Clasificación de las reservas notas:

de mineral:
Un método alternativo

Introducción
Hasta la fecha no existe una forma fácil o práctica, que pudiera servir de guía para clasificar
reservas, de medir la confianza en las estimaciones. Por consiguiente, actualmente es difícil
encontrar una práctica estándar para la clasificación de las reservas de mineral. Mejor dicho,
cada compañía o profesional de reservas de mineral ha adoptado una propia metodología para
clasificar las reservas dentro de alguna pauta u otra, aplicando ese método de yacimiento en
yacimiento con algo de refinamiento.

La cuestión de evaluar la incertidumbre de las estimaciones de ley se ha deliberado desde que

primero se introdujo el Kriging. Al principio se decía que el uso de la variancia de Kriging era
todo lo que se necesitaba para cuantificar la confianza en las estimaciones de ley. Desde
entonces, el uso de la variancia de Kriging para tal propósito se ha puesto en duda, y se han
propuesto algunas técnicas tal como la “jackknife” (acodillarse) y la simulación condicional para
desarrollar una medida con más significado de la incertidumbre en las estimaciones.

Los objetivos de este taller son dobles. El primer objetivo es proponer una medida alternativa
para accesar la incertidumbre de las leyes de bloque estimadas. Repasaremos la variancia
Kriging tradicional y sus límites como indicador de la incertidumbre. Esta plática se seguirá por
la metodología de computar la “Combined Variance” (Variancia combinada) propuesta. El segundo
objetivo de este taller es demostrar la aplicación de esta variancia nueva en un yacimiento de
oro, y su uso en la clasificación de las reservas de oro o recursos.

La variancia Kriging
Como técnica de estimación, el Kriging ordinario se distingue por su intento de producir un
conjunto de estimaciones para el cual la variancia de los errores es mínima. Al usar el modelo de
la Random function (RF) (Función al azar probabilística), se puede expresar la variancia del
error como función de los parámetros de modelo RF s2, Cij, y las ponderaciones wi (Isaaks y
Srivastava, 1989):

s2k = s2 + S wi wj Cij – 2 S wi Cio i = j = 1, n [Eq. 1]

donde n es el número de muestras, s2 es la variancia total de la muestra, Cij son las covariancias
de muestra en muestra, Cio son las covariancias entre muestra y bloque, y wi son los
ponderaciones asignados a las muestras. A la variancia minimizada del error mediante el uso de
la técnica de multiplicadores Lagrange se le refiere por lo regular como la variancia Kriging
ordinaria:

s2ok = s2 - S wi Cio + m i = 1, n [Eq. 2]

donde m es el multiplicador Lagrange.

Seminario anual de Mintec 1999

Página 1 Clasificación de las reservas de mineral: Un método alternativo
 notas: La variancia Kriging computada para algún punto o bloque en particular que se esté estimando,
es fundamentalmente independiente de los valores de los datos utilizados en la estimación. Es
simplemente una función de la distribución espacial y la configuración de los puntos de datos,
tanto como la versión de Kriging utilizada. La única conexión entre la variancia Kriging y los
valores de los datos es por medio del variograma, que es global en vez de local en su definición.
Por esta razón, la variancia Kriging no siempre proporciona una reflección exacta de la variación
local. Por ejemplo, el usar el mismo variograma y los mismos puntos de datos alrededor del
bloque que se está estimando le proporciona la misma variancia Kriging, no obstante los
valores de los puntos de los datos.

Una medida de la incertidumbre alternativa

La intención de la variancia Kriging no fue de tratar en particular, la cuestión de evaluar la
incertidumbre. Lo que se usa es un intermediario para encontrar un conjunto óptimo de
ponderaciones. Aunque la variancia Kriging es una buena medida de la configuración espacial
de los puntos de datos, no imparte su variación local ya que no depende de ellos directamente.
Por consiguiente, cualquier medida alternativa de la variancia debe incluir una provisión para
medir la variabilidad local.

