de la imperante necesidad de contar con profesionales con conocimientos en
Geoestadstica. Otro aspecto que atenta contra el ahorro de tiempo es la escasa posibilidad de
contar con estimaciones mediante simulaciones condicionales desarrolladas con anterioridad,
algo que no sucede con las estimaciones mediante Kriging, las cuales en general se encuentran a
disposicin en la faenas mineras.
72
8.5.- Ejercicio de Extraccin

A continuacin se realizara un ejercicio de extraccin en donde se pretende reflejar de una
manera diferente a lo anteriormente realizado. Este ejercicio consiste en tomar un bloque de
forma aleatoria por cada fase, ponderndolo por la proporcin mensual correspondiente
(proporcin medida en funcin al rea de influencia del sector extrado).
El nimo de realizar este ejercicio es reproducir de mejor forma lo que sera una
extraccin real, donde generalmente los bloques seleccionados estn uno al lado del otro,
asemejndose el valor de sus leyes, el extraer un bloque de cada fase entregara una estimacin de
lo que sera esta situacin.
Esta prueba se realizar sobre los mtodos mejor evaluados anteriormente, en donde
destaca el nmero dos, estimacin mediante Kriging, por su capacidad de predecir de forma
aceptable los cambios de intensidad y signo de las pendientes. El otro mtodo que destaca es el
numero tres, estimacin mediante simulaciones condicionales, en donde el promedio de las
desviaciones estndar es muy similar a lo sucedido en la realidad.
8.5.1.- Ejercicio de Extraccin: Mtodo 2

El anlisis de variabilidad se realizara utilizando las desviaciones estndar mensuales, las
que se expondrn grficamente. Se sometern a prueba las estimaciones realizadas con los
sondajes LBXP e Infill.
LBXP:
Kriging LBXP
Desviacion
0,24
0,20
0,16
0,12
0,08
0,04
0,00
Media Real
Media Simulacin
Diferencia (S - R)
0,118
0,122
+0,004
+3,35%
Meses
Real
Kriging
Grfico 8.31.- Desviacin Estndar v/s Mes Kriging LBXP
73
Infill:
Kriging Infill
Desviacion
0,24
0,20
0,16
0,12
0,08
0,04
0,00
Media Real
Media Simulacin
Diferencia (S - R)
0,118
0,123
+0,006
+4,90%
Meses
Real
Kriging
Grfico 8.32.- Desviacin Estndar v/s Mes Kriging Infill
8.5.2.- Ejercicio de Extraccin: Mtodo 3

El anlisis de este mtodo se realizara d la misma forma que en el mtodo nmero dos,
vale decir, de forma grafica, utilizando las desviaciones estndar y diferenciando el cao de
estimacin con el uso de sondajes LBXP e Infill.
LBXP:
Desviacion

0,28
0,24
0,20
0,16
0,12
0,08
0,04
0,00
Media Real
Media Simulacin
Diferencia (S - R)
0,118
0,197
+0,079
+67,46%
Meses
Real
Media
Grfico 8.33.- Desviacin Estndar v/s Mes Simulacin Condicional LBXP
74
Infill:
Desviacion
0,24
0,20
0,16
0,12
0,08
0,04
0,00
Media Real
Media Simulacin
Diferencia (S - R)
0,118
0,211
+0,093
+79,04%
Meses
Real
Media
Grfico 8.34.- Desviacin Estndar v/s Mes Simulacin Condicional Infill
8.5.3.- Conclusiones de Ejercicio de Extraccin

A diferencia del anlisis realizado en primera instancia, propuesta de extraccin por
Monte Carlo y por muestreo aleatorio sin reemplazo, en este caso no se desea pronosticar los
cambios que sufrir la variabilidad mes a mes, representado por los cambios de pendientes, si no
que se desea saber si alguno de los mtodos propuestos es capaz de reproducir la variabilidad real
mediante el uso de desviaciones estndar, para lo cual se desarrollo un ejercicio de extraccin que
represente de mejor forma la realidad.
El ejercicio ejecutado deja al descubierto las propiedades de suavizamiento de Kriging y
de representacin de la variabilidad real de las Simulaciones Condicionales, pues se observa
como este procedimiento de extraccin aumenta la variabilidad, haciendo que la estimacin
mediante Kriging este muy prximo a lo sucedido con la realidad, mientras que el uso de
simulaciones condicionales hace que la variabilidad sea extremadamente superior.
En este caso se recomienda utilizar la estimacin mediante Kriging y el posterior ejercicio
de extraccin propuesto, ya que de esta forma se representara de mejor forma el promedio de
variabilidad anual, con una desviacin menor al 5%.
75
9.- Conclusiones Generales y Recomendaciones

La opcin de trabajar en dos frentes, uno que intenta determinar la variabilidad de ley de
envo a planta mediante el uso de sondajes de exploracin LBXP y el otro que lo intenta con el
uso de sondajes de produccin Infill, da la posibilidad de enfrentar este problema en dos
circunstancias, cuando se est en el diseo del proyecto y no se cuenta con un gran numero de
muestras y en el momento que se est en la etapa de produccin y se cuenta con un mayor
numero de sondajes ubicados en sitios de real inters en el mediano corto plazo.
El diseo de las simulaciones de forma aleatoria plantea la posibilidad de realizar un
rpido pronstico de la variabilidad, sin la necesidad de contar con la secuencia exacta de
extraccin de los bloques, entregando una flexibilidad en el trabajo que puede derivar en el
planteamiento de mltiples escenarios y de ah sacar conclusiones ms concretas.
Confiabilidad Real
LBXP
Infill
Monte Carlo
36,4%
27,3%
Kriging
45,5%
54,5%
Simulaciones
54,5%
54,5%
Tabla 9.1.- Confiabilidad Real
Una simple comparacin entre la confiabilidad real de los modelos da cuenta la

sorprendente semejanza entre los pronsticos realizado con sondajes LBXP e Infill, pues se
espera que el ultimo, al contar con un mayor numero de muestras, debera ser capaz de predecir
mejor la variabilidad que la poblacin LBXP. Si se observa una clara diferencia en los resultados
de la simulacin por Monte Carlo en comparacin con Kriging y Simulaciones Condicionales, ya
que con Monte Carlo la confiabilidad no alcanza valores importantes, por lo tanto puede ser de
utilidad en etapas muy tempranas del proyecto en donde se desea tener una idea general.
Los resultados obtenidos con Kriging y Simulaciones Condicionales presentan una escasa
diferencia en los valores de confiabilidad, pero la continuidad a lo largo de extensos periodos de
tiempo es notablemente superior utilizando Kriging.
Signo de
Pendiente
54,5%
90,9%
73%
73%
Aciertos
Kriging
Simulaciones
Condicionales
LBXP
Infill
LBXP
Infill
Cambio de
Pendiente
28,6%
100%
43%
43%
Tabla 9.2.- ndices de Continuidad
Es posible advertir en todos los mtodos que las mejores predicciones se logran entre los
meses de Marzo a Septiembre, ocurriendo lo contrario en los tramos de Enero Marzo y
Septiembre Diciembre. El ms seguro responsable de estos resultados es la regularidad de la
curva real, en donde los grandes cambios en la varianza ocurridos al inicio y al trmino del
periodo no son predichos por ningn mtodo. Lo que lleva a la conclusin que las tcnicas son
bastante asertivas para periodos de baja variabilidad, pero queda la incgnita si la deficiencia en
76
la prediccin de grandes variabilidades se debe a la regularidad de la curva real o a la calidad de

los datos con que se cuenta.
En cuanto al anlisis de desviaciones estndar, se observa claramente las falencias y
cualidades de los mtodos de estimacin propuestos, donde la Correccin Affine da una
estimacin demasiado global de lo que ser la realidad, entregando un valor promedio de
variabilidad por debajo del real en casi un 30%, lo que no puede dejar de ser tomado en cuenta a
la hora de utilizar este mtodo como pronosticador de la variabilidad de ley. El pronstico de
variabilidad utilizando la estimacin mediante Kriging se encuentra muy por debajo de lo real,
aproximadamente un 50%, lo cual es coherente con la propiedad de suavizamiento, pero no
resulta til a la hora de pronosticar un valor real. Finalmente el pronstico realizado utilizando
Simulaciones Condicionales resulta ser el que mejor se aproxima a la realidad, con un promedio
de desviaciones estndar por debajo en un 10% aproximadamente. Este ltimo resultado es
bastante alentador si se decide utilizar este mtodo para pronosticar la variabilidad real.
Mtodo
1
2
3
Campaa
LBXP
Infill
LBXP
Infill
LBXP
Infill
Desviacin Estndar
0,072
0,090
0,064
0,064
0,104
0,104
Desviacin c/r al Valor Real

-39,70%
-23,81%
-45,86%
-45,67%
-11,18%
-11,29%
Grfico 9.3.- Resumen de Desviaciones Estndar
El anlisis realizado en base al ejercicio de extraccin arrojo que la estimacin mediante

Simulaciones Condicionales se aleja de forma considerable del valor real, perdiendo toda
posibilidad de ser aplicado, pues la desviacin sobrepasa el 60%, lo cual lo deja en similares
condiciones a lo predicho mediante el uso de la Correccin Affine, pero con la dificultad extra de
tener que disear y ejecutar simulaciones. El ejercicio aplicado a la estimacin mediante Kriging
entrega resultados mucho mas satisfactorios, pues la desviacin es de apenas un 5% superior a lo
obtenido en la realidad, posicionndolo al mismo nivel de lo que fue la extraccin mediante
muestreo simple sin reemplazo utilizando la estimacin obtenida desde la Simulacin
Condicional, con la ventaja de ser un mtodo que utiliza Kriging que es de construccin ms
sencilla.
Mtodo
2
3
Campaa
LBXP
Infill
LBXP
Infill
Desviacin Estndar
0,122
0,123
0,197
0,211
Desviacin c/r al Valor Real

