EY001 E Clase2 AED

Estimacin de Recursos Minerales
Curso: Estimacin de Recursos Minerales

rea: Geoestadstica
Preparo: Heber Hernndez Guerra
Clase N 2: AED Desagrupamiento - Compositacin
Normalizacin
Heber Hernndez G. - Nube Minera - 2017

Introduccin
Esta clase tiene como objetivo que el estudiante se
inicie en el Anlisis exploratorio de datos y
comprenda los conceptos de Capping Grades,
Declustering Transformacin de la distribucin y
Compositacin, Los cuales lo ayudaran a preparar la
informacin de Exploracin para una Estimacin de
Recursos.
Desarrollo y Produccin
Prospeccin Exploracin Evaluacin Cierre
Construccin (Explotacin)
Posible Yacimiento Yacimiento (Mina)

Anlisis Exploratorio de Datos
El anlisis exploratorio de datos definido por
John W. Tukey (E.D.A.: Exploratory data
analysis) es, bsicamente, el tratamiento
estadstico al que se someten las muestras
recogidas durante un proceso de investigacin en
cualquier campo cientfico.

Conceptos bsicos de estadstica

Anlisis Exploratorio de Datos
El anlisis exploratorio de datos es un conjunto de
tcnicas estadsticas cuya finalidad es conseguir un
entendimiento bsico de los datos y de las
relaciones existentes entre las variables
analizadas. Para conseguir este objetivo el estudio
exploratorio proporciona mtodos sistemticos
sencillos para organizar y preparar los datos,
detectar fallos en el diseo y recogida de los
mismos, tratamiento y evaluacin de datos ausentes
(missing), identificacin de casos atpicos
(outliers) y comprobacin de los supuestos
subyacentes en la mayor parte de las tcnicas
multivariantes (normalidad, linealidad, etc.).

Medida de posicin:
Cuantiles y percentiles: Valores que dividen la
poblacin en partes de igual nmero de datos.
Por ejemplo, la mediana divide la poblacin en

dos partes, los cuartiles en cuatro partes (la
mediana coincide con el segundo cuartil), los
quintiles en cinco partes y los deciles en diez
partes. Contrariamente a la media, los cuantiles
son parmetros robustos, es decir, poco
sensibles a la presencia de algunos valores muy
altos o muy bajos.

b. Medidas de dispersin
Las medidas de dispersin indican la mayor o menor
concentracin de los datos con respecto a las
medidas de centralizacin. Nos dan una idea sobre la
homogeneidad o que tan agrupado estn los datos.
Desviacin estndar: Indica cunto tienden a

alejarse los valores puntuales de la media. Se
suele representar por una S. Una desviacin
estndar grande indica que los puntos estn lejos
de la media, y una desviacin pequea indica que
los datos estn agrupados cerca de la media.
Desviacin estndar
Valor de la Media
variable en el
punto (i)
N de datos
La varianza es la esperanza del cuadrado de la desviacin de dicha variable
respecto a su media.

Desviacin estndar
Media
De acuerdo a estudios realizados por SME Mining Engineering Handbook se llego a la
conclusin que el coeficiente de variacin es um parametro muy importante al
momento de poder interpretar la distribucin de las leyes de un yacimiento y que
puede resumirse en la siguiente tabla:
CV/100

El Coeficiente de Exceso o de curtosis

Varianza

El Coeficiente de Asimetra (CS)
El coeficiente de asimetra , sirve para
caracterizar comportamientos tales como :

A.E.D. de la Exploracin Minera
De la exploracin minera, se puede obtener
informacin, que generalmente es ordenada de la
siguiente manera:
1. Header o Collar: Ubicacin de los DDH

2. Survey: Azimut y direccin de los DDH
3. Assay: Ley del (los) elemento de inters.
4. Geology: Informacin litolgica, mx, alt, etc.

Ej: Exploracin deposito de Cu

Header + Survey

Ley CuT % Intervalo A

Informacin geolgica

A.E.D. de la variable Cobre (Cu)
Se busca evaluar la calidad y consistencia de
las leyes de Cobre (Cu), determinar la
distribucin de la variable en estudio y
detectar los valores atpicos.