Aquí, el autor sugiere la determinación de una “Combined Variance” (Variancia combinada)

(s2cv) para atacar la cuestión de calcular la incertidumbre. Esta variancia es una combinación
de la variancia Kriging y la variancia del valor promedio de bloque ponderado con base a los
valores de los datos usados.

En un programa de Kriging ordinario el primer componente de s2cv, la variancia Kriging (s2k),

ya está computado. Computaremos el segundo componente de s2cv, la variancia local del
promedio ponderado (s2w), a continuación

s2w = S w2i * (Z0 - zi)2 i = 1, n (n>1) [Eq. 3]

donde n es el número de datos usados, wi son las ponderaciones correspondientes a cada

dato, Z0 es la estimación del bloque, y zi son los valores de los datos. Si sólo hay un dato, el s2w
se fija en s2k.

La Combined Variance (Variancia combinada) (s2cv), entonces, es calculada de esta manera:

s2cv = Ö(s2k * s2w) [Eq. 4]

Un ejemplo de la variancia combinada

Tomaremos el caso hipotético mostrado en la Figura
1. Para simplificar, hay sólo cinco puntos de datos
para el bloque ejemplar a ser interpolados. Usando
un modelo de variograma esférico con rango isotrópico
de100, sill (umbral) de 0.6, y nugget (pepita) de 0.1,
se hizo una estimación Kriging ordinaria. La ley
resultante de esta corrida es 0.237, y la variancia
Kriging es 0.065.
Cambiaremos el valor del primer punto de dato de
0.5 a 0.1, y mantendremos todo lo demás igual. Esta
Figura 1.Los cinco
vez la estimación de ley es de 0.110. La variancia
puntos de datos para
Kriging permanece igual en 0.065, ya que no hemos
el bloque ejemplar
Seminario anual de Mintec 1999
Clasificación de las reservas de mineral: Un método alternativo Página 2
 cambiado los parámetros del variograma o de la configuración de los datos. notas:
Similarmente, la ponderación Kriging para cada punto permanece igual que en la
primera corrida. La Tabla 1 resume los resultados. La misma tabla proporciona la
variancia local del promedio ponderado (s2w) para ambos conjuntos de datos usados.
Usaremos los valores s2w para computar la Combined Variance (Variancia combinada)
(s2cv).
Usando una variancia Kriging de 0.065 para el primer y el segundo conjunto de datos,
y aplicando la Ec. 4, obtenemos
s2cv = Ö(0.065 * 0.008474) = 0.02347 para el primer conjunto, y
s2cv = Ö(0.065 * 0.000045) = 0.00171 para el segundo conjunto.
Las variancias anteriores reflejan la magnitud de la variabilidad local y de la
incertidumbre para las estimaciones de bloque que tenemos en este ejemplo.

Tabla 1. Los resultados para el primero y segundo conjunto de datos

(Nota: sólo la ley de la muestra #1 fue cambiada)

Seminario anual de Mintec 1999

Página 3 Clasificación de las reservas de mineral: Un método alternativo
 notas: Applicación en un yacimiento de oro
El estudio se ejecutó en un yacimiento de oro. El área del estudio era de aproximadamente
1000x1000m en plano. El espaciamiento de barreno nominal en el yacimiento era de 50m. El
tamaño de bloque utilizado para el modelo construído para el yacimiento era de 12.5x12.5m
con altura de banco de 5m. La ley promedio de los compósitos de 5-m dentro de la zona
mineralizada era de 1.51 g/t, con variación de coeficiente de 0.57. El modelo del variograma
usado en el plano de Kriging ordinario para la zona mineralizada era un modelo exponencial
con nugget (pepita) de 0.138 y sill (umbral) de 0.893. La búsqueda elipsoidal (150x90x15m)
fue basada en los rangos del variograma con el eje mayor a lo largo de 45 grados hacia el
Este. Se usaron unos compósitos con un mínimo de 3 y un máximo de 15 en la interpolación.