+3,35%
+4,90%
+67,46%
+79,04%
Grfico 9.4.- Resuman de Desviaciones Estndar Ejercicio de Extraccin
En el mbito operacional, queda claro que el mtodo que utiliza Kriging sale favorecido
por que existe una alta probabilidad de que cualquier faena cuente con un modelo de bloques
generado de esta forma, lo que ahorra mucho tiempo de anlisis y trabajo con softwares, esto es
diametralmente opuesto al utilizar Simulaciones Condicionales ya que estas no abundan, por lo
77
cual es necesario construirlas requiriendo mayores recursos en tiempo, programas especializados

y profesionales encargados de realizarlas.
Entre las recomendaciones se advierte la necesidad de poseer un grado aceptable de
experiencia en el trabajo de estimaciones, pues un acertado anlisis variogrfico podra derivar en
una mejor determinacin de la variabilidad de la ley en los dominios a simular. Tambin es
recomendable generar varias simulaciones de extraccin, para as tener multiples escenarios de
anlisis que facilitaran la toma de decisiones.
Finalmente se observa que el mtodo nmero uno no entrega valores que puedan
considerarse concluyentes en la determinacin de la variabilidad, por lo que esta opcin queda
limitada a anlisis iniciales de un proyecto. Los mtodos dos y tres entregan un amplio espectro
de anlisis, esto por que el mtodo que utiliza estimaciones mediante Kriging reproduce de
manera optima la forma de la variabilidad mes a mes, pero no logra pronosticar los valores reales,
esto por su propiedad de suavizamiento, en cambio el mtodo que utiliza Simulaciones
Condicionales logra reflejar un valor aproximado de la variabilidad real, pero no la forma de la
curva. Posteriormente con el ejercicio de extraccin realizado, se observa como el uso de Kriging
logra manifestar el valor de la variabilidad real de una manera bastante aceptable, mientras que
las Simulaciones Condicionales entregan resultados que se desvan notoriamente de la realidad.
Todo lo anterior lleva a la conclusin que la mejor forma de determinar la variabilidad real de
alimentacin a planta es mediante el uso combinado del mtodo dos y tres, ingresando mltiples
formas de extraccin para as obtener diferentes escenarios y observar que tan distintos son el uno
del otro.
78
Anexos
79
A.- Estudio Exploratorio

En el presente capitulo se expondrn los diferentes estudios exploratorios, realizados con
ayuda de los Software Isatis, GSLIB y Excel, para las distintas poblaciones seleccionadas. Cada
estudio contara con un mapa de ubicacin, el grafico Declus que ayudara a escoger el tamao de
celda adecuado para realizar el desagrupamiento correspondiente a poblacin, finalizando con un
histograma desagrupado.
A.1.- Donoso Este LBXP

Brecha Fantasma (50)
Ilustracin A.1.- Ubicacin de Muestras
Media Desagrupada
Declus Donoso Este

Bx. Fantasma LBXP
0.92
0.9
0.88
0.86
0.84
0.82
0.8
0.78
0
100
200
300
Tamao de Celda [m]
Grfico A.1.- Declus
80
400
500
Media
0.798
Varianza
0.410
Desviacion 0.641
4.
10
3.
69
0.0
3.
28
0.2
2.
87
10
2.
46
0.4
2.
05
0.6
20
1.
64
30
1.
23
0.8
0.
82
1.0
40
0.
41
50
0.
00
Frecuencia
Histograma Donoso Este Bx.Fantasma LBXP

Compositos 15 Metros
FrecuenciaClase % acumulado
Grfico A.2.- Histograma Desagrupado
QMZ (60)
X (m)
101100 101200 101300 101400
100400
100300
100300
100200
100200
100100
100100
100000
100000
99900
99900
99800
99800
Y (m)
Y (m)
VAR_4
100400
101100 101200 101300 101400

X (m)
Media Desagrupada
Declus Donoso Este

QMZ LBXP
0.9
0.88
0.86
0.84
0.82
0.8
0.78
0.76
0.74
0
100
200
300
Tamao de Celda [m]
Grfico A.3.- Declus
81
400
500
200
1.0
150
0.8
0.6
100
0.4
Media
0.666
Varianza
0.333
Desviacion 0.577
A.2.- Infiernillo Fase IV LBXP

Brecha Occidente (10)
X (m)
100500 100600 100700 100800
VAR_4
99700
99600
99600
99500
99500
99400
99400
99300
99300
99200
99200
99100
99100
Y (m)
Y (m)
99700
100500 100600 100700 100800

X (m)
82
5.
00
4.
50
4.
00
3.
50
3.
00
2.
50
2.
00
1.
50
0.0
1.
00
0.2
0.
50
50
0.
00
Frecuencia
Histograma Donoso Este QMZ LBXP

Compositos 15 metros
Declus Infiernillo Fase IV

Bx. Occidente LBXP
Media Desagrupada
0.94
0.92
0.9
0.88
0.86
0.84
0.82
0
100
200
300
400
500
Tamao de Celda [m]
Grfico A.5.- Declus
Media
0.832
Varianza
0.234
Desviacion 0.483
2.
70
2.
43
0.0
2.
16
0.2
1.
89
1.
62
0.4
1.
35
0.6
10
1.
08
15
0.
81
0.8
0.
54
1.0
20
0.
27
25
0.
00
Frecuencia
Histograma Infiernillo Fase IV Bx.Occidente LBXP

Compositos 15 metros
Brecha Central (35)

X (m)
99700
100550 100600 100650 100700 100750 100800
99700
99650
99650
99600
99600
99550
99550
99500
99500
100550 100600 100650 100700 100750 100800

X (m)
83
Y (m)
Y (m)
VAR_4

Bx. Central LBXP
Media Desagrupada
1.16
1.14
1.12
1.1
1.08
1.06
1.04
1.02
0
100
200
300
400
500
Tamao de Celda [m]
Grfico A.7.- Declus
20
1.0
15
0.8
0.6
10
0.4
Media
1.036
Varianza
1.052
Desviacion 1.026
5.
81
5.
23
4.
65
4.
07
3.
49
2.
91
2.
32
0.0
1.
74
0
1.
16
0.2
0.
58
0.
00
Frecuencia
Histograma Infiernillo Fase IV Bx. Central LBXP


X (m)
100500
100600
100700
100800
VAR_4
99600
99500
99500
99400
99400
99300
99300
Y (m)
Y (m)
99600
99200
99200
100500
100600
100700
100800
X (m)
Grfico A.9.- Ubicacin de Muestras
84

Bx. Fantasma LBXP
Media Desagrupada
1.15
1.1
1.05
1
0.95
0.9
0
100
200
300
400
500
Tamao de Celda [m]
Grfico A.10.- Declus
30
25
20
15
10
5
0
1.0
0.8
0.6
0.4
0.2
Media
0.398
Varianza
0.515
Desviacion 0.718
4.
95
4.
45
3.
96
3.
46
2.
97
2.
47
1.
98
1.
48
0.
99
0.0
0.
49
0.
00
Frecuencia
Histograma Infiernillo Fase IV Bx.Fantasma LBXP

QMZ (60)
99700
99600
99600
99500
99500
99400
99400
99300
99300
99200
99200
99100
99100
99000
99000
100200 100300 100400 100500 100600 100700 100800

X (m)
85
Y (m)
Y (m)
X (m)
100200 100300 100400 100500 100600 100700 100800
99700
VAR_4
Media Desagrupada

QMZ LBXP
0.72
0.71
0.70
0.69
0.68
0.67
0.66
0
100
200
300
400
500
Tamao de Celda [m]
Histograma Infiernillo Fase IV QMZ LBXP

Frecuencia
200
1.0
0.8
0.6
0.4
0.2
0.0
150
100
50
Media
0.628
Varianza
0.444
Desviacion 0.666
Clase
Frecuencia
% acumulado
86
5.
00
4.
50
4.
00
3.
50
3.
00
2.
50
2.
00
1.
50
1.
00
0.
50
0.
00
A.3.- Donoso Este Infill

X (m)
101100 101200 101300 101400
100400
100400
100300
100300
100200
100200
100100
100100
100000
100000
99900
99900
99800
99800
Y (m)
Y (m)
VAR_4
101100 101200 101300 101400

X (m)
Media Desagrupada
Declus Donoso Este

Bx Fantasma Infill
0.94
0.92
0.9
0.88
0.86
0.84
0.82
0.8
0
100
200
300
Tamao de Celda [m]
87
400
500
60
50
40
30
20
10
0
1.0
0.8
0.6
0.4
0.2
Media
0.813
Varianza
0.313
Desviacion 0.559
3.
30
2.
97
2.
64
2.
31
1.
98
1.
65
1.
32
0.
66
0.
99
0.0
0.
33
0.
00
Frecuencia
Histograma Donoso Este Bx.Fantasma Infill

QMZ (60)
X (m)
101100 101200 101300 101400 101500
100400
100300
100300
100200
100200
100100
100100
100000
100000
99900
99900
99800
99800
Y (m)
Y (m)
VAR_4
100400
101100 101200 101300 101400 101500