Anlisis estadstico de la
variable Cobre (Cu)
Ley mas repetida
Promedio
Asimetra
Numero total de muestras Ley mnima detectada
Factor de Asimetria: 1.95 por lo cual la forma del histograma ser asimtrica
positiva
Coeficiente de Variacin: Distribucin Altamente sesgada con un gran rango de
leyes.
Ej: Histograma Cobre (Cu)
Asimetra positiva y
Curtosis Leptocurtica
positiva
Comportamiento Log Normal
Al aumentar la ley de Cobre,

disminuye la frecuencia.
Concentracin de leyes bajas

Histograma
El histograma representa grficamente
las frecuencias de ocurrencia en
funcin del valor. Consiste en dividir
el rango de los valores en intervalos
(generalmente, con el mismo ancho) y
visualizar la proporcin de datos que
caben dentro de cada intervalo.
El histograma es una herramienta til

para detectar valores atpicos
(outliers).
La visualizacin del histograma de los

datos tambin es un primer medio de
verificar su homogeneidad.

Ej: Grafico de probabilidades (Cu)
Una grfica de probabilidad
es una grfica que puede
utilizar para evaluar el
ajuste de una distribucin
a sus datos, estimar
percentiles y comparar
diferentes distribuciones
de muestras.
Valores fuera de la
poblacin

Medidas de dispersin
Correlacin Lineal: En probabilidad y estadstica, la correlacin
indica la fuerza y la direccin de una relacin lineal y
proporcionalidad entre dos variables o 2 leyes de mineral.
Se considera que dos variables cuantitativas estn correlacionadas
cuando los valores de una de ellas varan sistemticamente con
respecto a los valores homnimos de la otra: si tenemos dos
variables (A y B) existe correlacin si al aumentar los valores de
A lo hacen tambin los de B y viceversa. La correlacin entre dos
variables no implica, por s misma, ninguna relacin de causalidad.

Diagrama de dispersin Variables
Bidimensionales
A menudo se realizan experimentos cuyos
resultados dan lugar a un par de nmeros o a una
serie de nmeros.
Ejemplo : ( X , Y ) , en que X = ley de Cu , Y
= ley de S.
Las dos medidas ( x, y) se consideran como un

par ordenado, que puede representarse como un
punto en el sistema de coordenadas
rectangulares.
casos que se podran encontrar al estudiar
dos variables estadsticas X e
Y :

Existen herramientas para cuantificar los
comportamientos anteriores y son la Covarianza y
el Coeficiente de Correlacin.

La Covarianza
valor que indica el grado de variacin conjunta de dos variables aleatorias.

La Covarianza

Coeficiente de Correlacin
La unidad de la covarianza es (unidad de x)*(unidad de
y), debido a lo anterior se prefiere usar una cantidad
adimencional, que es el Coeficiente de Correlacin,
definido por :

Coeficiente de Correlacin

Caso (a), existe una regresin lineal, Caso (b) no existe correlacin entre las
variables x e y.

Others Usual Graphs
Piechart - circular statistical graphic
(Grafico circular)
Histogram, probability plot
Boxplot (Diagrama de caja)
Scattergram, regression (Diagrama de
dispersion)
QQ plot (Grfico cuantil cuantil)
Relative difference plot (Grfico diferencia
relative)

Desagrupamiento de datos
Una tcnica para mejorar la representatividad de las muestras, es
el desagrupamiento.
Propsito:

Desagrupamiento de datos
Histograma datos originales Histograma Desagrupado

Desagrupamiento por Celdas
Parmetros de entrada

Otras tcnicas de desagrupamiento
1. Mtodos Geomtricos:
mtodo de las celdas

mtodo de los polgonos
2. Mtodos Geoestadsticos:
Pesos de kriging ordinario
Polgonos: Asigna el peso proporcional al

rea o volumen de cada muestra.

Resumen Desagrupamiento
Slo aplicado para corregir la distribucin
Se ponderan las frecuencias de las muestras
Los valores de las muestras no cambian
Los ponderadores se calculan por celda, poligonal u otras
tcnicas.