La ley promedio de las leyes

de bloque kriged eran de 1.50
g/t, con coeficiente de
variación de 0.41. Para cada
bloque, la variancia Kriging y
la Combined Variance
(Variancia combinada)
fueron computadas. La Fig-
ura 2 muestra el ploteo del
contorno de la variancia
Kriging en las calidades
inferiores y superiores en el
banco 225 del modelo. En
esta figura, las intercepciones
del barreno en el banco
también fueron ploteados
para mostrar los valores de
oro del compósito en este
banco. Esta figura es un buen
ejemplo de qué tan inútil
puede ser la variancia Kriging
para evaluar la incertidumbre Figura 2. Ploteo de contorno de la variancia de
en las estimaciones. Por los bloques en los cuartiles superior e
ejemplo, la variancia Kriging inferior en el banco 225, mostrado con
disminuye naturalmente intercepciones de barreno en este banco.
cuando los bloques están
cerca de los barrenos. Por
consiguiente, los que contornan la variancia Kriging en el cuartil indicador inferior en la Figura
2 es nada menos que las ubicaciones de los barrenos. Similarmente, la variancia Kriging
contornada en el cuartil superior básicamente está mostrando la periferia de los barrenos. Es
obvio que está información no es muy útil.

Seminario anual de Mintec 1999

Clasificación de las reservas de mineral: Un método alternativo Página 4
 notas:

Ahora le daremos un vistazo a

algunos ploteos generados para la
Combined Variance (Variancia
combinada). La Figura 3 muestra
el ploteo de contorno de la Com-
bined Variance en el valor del
cuartil inferior en el banco 225 del
modelo. Si amplificamos el enfoque
en una porción de este ploteo,
mostrado en la Figura 4, podemos
ver que el área rodeada por los
compósitos de ley similar tiene la
Combined Variance más baja,
como se pudiera esperar.

Figura 3. Ploteo de contorno de la

Variancia combinada de los bloques
kriged en el valor cuartil más bajo en el
banco 225, mostrado con las intercepciones
de barreno en este banco.

Figura 4. Ploteo de contorno de la

Variancia combinada de los bloques
kriged en el valor de cuartil más bajo,
con el enfoque amplificado para mostrar
que los valores de compósito similares
generan Variancia combinada más baja.
Seminario anual de Mintec 1999
Página 5 Clasificación de las reservas de mineral: Un método alternativo
 notas:

Similarmente, la Figura 5 muestra el

ploteo del contorno de la Combined
Variance en el valor del cuartil supe-
rior en el banco 225 del modelo.

Figura 5. Ploteo de contorno de la

varianza combinada de los bloques kriged
en el valor del cuartil superior en el
banco 225, mostrado con intercepciones
de barreno en este banco.

Si amplificamos también el enfoque

en una porción de este ploteo,
mostrado en la Figura 6, podemos ver
que el área de alta ley rodeado por
compósitos de baja ley tiene la
varianza combinada más alta. Por
consiguiente, en cualquier momento
que haya una variabilidad más grande
en los datos que lo rodean, los bloques
tendrán unas varianzas combinadas
más altas, reflejando la incertidumbre
en las estimaciones.

Figura 6. Ploteo de contorno de

Variancia combinada de bloques
kriged en el valor del cuartil
superior con amplificación de enfoque
para mostrar que los valores de
compósito variable generan la
Variancia combinada más alta.
Seminario anual de Mintec 1999
Clasificación de las reservas de mineral: Un método alternativo Página 6
Clasificación de las reservas de mineral notas:
Para clasificar las reservas de mineral en las categorías de probadas, probables y posibles,
usaremos lo que el autor denomina Relative Variability Index (Índice de variabilidad relativa)
como se encuentra a continuación:

Relative Variability Index (RVI) = scv / mk mk >0 [Ec. 5]

donde scv es la raíz cuadrada de la Combined Variance (Variancia combinada), y mk es la ley

del bloque computada del Kriging.