X (m)
Media Desagrupada
Declus Donoso Este

QMZ Infill
0.95
0.9
0.85
0.8
0.75
0.7
0.65
0
100
200
300
Tamao de Celda [m]
88
400
500
Media
0.708
Varianza
0.789
Desviacion 0.888
A.4.- Infiernillo Fase IV Infill

X (m)
100500
100600
100700
100800
VAR_4
99700
99700
99600
99500
99500
99400
99400
99300
99300
99200
99200
Y (m)
Y (m)
99600
100500
100600
100700
100800
X (m)
Ilustracin A.8 .- Ubicacin de Muestras
89
5.
50
0.0
4.
95
0
4.
40
0.2
3.
85
0.4
100
3.
30
200
2.
75
0.6
2.
20
0.8
300
1.
65
400
1.
10
1.0
0.
55
500
0.
00
Frecuencia
Histograma Donoso Este QMZ Infill

Media Desagrupada

BX Occidente Infill
1.01
1
0.99
0.98
0.97
0.96
0.95
0.94
0.93
0.92
0
100
200
300
400
500
Tamao de Celda [m]
160
140
120
100
80
60
40
20
0
1.0
0.8
0.6
0.4
0.2
Media
0.932
Varianza
0.699
Desviacion 0.836
5.
00
4.
50
4.
00
3.
50
3.
00
2.
50
2.
00
1.
50
1.
00
0.0
0.
50
0.
00
Frecuencia
Histograma Infiernillo Fase 4 Bx.Occidente Infill

Brecha Central (35)

X (m)
100400
100500
99700
100600
100700
100800
99700
VAR_4
99600
99500
99500
99400
99400
Y (m)
Y (m)
99600
100400
100500
100600
100700
100800
X (m)
90
Declus Infiernillo fase IV

Bx. Central Infill
Media Desagrupada
1.13
1.12
1.11
1.1
1.09
1.08
1.07
1.06
0
100
200
300
400
500
Tamao de Celda [m]
Media
1.028
Varianza
0.535
Desviacion 0.731
4.
20
3.
78
0.0
3.
36
0.2
0
2.
94
10
2.
52
0.4
2.
10
0.6
20
1.
68
30
1.
26
0.8
0.
84
1.0
40
0.
42
50
0.
00
Frecuencia
Histograma Infiernillo Fase IV Bx.Central Infill


X (m)
100200 100300 100400 100500 100600 100700 100800
VAR_4
99700
99600
99600
99500
99500
99400
99400
99300
99300
99200
99200
99100
99100
99000
99000
100200 100300 100400 100500 100600 100700 100800

X (m)
91
Y (m)
Y (m)
99700
Media Desagrupada

Bx. Fantasma Infill
1.02
1.01
1
0.99
0.98
0.97
0.96
0.95
0.94
0.93
0
100
200
300
400
500
Tamao de Celda [m]
200
1.0
150
0.8
0.6
100
0.4
Media
0.935
Varianza
2.082
Desviacion 1.443
5.
00
4.
50
4.
00
3.
50
3.
00
2.
50
2.
00
1.
50
0.0
1.
00
0.2
0.
50
50
0.
00
Frecuencia
Histograma Infiernillo Fase IV Bx.Fantasma Infill

Frecuencia
Clase % acumulado
QMZ (60)
X (m)
100200 100300 100400 100500 100600 100700 100800
VAR_4
99700
99600
99600
99500
99500
99400
99400
99300
99300
99200
99200
99100
99100
99000
99000
100200 100300 100400 100500 100600 100700 100800

X (m)
92
Y (m)
Y (m)
99700

QMZ Infill
Media Desagrupada
0.79
0.78
0.77
0.76
0.75
0.74
0.73
0
100
200
300
400
500
Tamao de Celda [m]
700
600
500
400
300
200
100
0
1.0
0.8
0.6
0.4
0.2
Media
0.645
Varianza
0.721
Desviacion 0.849
93
5.
00
4.
50
4.
00
3.
50
3.
00
2.
50
2.
00
1.
50
1.
00
0.0
0.
50
0.
00
Frecuencia
Histograma Infiernillo Fase IV QMZ Infill

B.- Correccin Affine

A continuacin se ensearn los grficos obtenidos de la correccin Affine, la cual se
aplico a las diferentes poblaciones donde los datos fueron previamente corregidos mediante el
desagrupamiento. Se utilizaron los Software GSLIB y Excel.
B.1.- Donoso Este LBXP

4.
00
3.
60
3.
20
2.
80
2.
40
2.
00
0.
80
0.
40
1.
60
1.0
0.8
0.6
0.4
0.2
0.0
1.
20
50
40
30
20
10
0
0.
00
Frecuencia
Histograma Donoso Este Bx.Fantasma LBXP

Affine
Clase
Media
0.798
Varianza
0.384
Desviacion 0.620
Frecuencia
% acumulado
Grfico B.1.- Correccin Affine
QMZ (60)
Frecuencia
Histograma Donoso Este QMZ LBXP

Affine
200
1.0
0.8
0.6
0.4
0.2
0.0
150
100
50
Media
0.666
Varianza
0.327
Desviacion 0.572
Clase
Frecuencia
% acumulado
94
5.
00
4.
50
4.
00
3.
50
3.
00
2.
50
2.
00
1.
50
1.
00
0.
50
0.
00
B.2.- Infiernillo Fase IV LBXP

2.
70
2.
43
2.
16
1.
89
1.
62
1.
35
1.
08
0.
81
0.
54
1.0
0.8
0.6
0.4
0.2
0.0
0.
27
25
20
15
10
5
0
0.
00
Frecuencia
Histograma Infiernillo Fase 4 Bx.Occidente LBXP

Affine
Clase
Media
0.832
Varianza
0.227
Desviacion 0.476
Frecuencia
% acumulado
Brecha Central (35)

Histograma Infiernillo Fase 4 Bx. Central LBXP
Affine
Frecuencia
20
1.0
0.8
0.6
0.4
0.2
0.0
15
10
5
Media
1.036
Varianza
1.010
Desviacion 1.005
Clase
Frecuencia
% acumulado
95
6.
64
5.
98
5.
31
4.
65
3.
98
3.
32
2.
66
1.
99
1.
33
0.
66
0.
00
Brecha Fantasmas (50)
5.
36
4.
82
4.
29
3.
75
3.
22
2.
68
2.
14
1.
07
1.
61
1.0
0.8
0.6
0.4
0.2
0.0
0.
54
35
30
25
20
15
10
5
0
0.
00
Frecuencia
Histograma Infiernillo Fase 4 Bx. Fantasma LBXP

Affine
Clase
Media
0.398
Varianza
0.504
Desviacion 0.710
Frecuencia
% acumulado
QMZ (60)
Histograma Infiernillo Fase 4 QMZ LBXP
Affine
Frecuencia
200
1.0
0.8
0.6
0.4
0.2
0.0
150
100
50
Media
0.628
Varianza
0.421
Desviacion 0.649
Clase
Frecuencia
% acumulado
96
5.
00
4.
50
4.
00
3.
50
3.
00
2.
50
2.
00
1.
50
1.
00
0.
50
0.
00
B.3.- Donoso Este Infill
3.
10
2.
79
2.
48
2.
17
1.
86
1.
55
1.
24
0.
62
0.
93
1.0
0.8
0.6
0.4
0.2
0.0
0.
31
60
50
40
30
20
10
0
0.
00
Frecuencia
Histograma Donoso Este Bx.Fantasma Infill

Affine
Clase
Media
0.813
Varianza
0.281
Desviacion 0.530
Frecuencia
% acumulado
QMZ (60)
Media
0.708
Varianza
0.773
Desviacion 0.879
Clase
Frecuencia
% acumulado
97
5.
50
4.
95
4.
40
3.
85
3.
30
2.
75
2.
20
1.
65
1.
10
1.0
0.8
0.6
0.4
0.2
0.0
0.
55
500
400
300
200
100
0
0.
00
Frecuencia
Histograma Donoso Este QMZ Infill

Affine
B.4.- Infiernillo Fase IV Infill

Histograma Infiernillo Fase 4 Bx. Occidente
Affine
Frecuencia
200
1.0
0.8
0.6
0.4
0.2
0.0
150
100
50
5.
00
4.
50
4.
00
3.
50
3.
00
2.
50
2.
00
1.
50
1.
00
0.
50
0.
00
Clase
Media
0.932
Varianza
0.626
Desviacion 0.791
Frecuencia
% acumulado
Brecha Central (35)
Media
1.028
Varianza
0.520
Desviacion 0.721
Clase
Frecuencia
% acumulado
98
4.
20
3.
78
3.
36
2.
94
2.
52
2.
10
1.
68
1.
26
0.
84
1.0
0.8
0.6
0.4
0.2
0.0
0.
42
50
40
30
20
10
0
0.
00
Frecuencia
Histograma Infiernillo Fase 4 Bx.Central Infill

Affine

Histograma Infiernillo Fase 4 Bx.Fantasma Infill
Affine
Frecuencia
200
1.0
0.8
0.6
0.4
0.2
0.0
150
100
50
5.
00
4.
50
4.
00
3.
50
3.
00
2.
50
2.
00
1.
50
1.
00
0.
50
0.
00
Clase
Media
0.935
Varianza
1.932
Desviacion 1.390
Frecuencia
% acumulado
QMZ (60)
Media
0.645
Varianza
0.639
Desviacion 0.800
Clase
Frecuencia
% acumulado
99
5.
00
4.
50
4.
00
3.
50
3.
00
2.
50
2.
00
1.
50
1.
00
1.0
0.8
0.6
0.4
0.2
0.0
0.
50
700
600
500
400
300
200
100
0
0.
00
Frecuencia
Histograma Infiernillo Fase 4 QMZ Infill