Campo y Soporte
1. Se llama campo a la zona en la cual
se estudia la variable regionalizada.
2. El soporte es el volumen de la
muestra. A menudo el soporte es un
cilindro.
3. Z(x) ser entonces la ley del volumen
de muestra localizado en el punto x.
4. En el ejemplo N 4 anterior, el
soporte de la variable regionalizada
z(x) es un cuadrado de lado 100 m.
Campo y Soporte
En general en el estudio de variables
regionalizadas no es bueno mezclar soportes
diferentes.

La Compositacin iguala soportes

Compositacin de Sondajes
Regularizacin de sondajes a intervalos de igual
medida.
After the diamond core has been extracted it is logged by the

geologist and representative samples are sent out for assaying.
Upon receipt, the assays are added to the other collected
information. These individual assay values may represent core
lengths of a few inches up to many feet. Compositing is a technique
by which these assay data are combined to form weighted average or
composite grade representative of intervals longer than their own.
Compositacin de Sondajes
Generalmente los intervalos de
muestreo en los pozos de exploracin
no coinciden con los intervalos de
trabajo en la fase de estimacin de
recursos. Los intervalos de muestreo
son siempre menores pues se busca
revelar la variabilidad espacial de
las variables que se estudian. El
clculo de los compsitos no es ms
que un procedimiento mediante el cual
las muestras de los anlisis se
combinan en intervalos regulares
(igual longitud), que no coincidan
con el tamao inicial de las
muestras.

Compositos de 10 metros de longitud
Tipos de compositacin
1. Compsito de Banco (bench composite): Las muestras se
regularizan a intervalos que coinciden con la altura de
los bancos o una fraccin de esta. Se emplea para modelar
los recursos de yacimientos grandes, diseminados de baja
ley que se explotan con minera a cielo abierto.
2. Compsito de Pozo (downhole composite): Las muestras se
combinan a intervalos regulares comenzando desde la boca
del pozo.
3. Compsito Geolgico (geological composite): Las muestras
se combinan a intervalos regulares pero respetando los
contactos geolgicos entre las distintas unidades. Este
mtodo se emplea para prevenir la dilucin del compsito
en el contacto estril mineral y donde se logra mayor
control sobre el proceso de regularizacin.

Ore intercept compositing
Bench height compositing
This bench compositing is the method most

often used for resource modeling in open.
Compsito de Pozo (downhole composite)

Beneficios de la compositacin
1. Mejora la representatividad de la muestra.
2. Reduce la variacin errtica debido a valores
muy altos o muy bajos de ensayos.
3. Disminuye el numero de datos y el tiempo de
calculo.
4. Mejora la interpolacin de leyes.
5. Incluye la dilucin en los compositos.
Longitud del composito
En el logueo de cores generalmente se da
preferencia a los tramos que cortaron mineral,
en estos el logueo es ms minucioso, y muchas
veces los gelogos optan por disminuir la
longitud de la muestra en estos tramos buscando
con ello caracterizar mejor la mineralizacin
econmica; es decir, donde hay mineral ms
muestras, donde hay roca caja (estril) los
tramos para el muestreo son ms grandes.
Esta prctica acarrea consigo un sesgo en la
informacin, la teora dicta muestrear todo el
taladro a una longitud constante pues la
informacin debe ser insesgada; ante esta
situacin de tramos diferentes se hace necesario
compositar los tramos a una misma longitud.
Tramos mas cortos de compositos generan un mayor

sesgo que tramos largos de compositos.
Determinacin de la longitud
compsito
En minera a cielo abierto es prctico el
compositar los tramos de sondaje a una longitud
que sea igual a la altura o mitad del banco de
explotacin; en minera subterrnea se manejan
varios criterios, los ms usados son:
1. La moda estadstica de los datos.