La Figura 7 muestra el
histograma resultante y la
estadística del Relative Variabil-
ity Index (RVI) para el oro
mediante el uso de todos los
bloques kriged en la zona min-
eralizada. Estos valores RVI
despliegan una distribución
torcida. Para clasificar nuestras
reservas en las categorias
probadas, probables y posibles,
hay que obtener dos valores: un
valor para separar las categorias
probados/probables, y otro valor
para separar las categorias
probables/posibles. Como la
regla, usaremos el medio RVI de
todos los bloques kriged para el
límite probados/probables. Este
Figura 7. Distribución alternativa del valor es 0.23. Ahora nos falta
Índice de variabilidad relative (VI) for gold determinar el valor para el límite
probables/posibles. Mediante el
uso del ploteo logritmo de
probabilidad cumulativa de los valores RVI, identificamos un punto de kink ( falla) en la curva
de probabilidad. Este punto corresponde al valor RVI de 0.39 por la intersección de dos líneas
rectas, ubicadas en las porciones inferior y superior de la curva de probabilidad. A propósito,
esto corresponde a aproximadamente la percentila 90 de la distribución RVI en este yacimiento.

En sumario, clasificaremos nustras reservas o recursos en las categorías de probadas,

probables y posibles mediante el uso del Relative Variability Index como se encuentra a
continuación:

Proven Reserves (Reservas probadas): bloques con RVI values # media RVI

Probable Reserves (Reservas probables): bloques con valores RVI entre el medio y
la percentila 90 RVI

Possible Reserves (Reservas posibles): bloques con valores RVI > percentila 90
RVI

Seminario anual de Mintec 1999

Página 7 Clasificación de las reservas de mineral: Un método alternativo
 notas: Repaso de los resultados
Las Tablas 2 y 3 reportan las reservas de mineral clasificadas en los cortes de oro de 0.6 y 1.5
g/t, respectivamente. Los resultados son basados en los valores RVI y la “Distancia al compósito
más cercano.” La razón por la inclusión del método anterior es el de ver cómo nueva la técnica
de clasificación se compara a uno de los métodos de clasificación convencionales.

Para preparar los resultados de la “Distancia al compósito más cercano”, usamos una
metodología similar para determinar el rango de los valores a usarse para la clasificación de
las reservas. Por consiguiente, aplicamos la distancia del medio (55m) en las categorías
apartes de probadas/probables separadas, y la percentila 90 de la “distancia” (91m) en
categorías apartes de probables/posibles.

Aparte de las toneladas y ley, también reportadas en las Tablas 2 y 3 son la distancia promedio
al compósito más cercano y el número promedio de compósitos usados en la interpolación.
Primero vemos los resultados de la clasificación RVI. De esto resultados podemos ver que la
distancia promedio se hace más grande de categorías probada a probable, y de categorías
probable a posible. Al contrario, el número promedio de compósitos usados por bloque disminuye
en lo que pasemos de la categorías de probadas a la de probables, que pasando de la
categoría probables a posibles. Esto es lo que se pudiera esperar. Éste es un aspecto inherente
de este método debido al uso de la variancia Kriging en el cálculo del Relative Variability Index.

Al comparar los resultados de estos dos métodos en estas tablas, encontramos que las
diferencias son significativas entre los dos métodos en las categorías particulares. Sin em-
bargo, cuando las categorías probadas y probables sean combinadas, los resultados se han
parecido más, uno al otro. En general, con la clasificación RVI resulta que un mineral de ley
relativamente marginal se ha colocado en la categoría posibles, indicando una mayor
incertidumbre con respecto al corte usado. Por consiguiente, al saber que se está tomando en
cuenta la variabilidad local de las leyes al determinar las categorías de las reservas, la técnica
RVI debe proveer una estimación y clasificación de las reservas más presentable.