Affine
C.- Anlisis Variogrfico

El anlisis variogrfico presentara los variogramas experimentales con su respectivo
variograma modelado, ecuacin incluida, junto a la validacin cruzada de cada poblacin
seleccionada. Anlisis realizado con el uso de Software Isatis.
C.1.- Donoso Este LBXP

Distance (m)
100
150
Distance (m)
200
250
N0
0.15
0.20
0.20
0.15
0.10
D-90
0.05
50
100
150
200
250
0.10
100
150
200
250
0.25
N0
0.15
0.10
0.05
0.05
0.00
0.00
D-90
50
100
150
200
250
Grfico C.1.- Variogramas Experimental y Modelado
(h) = 0,01 + 0,1 esf (160,160,55) + 0,08 esf (180,180,58) + 0,04 esf (280,280,)
X (m)
101200
101300
101400
Z* : VAR_4 (Estimates)
100200
100200
100000
99900
99900
99800
101200
101300
99800
101100
101400
0.25 0.50 0.75 1.00 1.25 1.50 1.75

rho = 0.062
0.15
0.05
0.05
0.00
0.00
-5
-5
0.25 0.50 0.75 1.00 1.25 1.50 1.75
(Z*-Z)/S*
Grfico C.2.- Validacin Cruzada
100
(Z*-Z)/S*
0.10
Frequencies
0.10
-5
5
Nb Samples: 130
Minimum:
-5.80153
Maximum:
2.61482
Mean:
0.0332538
Std. Dev.: 1.16046
0.15
(Z*-Z)/S*
-5
0
0
X (m)
Z : VAR_4 (True value)
100000
Y (m)
100100
rho = 0.698
100100
0.10
0.05
Distance (m)
101100
0.20
0.15
Distance (m)
Y (m)
Frequencies
0.00
0.25
50
0.00
Variogram : VAR_4
0.20
0.25
Variogram : VAR_4
Variogram : VAR_4
0.25
Variogram : VAR_4
50
(Z*-Z)/S*
QMZ (60)
Distance (m)
150
Distance (m)
200
250
0.6
0.5
0.5
D-90
0.4
0.4
0.3
0.3
N0
0.2
0.2
0.1
50
100
150
200
250
100
150
0.5
0.4
0.4
0.3
0.3
N0
0.2
0.2
0.1
0.1
0.1
0.0
0.0
50
100
150
200
Distance (m)
(h) = 0,01 + 0,165 esf (50,50,50) + 0,4 exp (,,200)

X (m)
101100 101200 101300 101400
100400
100300
100300
100200
100200
100100
100100
0
100000
99900
99900
99800
Y (m)
100000
3
3
rho = 0.692
99800
101100 101200 101300 101400
0
0
X (m)
(Z*-Z)/S*
0
5
Nb Samples: 413
Minimum:
-5.50165
Maximum:
3.72572
Mean:
0.00277529
Std. Dev.: 1.0056
0.20
rho = 0.129
5
0.20
0.10
0.10
0.05
0.05
-5
0.00
-5
(Z*-Z)/S*
1
101
(Z*-Z)/S*
0.15
Frequencies
0.15
-5
100400
-5
250
D-90
0.00
200
0.6
Distance (m)
Y (m)
Frequencies
0.0
50
250
0.0
Variogram : VAR_4
0.5
0.6
Variogram : VAR_4
Variogram : VAR_4
0.6
Variogram : VAR_4
100
50
(Z*-Z)/S*
C.2.- Infiernillo Fase IV LBXP

Distance (m)
Distance (m)
150
0.6
0.5
0.5
D-90
0.4
0.4
0.3
0.3
N0
0.2
0.2
0.1
50
100
150
100
0.5
D-90
0.4
0.4
0.3
0.3
N0
0.2
0.1
0.1
0.0
0.0
50
100
(h) = 0,001 + 0,17 esf (120,120,65) + 0,45 esf (,,70)

X (m)
100500 100600 100700 100800
99700
99600
99600
0
rho = 0.440
99400
99400
99300
99300
99200
99200
99100
99100
0
100500 100600 100700 100800
0
0
X (m)
0.20
0.10
0.05
0.05
0.00
-5
-5
(Z*-Z)/S*
1
102
(Z*-Z)/S*
0.10
Frequencies
0.15
1
rho = 0.398
0.15
-5
5
Nb Samples: 113
Minimum:
-6.94722
Maximum:
6.75767
Mean:
0.0140362
Std. Dev.: 1.47422
0.20
1
(Z*-Z)/S*
-5
0.00
99500
Y (m)
99500
0.2
0.1
Distance (m)
99700
150
0.6
Distance (m)
Y (m)
Frequencies
0.0
50
150
0.0
Variogram : VAR_4
0.5
0.6
Variogram : VAR_4
Variogram : VAR_4
0.6
Variogram : VAR_4
100
50
(Z*-Z)/S*
Brecha Central (35)

Distance (m)
Distance (m)
0
10
20
30
40
50
60
70
80
90 100
0.10
0.05
N0
0.05
30
40
50
60
70
80
40
50
60
0.10
0.05
N0
0.05
10
20
30
40
50
60
Distance (m)
(h) = 0,045 + 0,05 esf (60, 60, 60)

0.25
0.50
0.75
1.00
1.25
1.50
1.75
rho = 0.435
100600
100700
100800
99700
99650
99600
99600
99550
99550
99500
99500
100400
100500
100600
100700
Y (m)
99650
1.75
1.75
1.50
1.50
1.25
1.25
1.00
1.00
0.75
0.75
0.50
0.50
0.25
0.25
100800
0.50
X (m)
-2
-1
1.25
1.50
0.50
0.75
1.00
1.25
1.50
0.100
0.050
0.025
0.025
-1
-1
-2
-2
-3
-2
-1
0.000
-3
0.50
(Z*-Z)/S*
0.75
1.00
1.25
1.50
103
1.75
(Z*-Z)/S*
0.050
Frequencies
0.075
-3
1.75
rho = 0.321
0.075
0.000
0.25
1.75
1
Nb Samples: 47
Minimum:
-3.04134
Maximum:
2.67335
Mean:
-0.017191
Std. Dev.: 1.14006
0.100
1.00
(Z*-Z)/S*
-3
0.75
X (m)
100500
90 100
D-90
100400
80
0.15
Distance (m)
99700
70
0.10
0.00
0.00
90 100
20
(Z*-Z)/S*
10
Y (m)
Frequencies
0.00
Variogram : VAR_4
D-90
30
70
80
90 100
0.00
Variogram : VAR_4
0.10
20
0.15
0.15
Variogram : VAR_4
Variogram : VAR_4
0.15
10

Distance (m)
50
100
Distance (m)
150
200
50
100
150
200
0.7
0.7
0.7
0.6
0.6
0.6
0.6
0.5
0.4
0.4
0.3
0.3
D-90
N0
0.5
0.4
0.5
0.4
0.3
0.3
D-90
0.2
0.2
0.2
0.2
0.1
0.1
0.1
0.1
0.0
0.0
100
150
200
50
100
150
Distance (m)
Distance (m)
(h) = 0,005 + 0,33 esf (90, 90, 60) + 0,3 (, , 70)

X (m)
100400 100500 100600 100700 100800
99700
99700
99600
99600
0.5
1.0
1.5
2.0
99400
99400
99300
99300
99200
99200
99100
99100
2.0
2.0
1.5
1.5
1.0
1.0
0.5
0.5
100400 100500 100600 100700 100800
0.5
X (m)
-1
0.25
0.100
0.050
0.025
0.025
0.000
0.000
0.75
1.00
1.25
1.50
1.75
(Z*-Z)/S*
-1
-1
-2
-2
0.25
0.50
0.75
1.00
1.25
1.50
104
1.75
(Z*-Z)/S*
0.050
Frequencies
0.075
-1
0.50
rho = 0.224
0.075
-2
2.0
1
Nb Samples: 112
Minimum:
-2.33919
Maximum:
1.38673
Mean:
0.00498133
Std. Dev.: 0.691455
0.100
1.5
(Z*-Z)/S*
-2
1.0
99500
Y (m)
99500
rho = 0.582
(Z*-Z)/S*
50
Y (m)
Frequencies
0.0
200
0.0
Variogram : VAR_4
N0
0.5
Variogram : VAR_4
0.7
Variogram : VAR_4
Variogram : VAR_4
QMZ (60)
Distance (m)
0
100
Distance (m)
200
300
0.15
D-90
100
200
300
0.15
N0
0.10
0.10
D-90
0.05
0.05
0.00
0.00
0.05
100
200
Distance (m)
Distance (m)
(h) = 0,01+ 0,12 esf (150,150,60) + 0,03 esf (250,250,)

X (m)
99700
99600
99600
99500
99500
99400
99400
99300
99300
99200
99200
99100
99100
Y (m)
99000
99000
0
0
X (m)
0.15
-2
-1
2
0.15
Nb Samples: 500
Minimum:
-4.22802
Maximum:
3.15795
Mean:
0.00413634
Std. Dev.: 0.97646
0.05
0.05
-1
-1
-2
-2
-3
-3
-4
0.00
-5
-4
-3
-2
-1
-5
0.00
(Z*-Z)/S*
-4
0
1
105
-5
(Z*-Z)/S*
0.10
Frequencies
0.10
1
rho = 0.053
(Z*-Z)/S*
-3
(Z*-Z)/S*
-4
100200 100300 100400 100500 100600 100700 100800
-5
1
rho = 0.774
100200 100300 100400 100500 100600 100700 100800