2. Ancho de veta.
3. Por el mtodo de explotacin.
Compositacin por la moda estadstica de
los datos (Underground Mining)
El criterio mas aplicado es el de la moda

estadstica de los tramos de muestreo, con el
fin de minimizar la variacin entre los datos
originales y compositados.
Por ejemplo en el proyecto de Veta Atenea Se han
muestreado a 0.5 m y 1 m los tramos que cortaron
veta, a 2 m o ms aquellos tramos que cortaron
roca caja con cierta evidencia mineral y no se
muestrearon aquellos tramos con zonas estriles;
por lo tanto la informacin esta sesgada.
Al realizar la estadstica bsica tanto para los tramos
que estn en la veta Atenea como para los tramos de todo
el logueo, se obtiene que el valor que ms se repite es
de 1 m (moda), por lo tanto esta es la longitud que se
usar para compositar los sondajes.
Ejemplo: Technical Report Caylloma Project Arequipa, Peru
Fuente: Technical report on the mineral resource estimate, Furta del Norte Project, Ecuador
Efecto en el cambio de soporte

Efecto en el cambio de soporte

Cutting Grades Grade Capping
Fuente: MINERAL RESOURCE AND ORE RESERVE ESTIMATION - THE

AUSIMM GUIDE TO GOOD PRACTICE.
Cutting Grades Grade Capping
Valores anmalos (outlier)
Subpoblacin de leyes altas que pueden ser
consideradas como valores anmalos a la poblacin de
muestras. Estas muestras podran afectar de forma
negativa los clculos de interpolacin de leyes en
los bloques creando un efecto de sobreestimacin de
leyes.
Se considerarn muestras anmalas todas aquellas
muestras cuya ley que sea mayor a 3 veces la
desviacin estndar sumado a la ley media de la
poblacin.
Outlier = (3* ) + m
Ejemplo determinacin de
outlier
Desv
Veta No Muestras Mnimo Mximo Promedio Varianza Coef Var
Estndar
Andrea 150 0.02 7.24 0.96 1.38 1.90 1.43

MC Antiguo 177 0.01 17.8 1.32 2.84 8.07 2.15
Montecristo 756 0.005 11.5 0.73 1.33 1.78 1.82
San Rafael 270 0.01 6.03 0.59 0.98 0.97 1.66
Santa Rosa 50 0.01 5.19 0.67 0.90 0.80 1.34
Sin Nombre 204 0.01 4.89 0.80 1.07 1.15 1.33
Jubilados 21 0.04 3.79 1.03 1.12 1.26 1.09
CUT
Abundancia 217 0.01 7.087 1.14 1.28 1.63 1.12
San Nicolas 55 0.02 6.52 1.15 1.43 2.04 1.24
Carmen 34 0.02 2.99 0.49 0.64 0.40 1.29
San Pedro 271 0.01 7.96 0.60 1.00 0.99 1.67
San Antonio 18 0.01 0.54 0.17 0.18 0.03 1.09
Lmite Outlier % Poblacin No Muestras
San Pablo 72 0.01 2.82 0.16 0.40 0.16 2.48
Mantos 11 0.02 3.68 0.61 1.05 1.10 1.73
Fierrera 0 CUT 5.09 2.00 46
Total 2,306 0.005 17.8 0.79 1.40 1.96 1.77
Fuente: Estimacin de recursos Proyecto Montecristo, E Mining (Anlisis estadstico bsico de leyes de Cobre total).
Distribucin de frecuencias

Distribucin de frecuencias
Cuando existe un comportamiento Log normal,
indica una baja correlacin entre los datos. Lo
cual se debe corregir realizando una
normalizacin de la variable.

El modelo log normal
Se dice que una variable (ley en mineral) sigue una ley log
normal, si el log neperiano de dicha variable sigue una ley normal.
Los valores experimentales de la variable (no sus logaritmos) se
distribuyen de acuerdo a una curva continua, asimtrica, cuya
expresin matemtica esta dada por:
Figura. Distribucin asimtrica, positivamente sesgada (hacia la derecha)