Tabla 2. Comparación de reservas a 0.6 g/t oro mediante el uso del

Relative Variability Index (RVI) vs. método de clasificación de “Distance
to the nearest composite” (Distancia al compósito más cercano) (DTNC)

Seminario anual de Mintec 1999

Clasificación de las reservas de mineral: Un método alternativo Página 8
 notas:
Tabla 3. Comparación de reservas a 1.5 g/t oro mediante el uso del
Relative Variability Index (RVI) vs. métodos de clasificación de
“Distance to the nearest composite” (DTNC)

Conclusión
El concepto de la Combined Variance (Variancia combinada) puede ser muy conveniente
para evauluar la incertidumbre en los bloques. Adicionalmente, el Relative Variability Index
(Índice de variabilidad relativa) (RVI) puede ser una herramienta efectiva para clasificar las
reservas de mineral o recursos en las categorías de probadas, probablesy posibles. Los
valores de la Combined Variance y el RVI son fáciles de computar e implementar.

La única desventaja del uso del método de Combined Variance y RVI es que, requiere el
cálculo de la variancia Kriging. Por consiguiente, la aplicación más fácil de este método es
cuando el Kriging ordinario es usado para asignar leyes al bloque. Sin embargo, es posible
computar una Combined Variance para el método del Inverse Distance Weighting (IDW)
(Ponderación inversa a la distancia) mientras que la variancia Kriging sea computada primero
usando los mismos parámetros de interpolación. El programa IDW debe entonces ser modificado
para leer la variancia Kriging para cada bloque, para calcular la Combined Variance resultante.
Alternativamente, el programa IDW puede ser modificado para escribir el primer componente
de la Combined Variance [Ec. 3]. Este valor entonces se toma y se multiplica por la variancia
Kriging. La raíz cuadrada de este producto proporciona la Combined Variance.

Esta técnica de clasificación de las reservas de mineral mediante el uso del Relative Variability
Index (RVI) ha sido aplicado en otros tipos de yacimientos, incluyendo el cobre, molibdeno,
cinc y plata. Los resultados han tenido sido más razonables que aquellos de los métodos
convencionales, tal como la “Distancia al compósito más cercano.” Esto es a causa de que la
técnica RVI no sólo toma en cuenta la variabilidad local, sino también incorpora todo los
criterios ventajosos para clasificar las reservas, tales como la distancia, el número y la
configuración de los compósitos alrededor del bloque, así como también la correlación espacial
de los compósitos.

Seminario anual de Mintec 1999

Página 9 Clasificación de las reservas de mineral: Un método alternativo
 notas: Referencias
Adisoma, G.S., Hester, M.G., 1996, “Grade Estimation and Its Precision in Mineral Resources:
The Jacknife Approach,” Mining Engineering, Vol. 48, No. 2, pp 84-88.
Arik, A., 1990, “Effects of Search Parameters on Kriged Reserve Estimates,” International
Journal of Mining and Geological Engineering, Vol 8, No. 12, pp. 305-318.
Crozel, D., David, M., 1985, “Global Estimation Variance: Formulas and Calculation,” Math-
ematical Geology, Vol. 17, No. 8, pp 785-796.
Dagdelen, K., Verly, G., Coskun, B., 1997, Conditional Simulation for Recoverable Reserve
Estimation, SME Annual Meeting , Preprint #97-201.
Davis, B.M., 1992, Confidence Interval Estimation for Mineable Reserves, SME Annual Meet-
ing, Preprint #92-39.
Froidevaux, R., 1984, “Conditional Estimation Variances: An Empirical Approach,” Mathematical
Geology, Vol. 16, No. 4, pp 327-350.
Isaaks, E.H., Srivastava, R.M., 1989, Applied Geostatistics, New York, Oxford University Press.
Journel, A.G., Arik, A., 1988, “Dealing with Outlier High Grade Data in Precious Metals De-
posits,” Proceedings, Computer Applications in the Mineral Industry, Balkema, Rotterdam,
pp. 161-171.
Mercks, J.W., 1997, “Applied Statistics in Mineral Exploration,” Mining Engineering, Vol. 49,
No. 2, pp 78-82.
Parker, H.M., 1980, “The Volume-Variance Relationship: A Useful Tool for Mine Planning,”
Geostatistics (Mousset-Jones, P.,ed.), McGraw Hill, New York.

Seminario anual de Mintec 1999

Clasificación de las reservas de mineral: Un método alternativo Página 10