99700
Y (m)
Frequencies
0.00
Variogram : VAR_4
0.10
0.05
300
300
0.00
Variogram : VAR_4
N0
0.10
200
0.15
Variogram : VAR_4
Variogram : VAR_4
0.15
100
C.3.- Donoso Este Infill

Distance (m)
Distance (m)
150
200
250
0.20
0.20
N0
0.15
0.15
0.10
0.10
D-90
0.05
50
100
150
200
250
50
100
150
200
0.15
0.10
0.10
D-90
0.05
0.00
0.00
0.05
50
100
150
200
Distance (m)
(h) = 0,005 + 0,18 esf (70,70,50) + 0.04 esf (150,150,)

X (m)
101100
101200
101300
101400
100400
100300
100300
0
rho = 0.725
100100
100100
100000
100000
99900
99900
99800
99800
101100
101200
101300
101400
0
0
X (m)
-3
-2
-1
0.100
2
Nb Samples: 236
Minimum:
-4.13029
Maximum:
2.55245
Mean:
0.0204748
Std. Dev.: 0.959484
0.125
(Z*-Z)/S*
-4
0.100
0.050
0.025
0.025
2
4
-1
-1
-2
-2
-3
-3
-4
-4
-3
-2
-1
0.000
(Z*-Z)/S*
-4
0
1
106
(Z*-Z)/S*
0.050
Frequencies
0.075
1
rho = 0.056
0.125
0.075
0.000
100200
Y (m)
100200
0.25
N0
0.15
0.05
100400
250
0.20
Distance (m)
Y (m)
Frequencies
0.00
250
0.00
Variogram : VAR_4
Variogram : VAR_4
Variogram : VAR_4
0.20
0.25
0.25
Variogram : VAR_4
100
50
(Z*-Z)/S*
0.25
QMZ (60)
Distance (m)
Distance (m)
0
50
100
150
200
250
0.2
D-90
0.1
100
150
200
250
200
0.3
0.2
0.2
D-90
0.1
0.0
0.0
0.1
50
100
150
200
Distance (m)
Distance (m)
(h)= 0,01 + 0,25 esf (55,55,30)

X (m)
101100 101200 101300 101400 101500
100400
100300
100300
100200
100200
100100
100100
100000
100000
99900
99900
0
Y (m)
99800
99800
0
0
0.5
0.25
1.0
1.5
2.0
rho = 0.117
5
-5
-5
0.20
0.10
0.10
0.05
0.05
0.00
0.00
0.5
(Z*-Z)/S*
1.0
1.5
107
2.0
(Z*-Z)/S*
0.15
Frequencies
0.15
5
Nb Samples: 987
Minimum:
-6.03277
Maximum:
5.7304
Mean:
0.0231796
Std. Dev.: 1.04593
-5
(Z*-Z)/S*
0.20
X (m)
0.25
101100 101200 101300 101400 101500
rho = 0.600
100400
-5
250
N0
0.1
(Z*-Z)/S*
50
Y (m)
Frequencies
0.0
Variogram : VAR_4
0.2
150
250
0.0
Variogram : VAR_4
N0
100
0.3
0.3
Variogram : VAR_4
Variogram : VAR_4
0.3
50
C.4.- Infiernillo Fase IV Infill

Distance (m)
Distance (m)
0
50
100
150
0.25
0.25
100
150
0.20
0.20
0.15
0.10
0.10
D-90
D-90
0.15
0.10
0.10
N0
0.05
0.05
0.05
0.05
100
0.00
0.00
150
50
100
Distance (m)
Distance (m)
(h)= 0.025 + 0.15 esf (20,20,55) + 0.025 esf (130,130,100)

X (m)
100500
100600
100700
100800
99700
99700
0
99500
99500
Y (m)
99400
99400
99300
99300
99200
rho = 0.631
99600
99200
0
100500
100600
100700
100800
0
0
X (m)
-4
-3
-2
-1
(Z*-Z)/S*
-5
2
0.5
1.0
1.5
2.0
5
0.15
0.15
Nb Samples: 506
Minimum:
-4.31959
Maximum:
3.28922
Mean:
0.0105339
Std. Dev.: 1.04854
0.05
0.05
-1
-1
-2
-2
-3
-3
-4
-5
-4
-3
-2
-1
-4
-5
0.00
-5
0.5
(Z*-Z)/S*
1.0
1.5
2.0
108
(Z*-Z)/S*
0.10
rho = 0.133
Frequencies
0.10
0.00
99600
(Z*-Z)/S*
50
Y (m)
Frequencies
0.00
0.15
150
0.00
Variogram : VAR_4
N0
0.15
Variogram : VAR_4
0.20
Variogram : VAR_4
Variogram : VAR_4
0.20
50
Brecha Central (35)

Distance (m)
Distance (m)
0.20
50
100
150
0.20
50
100
150
0.3
0.10
N0
0.05
Variogram : VAR_4
0.10
D-90
0.2
N0
0.1
0.05
50
100
0.0
0.00
150
0.1
50
100
Distance (m)
Distance (m)
(h)= 0.01 + 0.24 esf (110, 110, 110) + 0.1esf (, , 300)

0.5
1.0
1.5
2.0
2.5
rho = 0.553
2.5
2.5
100700
100800
99700
99700
99600
99600
99500
99500
99400
99400
100400
100500
100600
100700
Y (m)
Y (m)
100600
2.0
2.0
1.5
1.5
1.0
1.0
0.5
0.5
100800
0.5
X (m)
-2
-1
0.5
4
Nb Samples: 148
Minimum:
-3.66554
Maximum:
3.16324
Mean:
0.000432834
Std. Dev.: 1.10824
0.100
2.0
2.5
2
0.100
0.050
0.050
0.025
0.025
1.0
1.5
2.0
4
rho = 0.208
-1
-1
-2
-2
-3
-3
-4
0.000
-4
-3
-2
-1
0.000
-4
0.5
(Z*-Z)/S*
1.0
1.5
109
2.0
(Z*-Z)/S*
0.075
Frequencies
0.075
(Z*-Z)/S*
-3
1.5
(Z*-Z)/S*
-4
1.0
100500
X (m)
100400
Frequencies
0.2
150
0.0
Variogram : VAR_4
D-90
0.00
0.3
0.15
Variogram : VAR_4
Variogram : VAR_4
0.15

Distance (m)
Distance (m)
150
200
250
0.25
0.20
0.20
Variogram : VAR_4
N0
0.15
0.15
0.10
D-90
0.05
50
100
150
200
250
0.10
100
150
0.20
0.15
0.15
0.10
0.05
0.05
0.00
0.00
D-90
50
100
150
(h) = 0.03 + 0.18 esf (110,110,70)

X (m)
100200 100300 100400 100500 100600 100700 100800
99700
99600
99600
0
3
rho = 0.655
99400
99400
99300
99300
99200
99200
99100
99100
99000
99000
100200 100300 100400 100500 100600 100700 100800
0
0
X (m)
-3
0.125
-2
-1
2
0
0.125
Nb Samples: 554
Minimum:
-4.01323
Maximum:
2.84461
Mean:
0.00523097
Std. Dev.: 1.09084
0.100
(Z*-Z)/S*
-4
rho = 0.093
0.100
0.050
0.050
0.025
0.025
-1
-1
-2
-2
-3
-3
-4
-3
-2
-1
0.000
(Z*-Z)/S*
-4
0
1
110
(Z*-Z)/S*
0.075
Frequencies
0.075
-4
99500
Y (m)
99500
0.10
0.05
200
Distance (m)
99700
250
N0
0.000
200
0.25
Distance (m)
Y (m)
0.00
Frequencies
Variogram : VAR_4
0.25
50
250
0.00
Variogram : VAR_4
0.20
0.25
Variogram : VAR_4
100
50
(Z*-Z)/S*
QMZ (60)
Distance (m)
Distance (m)
0
50
100
150
200
250
0.2
D-90
0.1
50
100
150
200
250
200
250
0.3
N0
0.2
0.2
D-90
0.1
0.1
0.0
0.0
0.1
50
100
150
200
250
Distance (m)
Distance (m)
(h) = 0,04 + 0,05 esf (50,50,75) + 0,03 esf (80,80,80) + 0,07 esf (250,250,)
X (m)
100200 100300 100400 100500 100600 100700 100800
99700
99700
99600
99600
0
99400
99300
99300
99200
99200
99100
99100
99000
99000
100200 100300 100400 100500 100600 100700 100800
Nb Samples: 1606
Minimum:
-5.43362
Maximum:
3.54037
Mean:
0.00540514
Std. Dev.: 0.997641
0.20
0.15
0.5
1.5
2.0
-5
-5
0.15
0.05
0.00
0.00
0.5
(Z*-Z)/S*
1.0
1.5
111
2.0
(Z*-Z)/S*
0.05
Frequencies
0.10
1.0
rho = 0.027
0.20
0.10
-5
5
(Z*-Z)/S*
(Z*-Z)/S*
-5
0
0
X (m)
99500
99400
Y (m)
99500
rho = 0.727
Y (m)
Frequencies
0.0
Variogram : VAR_4
0.2
150
0.0
Variogram : VAR_4
N0
100
0.3
0.3
Variogram : VAR_4
Variogram : VAR_4
0.3
50
D.- Estimacin Mediante Kriging

A continuacin se presentara los resultados de la estimacin mediante Kriging Ordinario,
para ello se visualizaran las grillas utilizadas para cada poblacin (12,5 m x 12,5 m, 15 m). El
desarrollo de esta tcnica se realizo con el uso del Software Isatis.
D.1.- Donoso Este LBXP