El modelo normal
El modelo normal se usa para representar una variable aleatoria continua,
caracterizada por una distribucin simtrica de sus ocurrencias alrededor
de un valor central. La densidad de este modelo, que corresponde a una
curva de campana. Esta definida por:
Caractersticas C. Normal
1. Tiene una nica moda, que coincide
con su media y su mediana.
2. La curva normal es asinttica al eje
de abscisas.
3. Es simtrica con respecto a su media.
Segn esto, para este tipo de
variables existe una probabilidad de
un 50% de observar un dato mayor que
la media, y un 50% de observar un
dato menor.
4. Cuanto mayor sea la desviacin
estndar, ms se dispersarn los
datos en torno a la media y la curva
ser ms plana. Un valor pequeo de
este parmetro indica, por tanto, una
gran probabilidad de obtener datos
cercanos al valor medio de la
distribucin.
5. El coeficiente de sesgo es igual a
cero (0.
6. La curtosis es igual a cero (0).

Motivo de la normalizacin
La transformacin logartmica de los valores y la de
la variabilidad relativa de estos, producen efectos
estabilizadores en la variacin de los valores
originales.
Los efectos estabilizadores en la variabilidad de

una caracterstica es un aspecto importante a
considerar en los estudios geo estadsticos, ya que
introduce cierto grado de estabilidad en los datos
de mineralizacin, que muchas veces se presentan en
forma errtica en la naturaleza (p.e. yacimientos de
oro, uranio y otros).
The normal distribution
The variable has a continuous and symmetrical
distribution about the mean. The curve shows
areas limited and occupied by successive
standard deviations.

Curva Normal y Varianza

Intervalos de Confianza

Criterio de comprobacin
El primer paso para conocer si una distribucin
sigue una ley log normal es el aspecto
asimtrico del histograma, que se presenta
concentrado hacia el eje de la ordenada. Al
igual que en el caso de la ley normal, si
llevamos frecuencias acumuladas sobre el grafico
gaussiano log normal (ordenada: reas, abscisa:
valores logartmicos) y los puntos que se
determinan se alinean segn una recta, que
postulara la log normalidad aproximada.
Parmetros de validacin de Normalidad en
los datos
Respecto parmetros de tendencia central.
Me = Mo= ( Su variacin mxima entre

ellas debe ser de una unidad 1).
Mediana = Moda = Media

los datos
Respecto parmetros de forma
En el caso de existir asimetra horizontal , se propone segn (Wester- Oliver), lo siguiente:
CS (Asimetra) = 0
1. 0<|CS|<0.5, se acepta la funcin de distribucin de probabilidad como normal, s

e puede aplicar el mtodo geoestadstico a los datos.
2. 0.5<|CS|<1, es necesario realizar una transformacin de datos (normalizacin) d

e tipo raz cuadrada.
3. |CS|>1, es necesario hacer una transformacin de tipo logartmico (ln o log).

los datos
Tanto la funcin de distribucin de los datos como la varianza son funciones
de la media la cual es altamente sensible a los valores extremos. En consecuencia se deb
e tener conocimiento de la afectacin de estos valores extremos sobre la media, para e
llo se calcula el coeciente de variacin (CV).
En todo caso se debe vericar lo siguiente.
1. Si CV < 100, no hay problema con los valores extremos de los datos
2. Si 100<CV<=200, Los efectos causados por los valores extremos de los datos
son tolerables, aun as difucultaran la estimacin.
3. Si CV>200, se tienen problemas severos con los valores extremos de los datos.
Esto es importante, pues en caso de que los valores extremos de los datos afecten a l
muestra ala distribucin de los mismos, se deber analizar si es conveniente e
liminarlos en caso que obedezcan a un error en la medicin o hacer una trans
formacin de los datos para reducir su inuencia en la muestra.