X (m)
101000 101100 101200 101300 101400 101500
X (m)
3900
3900
3850
3850
3800
3800
3750
3750
101000 101100 101200 101300 101400 101500
100100
100000
100000
99900
99900
99800
99800
101000 101100 101200 101300 101400 101500
101000 101100 101200 101300 101400 101500
X (m)
X (m)
Ilustracin D.1.- Grillas Horizontal y Vertical
X (m)
101000
101100
101300
101400
101500
100200
Kriging Ley CUT
100100
100100
100000
100000
99900
99800
101000
99900
101100
101200
101300
X (m)
101400
99800
101500
Y (m)
Y (m)
100200
101200
1.62
1.52
1.42
1.32
1.22
1.12
1.02
0.92
0.82
0.72
0.62
0.52
0.42
0.32
0.22
0.12
0.02
N/A
Ilustracin D.2.- Estimacin Mediante Kriging Ordinario
112
Z (m)
100100
Z (m)
100200
Y (m)
Y (m)
100200
Kriging Ley CUT

0
0.15
13855
0.01
1.97
0.75
0.31
0.15
0.10
0.10
0.05
0.05
0.00
Frequencies
Frequencies
2
Nb Samples:
Minimum:
Maximum:
Mean:
Std. Dev.:
0.00
Kriging Ley CUT
Grfico D.1.- Histograma Leyes de Kriging
QMZ (60)
X (m)
101000101100101200101300101400101500
100500
100500
100400
100400
100300
100300
100200
100200
100100
100100
100000
100000
99900
99800
99800
Z (m)
3900
3900
3850
3850
3800
3800
3750
3750
101000101100101200101300101400101500
101000 101100 101200 101300 101400 101500
X (m)
X (m)

X (m)
101000 101100 101200 101300 101400
Kriging Ley CUT
100400
100300
100300
100200
100200
100100
100100
100000
100000
Y (m)
Y (m)
100400
99900
99900
99800
101000 101100 101200 101300 101400
99800
X (m)
1.77
1.72
1.68
1.63
1.59
1.54
1.50
1.45
1.41
1.36
1.32
1.27
1.23
1.19
1.14
1.10
1.05
1.01
0.96
0.92
0.87
0.83
0.78
0.74
0.69
0.65
0.60
0.56
0.51
0.47
0.43
0.38
0.34
N/A
Ilustracin D.4.- Estimacin mediante Kriging Ordinario
113
Z (m)
99900
Y (m)
Y (m)
X (m)
101000 101100 101200 101300 101400 101500
Kriging Ley CUT

0
2
Nb Samples:
Minimum:
Maximum:
Mean:
Std. Dev.:
20341
0.05
2.56
0.76
0.27
0.20
0.15
0.15
0.10
0.10
0.05
0.05
0.00
Frequencies
Frequencies
0.20
0.00
Kriging Ley CUT
Grfico D.2- Histograma Leyes de Kriging
D.2.- Infiernillo Fase IV LBXP

X (m)
X (m)
100700
100500
100800
99700
99600
99600
99500
99500
99400
99400
99300
99300
99200
99200
99100
99100
100600
100700
100700
3550
3500
3500
3450
3450
3400
3400
3350
3350
100500
100800
100600
100700
X (m)

X (m)
100500
100600
100700
100800
Kriging ley de Cu
99600
99500
99500
99400
99400
99300
99300
99200
99200
100600
100700
X (m)
99100
100800
Y (m)
99600
99100
100500
1.32
1.28
1.25
1.22
1.19
1.16
1.13
1.10
1.06
1.03
1.00
0.97
0.94
0.91
0.88
0.84
0.81
0.78
0.75
0.72
0.69
0.66
0.62
0.59
0.56
0.53
0.50
0.47
0.44
0.40
0.37
0.34
0.31
N/A
114
100800
3550
X (m)
Y (m)
100500
100600
100800
Z (m)
99700
Z (m)
100600
Y (m)
Y (m)
100500
Kriging ley de Cu
0
0.15
14744
0.00
2.03
0.87
0.28
0.15
0.10
0.10
0.05
0.05
0.00
Frequencies
Frequencies
2
Nb Samples:
Minimum:
Maximum:
Mean:
Std. Dev.:
0.00
Kriging ley de Cu
Grfico D.3.- Histograma leyes de Kriging
Brecha central (35)

X (m)
X (m)
100500
100600
100700
100400
100800
100500
100600
100700
100800
3550
3550
99650
99650
3500
3500
99600
99600
3450
3450
99550
99550
3400
3400
3350
3350
99500
Z (m)
99700
99500
100500
100600
100700
100400
100800
100500
100600
X (m)
X (m)

X (m)
100400
100500
100600
0.96
100700
100800
0.92
0.89
Kriging ley de CUT
0.85
99650
99650
0.82
0.78
0.75
99600
0.71
99600
Y (m)
Y (m)
100400
0.68
0.64
0.60
99550
99550
0.57
0.53
0.50
99500
99500
0.46
0.43
0.39
100400
100500
100600
100700
X (m)
100800
N/A
115
100700
100800
Z (m)
99700
Y (m)
Y (m)
100400
Kriging ley de CUT

0.5
1.0
1.5
0.10
0.10
0.05
0.05
0.00
0.5
1.0
1.5
2.0
Frequencies
Frequencies
0.15
Nb Samples: 6377
2.0
Minimum:
0.39
Maximum: 0.15
1.81
Mean:
1.07
Std. Dev.: 0.27
0.00
Kriging ley de CUT

X (m)
X (m)
100600
100700
100400
100800
99700
99600
99600
99500
99500
99400
99400
99300
99300
99200
99200
99100
99100
100500
100600
100700
100600
3500
3500
3450
3450
3400
3400
3350
3350
100400
100500
100600
X (m)

X (m)
100500
100600
100700
100800
Kriging ley CUT

99600
99500
99500
99400
99400
99300
99300
99200
99200
100400
99100
100500
100600
100700
X (m)
Y (m)
99600
99100
1.22
1.19
1.17
1.14
1.12
1.09
1.07
1.04
1.02
0.99
0.96
0.94
0.91
0.89
0.86
0.84
0.81
0.79
0.76
0.74
0.71
0.69
0.66
0.63
0.61
0.58
0.56
0.53
0.51
0.48
0.46
0.43
0.41
100800
N/A
116
100800
3550
100800
100400
100700
3550
X (m)
Y (m)
100400
100500
100700
100800
Z (m)
99700
Z (m)
100500
Y (m)
Y (m)
100400
Kriging ley CUT

0.5
1.0
2.0
16736
0.22
2.03
0.94
0.26
0.15
0.10
0.10
0.05
0.05
0.00
0.5
1.0
1.5
Frequencies
Frequencies
1.5
Nb Samples:
Minimum:
Maximum:
Mean:
Std. Dev.:
0.15
0.00
2.0
Kriging ley CUT
QMZ (60)
X (m)
X (m)
99600
99600
99500
99500
99400
99400
99300
99300
99200
99200
99100
99100
99000
99000
Z (m)
99700
100200100300100400100500100600100700100800
3550
3550
3500
3500
3450
3450
3400
3400
3350
3350
100200100300100400100500100600100700100800
X (m)
100200100300100400100500100600100700100800
X (m)

X (m)
99700
100300 100400 100500 100600 100700 100800

99700
Kriging Ley CUT
99600
99500
99500
99400
99400
99300
99300
99200
99200
99100
99100
99000
99000
100300 100400 100500 100600 100700 100800
Y (m)
Y (m)
99600
X (m)
1.37
1.33
1.29
1.26
1.22
1.18
1.14
1.10
1.06
1.02
0.98
0.94
0.90
0.86
0.82
0.78
0.74
0.70
0.66
0.62
0.58
0.54
0.50
0.46
0.42
0.38
0.34
0.30
0.27
0.23
0.19
0.15
0.11
N/A
117
Z (m)
99700
Y (m)
Y (m)
100200100300100400100500100600100700100800
Kriging Ley CUT

0
2
Nb Samples:
Minimum:
Maximum:
Mean:
Std. Dev.:
0.15
31487
0.08
2.19
0.70
0.28
0.10
0.10
0.05
0.05
0.00
Frequencies
Frequencies
0.15
0.00
Kriging Ley CUT
D.3.- Donoso Este Infill
X (m)
101000 101100 101200 101300 101400 101500
100400
100300
100300
100200
100200
100100
100100
100000
100000
99900
99900
99800
99800
3900
3900
3850
3850
3800
3800
3750
3750
101000 101100 101200 101300 101400 101500

X (m)
101000 101100 101200 101300 101400 101500

X (m)

X (m)
101000
101100
101200
101300
2.05
101400
101500
1.92
1.79
Kriging Ley CUT

100300
100300
100200
100200
1.67
1.54
1.41
1.29
100100
Y (m)
Y (m)
1.16
100100
1.03
0.91
0.78
100000
100000
0.65
0.53
0.40
99900
99900
0.27
0.15
99800
101000
101100
101200
101300
X (m)
101400
99800
101500
0.02
N/A
118
Z (m)
100400
Z (m)
X (m)
101000 101100 101200 101300 101400 101500
Y (m)
Y (m)
Kriging Ley CUT

0
0.15
17932
0.01
2.07
0.84
0.30
0.15
0.10
0.10
0.05
0.05
0.00
Frequencies
Frequencies
2
Nb Samples:
Minimum:
Maximum:
Mean:
Std. Dev.:
0.00
Kriging Ley CUT
X (m)
101000 101100 101200 101300 101400 101500
100400
100300
100300
100200
100200
100100
100100
100000
100000
99900
99900
99800
99800
3900
3900
3850
3850
3800
3800
3750
3750
101000 101100 101200 101300 101400 101500

X (m)
101000 101100 101200 101300 101400 101500

X (m)

X (m)
101000
100400
101100
101200
101300
101400
101500
100400
100300
100300
100200
100200
100100
100100
100000
100000
99900
99800
101000
99900
101100
101200
101300
X (m)
101400
99800
101500
Y (m)
Y (m)
Kriging Ley Cut
2.16
2.09
2.03
1.97
1.90
1.84
1.77
1.71
1.65
1.58
1.52
1.46
1.39
1.33
1.27
1.20
1.14
1.08
1.01
0.95
0.89
0.82
0.76
0.69
0.63
0.57
0.50
0.44
0.38
0.31
0.25
0.19
0.12
N/A
119
Z (m)
100400
Z (m)
X (m)
101000 101100 101200 101300 101400 101500
Y (m)
Y (m)
QMZ (60)
Datos Gaussianos
-3
-2
-1
0.15
0.15
0.10
0.10
0.05
0.05
0.00
-3
-2
-1
Frequencies
Frequencies
Nb Samples: 987
Minimum:
-2.63
Maximum:
3.60
Mean:
0.00
Std. Dev.: 1.00
0.00
Datos Gaussianos
D.4.- Infiernillo Fase IV Infill

X (m)
100600
100700
X (m)
100800
100500
99600
99600
99500
99500
99400
99400
99300
99300
Y (m)
100600
100700
3550
3500
3500
3450
3450
3400
3400
3350
3350
100500
100600
100700
X (m)
99200
99200
100500
100600
100700
100800
X (m)
120
100800
3550
100800
Z (m)
99700
Y (m)
99700
Z (m)
100500
X (m)
100500
99700
100600
100700
100800
99700
Kriging Ley CUT
99600
99500
99500
99400
99400
99300
99300
Y (m)
Y (m)
99600
99200
100500
100600
100700
99200
100800
1.44
1.41
1.38
1.35
1.32
1.30
1.27
1.24
1.21
1.18
1.15
1.12
1.09
1.06
1.04
1.01
0.98
0.95
0.92
0.89
0.86
0.83
0.81
0.78
0.75
0.72
0.69
0.66
0.63
0.60
0.58
0.55
0.52
N/A
X (m)

Kriging Ley CUT
0.5
1.0
2.0
13143
0.46
2.00
0.95
0.22
0.20
0.15
0.15
0.10
0.10
0.05
0.05
0.00
0.5
1.0
1.5
2.0
Frequencies
Frequencies
1.5
Nb Samples:
Minimum:
Maximum:
Mean:
Std. Dev.:
0.20
0.00
Kriging Ley CUT
Brecha Central (35)

Y (m)
X (m)
100400
100500
100600
100700
99400
100800
99700
99500
99600
99700
3550
3550
3500
3500
3450
3450
3400
3400
3350
3350
99700
99600
Y (m)
99500
99500
99400
99400
100400
100500
100600
100700
99400
100800
99500
Y (m)
X (m)
121
99600
99700
Z (m)
Y (m)
Z (m)
99600
X (m)
100400
99700
100500
100600
100700
99700
Kriging Ley CUT
99600
99500
99500
Y (m)
Y (m)
99600
99400
100400
99400
100500
100600
1.32
1.26
1.20
1.14
1.09
1.03
0.97
0.91
0.85
0.80
0.74
0.68
0.62
0.56
0.51
0.45
0.39
100700
N/A
X (m)

Kriging Ley CUT
0.5
1.0
2.0
Nb Samples:
Minimum:
Maximum:
Mean:
Std. Dev.:
0.15
2.5
10192
0.27
2.31
1.07
0.30
0.15
0.10
0.10
0.05
0.05
0.00
0.5
1.0
1.5
2.0
2.5
Frequencies
Frequencies
1.5
0.00
Kriging Ley CUT

Y (m)
X (m)
9900099100992009930099400995009960099700
99600
99600
99500
99500
99400
99400
99300
99300
99200
99200
99100
99100
99000
99000
Z (m)
99700
3550
3550
3500
3500
3450
3450
3400
3400
3350
3350
9900099100992009930099400995009960099700
100200 100300 100400 100500 100600 100700 100800
Y (m)
X (m)
122
Z (m)
99700
Y (m)
Y (m)
100200 100300 100400 100500 100600 100700 100800
X (m)
2.14
100300 100400 100500 100600 100700
2.02
1.91
Kriging Ley CUT

99600
99600
99500
99500
1.79
1.67
1.55
1.44
99400
99300
99300
99200
99200
99100
99100
99000
99000
Y (m)
Y (m)
1.32
99400
1.20
1.08
0.96
0.85
0.73
0.61
0.49
0.38
100300 100400 100500 100600 100700
0.26
N/A
X (m)

Datos Gaussianos
-1
0.15
0.10
0.10
0.05
0.05
0.00
-3
-2
-1
Frequencies
Frequencies
Nb Samples: 554
-3
-2
Minimum:
-3.25
Maximum:
2.93
Mean:
0.00
Std. Dev.: 1.00
0.15
0.00
Datos Gaussianos
QMZ (60)
X (m)
X (m)
99600
99600
99500
99500
99400
99400
99300
99300
99200
99200
99100
99100
99000
99000
Z (m)
99700
100200100300100400100500100600100700100800
3550
3550
3500
3500
3450
3450
3400
3400
3350
3350
100200100300100400100500100600100700100800
100200100300100400100500100600100700100800
X (m)
X (m)
123
Z (m)
99700
Y (m)
Y (m)
100200100300100400100500100600100700100800
X (m)
99700
100300 100400 100500 100600 100700 100800

99700
Kriging ley Cu
99600
99500
99500
99400
99400
99300
99300
99200
99200
99100
99100
99000
99000
100300 100400 100500 100600 100700 100800
Y (m)
Y (m)
99600
2.27
2.21
2.14
2.07
2.01
1.94
1.88
1.81
1.75
1.68
1.62
1.55
1.49
1.42
1.36
1.29
1.23
1.16
1.09
1.03
0.96
0.90
0.83
0.77
0.70
0.64
0.57
0.51
0.44
0.38
0.31
0.25
0.18
N/A
X (m)

Kriging ley Cu
0
Nb Samples:
Minimum:
Maximum:
Mean:
Std. Dev.:
0.15
32960
0.17
2.27
0.79
0.28
0.15
0.10
0.10
0.05
0.05
0.00
0.00
Kriging ley Cu
124
Frequencies
Frequencies
E.- Estimacin Mediante Simulaciones Condicionales

E.1.- Donoso Este BLPX
Distance (m)
Distance (m)
100
150
200
250
1.00
N0
0.75
0.50
0.75
0.50
D-90
0.25
0.00
0.25
50
100
150
200
250
100
150
200
250
1.00
1.00
N0
0.75
0.50
0.75
0.50
D-90
0.25
0.00
0.00
50
0.25
50
100
150
200
250
Variogram : Datos Gaussianos
1.00
50
0.00
Distance (m)
Distance (m)
Grfico E.1.- Variogramas Experimentales y Modelados Datos Gaussianos
(h) = 0,05 + 0,4 esf (60, 60, 30) + 0,35 esf (120, 120, 50) + 0,15 esf (300, 300, )
QMZ (60)
Distance (m)
Distance (m)
100
150
200
250
1.5
D-90
1.0
1.0
N0
0.5
0.0
0.5
50
100
150
200
250
100
150
200
1.5
D-90
1.0
1.0
N0
0.5
0.5
50
100
150
200
Distance (m)
Distance (m)
Grfico E.2 .- Variogramas Experimentales y Modelados Datos Gaussianos
(h) = 0,1 + 0,65 esf (50, 50, 25) + 0,2 esf (, , 60)
125
250
1.5
0.0
0.0
50
250
0.0
1.5
50
E.2.- Infiernillo Fase IV LBPX

Distance (m)
Distance (m)
0
50
100
50
100
150
150
0.5
D-90
0.4
0.4
0.3
0.3
N0
0.2
0.2
Variogram : VAR_4
0.5
0.6
0.5
0.5
D-90
0.4
0.4
0.3
0.3
N0
0.2
0.1
0.1
0.1
0.1
0.0
0.0
0.2
Variogram : VAR_4
0.6
Variogram : VAR_4
Variogram : VAR_4
0.6
0.6
50
100
150
0.0
50
100
150
0.0
Distance (m)
Distance (m)
(h) = 0,001 + 0,16 esf (100, 100, 60) + 0,45 esf (, , 70)
Brecha Central (35)
Distance (m)
Distance (m)
0
10
20
30
40
50
60
0
70
80
90 100
30
40
50
60
70
80
90 100
0.15
0.10
0.05
N0
0.05
0.10
D-90
0.10
0.05
N0
0.05
0.00
0
10
20
30
40
50
60
70
80
90 100
0.00
10
20
30
40
50
60
70
Distance (m)
Distance (m)
Grfico E.4.-Variogramas Experimentales y modelados Datos Gaussianos
(h) = 0,045 + 0,05 esf (60, 60, 60)
126
80
90 100
0.00
Variogram : VAR_4
D-90
Variogram : VAR_4
0.15
0.10
0.00
20
0.15
Variogram : VAR_4
Variogram : VAR_4
0.15
10