Transformacin de variables
Como regla general, se trata de escoger una
transformacin que conduzca a una distribucin
simtrica, y ms cercana a la distribucin
normal. De este modo, se pueden aplicar
numerosas tcnicas de inferencia estadstica. En
una distribucin simtrica unimodal, la media,
moda y mediana coinciden; adems, el coeficiente
de asimetra es cero (as como todos los
momentos de orden impar).
Cuando se tienen distribuciones de frecuencias
con asimetra negativa (frecuencias altas hacia
el lado derecho de la distribucin), es
conveniente aplicar la transformacin y = x.
Esta transformacin comprime la escala para
valores pequeos y la expande para valores
altos. Para distribuciones asimtricas
positivas se usan las transformaciones x,
ln(x) y 1/x, que comprimen los valores altos y
expanden los pequeos. El efecto de estas
transformaciones est en orden creciente: menos
efecto x, ms ln(x) y ms an 1/x.
La transformacin ms utilizada es la del logaritmo.
Muchas distribuciones de datos econmicos, o de consumos

se convierten en simtricas al tomar la transformacin
logaritmo.
Figura. Campana de Gauss

Anamorfosis Gaussiana
Es poco frecuente que la variable estudiada tenga
una distribucin Gaussiana: a menudo. Una
transformacin llamada anamorfosis es entonces
necesaria para convertirla en una funcin aleatoria
Gaussiana.
Grficamente, la anamorfosis consiste en deformar el
histograma de los datos en un histograma Gaussiano,
de modo que la variable transformada, denotada Y(x),
tenga una distribucin Gaussiana estndar (de media
0 y varianza 1):



Observaciones
existen casos en los cuales la transformacin
Gaussiana es delicada o incluso imposible:
variables categricas, variables con una
proporcin importante de valores nulos.

Anlisis estadstico POST Compositacin,
Cutting y Normalizacin
La compositacin ayudara a estandarizar los
tramos de los sondajes - Mejora estimacin.
El cutting grades eliminara valores que se

alejen del conjunto de datos, evitando un
promedio errtico. Mejora estimacin.
La normalizacin preparar la data para un

anlisis estructural y posterior estimacin.

Referencias Bibliogrficas
1. Estadstica, Marcos Alfaro Sironvalle, Chile.
2000.
2. Cutting or Capping of High Assay Values, William
E. Roscoe, Ph.D., P.Eng. Roscoe Postle Associates
Inc. Canada, 2012.
3. TECHNICAL REPORT ON THE MINERAL RESOURCE
ESTIMATE, FRUTA DEL NORTE PROJECT, ECUADOR -NI
43-101 Report, 2014, Canada.
4. ACTUALIZACIN DE RECURSOS MINERALES MONTECRISTO,
E-Mining Ingeniera S.A. 2009, Chile.
5. Catedra de Anlisis Geoestadstico, Universidad
T. Federico Santa Mara, Marcelo Andrs Perez.

Gracias por su atencin

EY001 E Clase2 AED

Uploaded by

Document Information

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

EY001 E Clase2 AED

Uploaded by

Copyright:

Available Formats

Estimacin de Recursos Minerales

Curso: Estimacin de Recursos Minerales

Heber Hernndez G. - Nube Minera - 2017

Posible Yacimiento Yacimiento (Mina)

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Por ejemplo, la mediana divide la poblacin en

Heber Hernndez G. - Nube Minera - 2017

Desviacin estndar: Indica cunto tienden a

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

1. Header o Collar: Ubicacin de los DDH

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Numero total de muestras Ley mnima detectada

Comportamiento Log Normal

Al aumentar la ley de Cobre,

Concentracin de leyes bajas

El histograma es una herramienta til

La visualizacin del histograma de los

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Las dos medidas ( x, y) se consideran como un

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Histograma datos originales Histograma Desagrupado

Heber Hernndez G. - Nube Minera - 2017

mtodo de las celdas

Pesos de kriging ordinario

Polgonos: Asigna el peso proporcional al

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

After the diamond core has been extracted it is logged by the

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

This bench compositing is the method most

Heber Hernndez G. - Nube Minera - 2017

Tramos mas cortos de compositos generan un mayor

1. La moda estadstica de los datos.

El criterio mas aplicado es el de la moda

Heber Hernndez G. - Nube Minera - 2017

Heber Hernndez G. - Nube Minera - 2017

Fuente: MINERAL RESOURCE AND ORE RESERVE ESTIMATION - THE

Andrea 150 0.02 7.24 0.96 1.38 1.90 1.43

Heber Hernndez G. - Nube Minera - 2017