Distance (m)
Distance (m)
50
100
150
200
50
100
150
200
0.7
0.7
0.7
0.6
0.6
0.6
0.6
0.4
0.5
0.4
0.3
0.3
D-90
N0
0.5
0.5
0.4
0.4
0.3
0.3
D-90
0.2
0.2
0.2
0.2
0.1
0.1
0.1
0.1
0.0
0.0
0.0
50
100
150
200
50
100
150
Variogram : VAR_4
N0
0.5
Variogram : VAR_4
0.7
Variogram : VAR_4
Variogram : VAR_4
0.0
200
Distance (m)
Distance (m)
(h) = 0,005 + 0,33 esf (90, 90, 60) + 0,3 (, , 70)

QMZ (60)
Distance (m)
Distance (m)
0
100
200
0.10
D-90
0.05
0.00
100
200
300
200
300
0.15
N0
0.10
0.10
D-90
0.05
0.05
0.00
0.00
0.05
100
200
Distance (m)
Distance (m)
Grfico E.5.-Variogramas Experimentales y Modelados Datos Gaussianos
127
300
0.00
Variogram : VAR_4
0.10
Variogram : VAR_4
N0
100
0.15
0.15
Variogram : VAR_4
0.15
Variogram : VAR_4
300
E.3.- Donoso Este Infill

Distance (m)
Distance (m)
0
50
100
150
200
N0
0.7
0.6
0.6
0.5
0.5
0.4
0.4
D-90
0.2
0.3
0.2
0.1
0.8
0.8
200
250
0.9
0.9
0.8
0.8
0.7
N0
0.7
0.6
0.6
0.5
0.5
0.4
0.4
D-90
0.3
0.3
0.2
0.2
0.1
0.1
0.1
0.0
0.0
150
0.9
0.3
100
250
0.9
0.7
50
50
100
150
200
0.0
250
50
100
150
200
0.0
250
Distance (m)
Distance (m)
Grfico E.6.-Variogramas Experimentales y Modelados Datos Gaussianos
(h) = 0,01 + 0,8 esf (80, 80, 40)

QMZ (60)
Distance (m)
0
50
100
150
200
Distance (m)
250
0.2
D-90
0.1
0.0
50
100
150
200
250
Variogram : VAR_4
0.2
150
200
250
0.3
N0
0.2
0.2
D-90
0.1
0.1
0.0
0.0
0.1
50
100
150
200
Distance (m)
Distance (m)
(h)= 0,01 + 0,25 esf (55,55,30)
128
250
0.0
Variogram : VAR_4
N0
100
0.3
0.3
Variogram : VAR_4
Variogram : VAR_4
0.3
50
E.4.- Infiernillo Fase IV Infill

Distance (m)
Distance (m)
0
50
100
150
0.20
0.20
0.15
0.15
D-90
0.10
Variogram : VAR_4
N0
0.20
D-90
0.15
0.10
0.10
N0
0.05
0.05
0.05
0.05
0.00
0.00
0.15
Variogram : VAR_4
Variogram : VAR_4
0.25
0.20
Variogram : VAR_4
100
150
0.25
0.10
50
50
100
150
0.00
50
100
0.00
150
Distance (m)
Distance (m)
(h)= 0.025 + 0.15 esf (20,20,55) + 0.025 esf (130,130,100)
Brecha Central (35)

Distance (m)
0
Distance (m)
0.20
50
100
150
50
100
150
0.20
0.10
0.10
N0
0.05
Variogram : VAR_4
Variogram : VAR_4
0.15
D-90
D-90
0.2
0.2
N0
0.1
0.1
0.05
0.0
0.00
0.3
50
100
150
0.00
50
100
Distance (m)
Distance (m)
(h)= 0.01 + 0.24 esf (110, 110, 110) + 0.1esf (, , 300)
129
150
0.0
Variogram : VAR_4
0.15
Variogram : VAR_4
0.3

Distance (m)
Distance (m)
50
100
150
200
0.25
0.25
0.25
0.20
0.20
0.15
0.15
0.10
D-90
0.05
0.00
50
100
150
200
250
0.10
Variogram : VAR_4
N0
50
100
150
200
250
0.25
0.20
Variogram : VAR_4
0.20
Variogram : VAR_4
250
Variogram : VAR_4
N0
0.15
0.15
0.10
0.05
0.05
0.00
0.00
D-90
0.10
0.05
50
100
150
200
250
0.00
Distance (m)
Distance (m)
(h) = 0.03 + 0.18 esf (110,110,70)

QMZ (60)
Distance (m)
Distance (m)
0
50
100
150
200
0.2
D-90
0.1
0.0
50
100
150
200
250
100
150
200
250
0.3
N0
0.2
0.2
D-90
0.1
0.1
0.0
0.0
0.1
50
100
150
200
250
Distance (m)
Distance (m)
(h) = 0,04 + 0,05 esf (50,50,75) + 0,03 esf (80,80,80) + 0,07 esf (250,250,)
130
0.0
Variogram : VAR_4
0.2
Variogram : VAR_4
N0
50
0.3
0.3
Variogram : VAR_4
0.3
Variogram : VAR_4
250
Bibliografa
Neufeld, Lyall, Deutsch Simulation of Grade Control, Stockpiling and Stacking for
Compliance Testing of Blending Strategies, Centre for Computational Geostatistics,
University of Alberta
Emery X. MI68A Geoestadstica, Apuntes del Curso, Universidad de Chile, 2007
Emery X. MI75D Tpicos Avanzados en Evaluacin de Yacimientos, Apuntes del
Curso, Universidad de Chile, 2007
Emery X. Geoestadstica Lineal, Universidad de Chile, 2000
Leticia Villagrn Caracterizacin de Dominios Estructurales, Mina Los Bronces,
Memoria para optar al titulo de Gelogo, Universidad de Concepcin, 2007
Emery X Manual Introductorio al uso del Software Isatis, 2001
Javier Fauln, Angel Juan Simulacin de Monte Carlo, Universitat Oberta de Catalunya,
1999
Jorge Garca Vidal Elementos de Muestreo, Universidad Catlica de Valparaso, 2001
131

Tesis Los - Bronces

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tesis Los - Bronces

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD DE CHILE

FACULTAD DE CIENCIAS FSICAS Y MATEMTICAS

DETERMINACION DE VARIABILIDAD DE ALIMENTACION A PLANTA

8.3.- MTODO 2: KRIGING Y POSTERIOR MUESTREO SIMPLE SIN REEMPLAZO .........................................................58

2.2.- Objetivos Generales

2.3.- Objetivos Especficos

4.- Marco Geolgico

Intrusivos Palegenos Tardo

4.2.- Geologa de la Mina Los Bronces

4.2.2.- Rocas Volcnicas Estratificadas

4.2.3.- Rocas Intrusivas

Batolito San Francisco

Aflora en un rea de 200 km2, 20 km en la direccin Norte-Sur y 10 km en la direccin

Dataciones radiomtricas mediante el mtodo K/Ar en biotitas de la unidad, han dado

o Unidad Cuarzomonzodiorita (QMD)

4.2.4.- Cuerpos Intrusivos Menores

Prfido Cuarzomonzodiortico (PQMD)

Prfido Cuarzodiortico (PQD)

4.2.5.- Complejo de Brechas

Brecha gnea (BXIG)

Brecha de Biotita-Magnetita (BXBM)

Brecha de Biotita (BXB)

Brecha Fantasma (BXF)

Brecha Central (BXC)

Brecha Occidente (BXO)

Brecha Infiernillo (BXI)

Brecha Anhidrita (BXA)

Brecha Gris Fina (BXG)

Brecha Donoso (BXD)

4.2.6.- Chimenea de Brecha Riolitica (RIO)

5.2.- Estudio exploratorio

La visualizacin mediante histogramas tambin es muy til para verificar

5.3.- Anlisis Variogrfico

5.3.1.- Variogrma experimental

El variogrma experimental se define de acuerdo a la siguiente expresin:

Figura 5.1.- Tolerancias en variogrma experimental

El variogrma experimental presenta complicaciones y es poco estable cuando la distancia

5.3.2.- Variogrma modelado

Las dos principales caractersticas del variogrma son:

Ilustracin 5.2.- Efecto Pepita

Ilustracin 5.3.- Modelo Esfrico

Ilustracin 5.4.- Modelo Exponencial

No existe un mtodo infalible para ajustar un esquema terico a un variogrma

Ilustracin 5.5.- Anisotropa Geomtrica

Ilustracin 3.6.- Anisotropa Zonal

El mapa variogrfico dibuja bandas; se trata de un caso lmite de anisotropa geomtrica,

5.3.4.- Validacin Cruzada

La nube de correlacin entre los errores estandarizados y los valores estimados

En resumen, un modelo de Variogrma ser mejor cuando el histograma de los errores

5.4.- Cambio de Soporte

Donde |V| representa el volumen del bloque V.

Dada la simplicidad y fcil aplicacin, se especificara lo que es la Correccin Afn, la cual

Ilustracin 5.7.- Correccin Afn

5.5.- Estimacin Local

Este sistema se construye planteando tres restricciones:

Buscar los ponderadores {, = 1,, n} y el coeficiente a.

Bsqueda de la mxima precisin

Ilustracin 5.6.- Vecindad Elptica Dividida en Cuadrantes

Se desconoce el valor promedio de la variable regionalizada.

Estas hiptesis permiten generalizar el estimador en situaciones donde la media no es

La construccin de este sistema sigue las siguientes restricciones:

La estimacin en un sitio xo se escribe como una combinacin lineal ponderada de los

La esperanza del error de estimacin vale: