UNIVERSIDAD NACIONAL DE SAN AGUSTÍN DE AREQUIPA

FACULTAD DE GEOLOGÍA, GEOFÍSICA Y MINAS

ESCUELA PROFESIONAL DE INGENIERÍA GEOLÓGICA

“MODELAMIENTO GEOLÓGICO PARA LA ESTIMACIÓN DEL RECURSO

MINERAL EN EL CUERPO ESPERANZA DEL YACIMIENTO YAURICOCHA,
PROVINCIA DE YAUYOS-ALIS”

TESIS PRESENTADA POR EL BACHILLER:

JESUS EMILIO BELTRAN PARIS

PARA OPTAR EL TÍTULO PROFESIONAL

DE INGENIERO GEÓLOGO

ASESORA: MSC. ING. MADELEINE NATHALY

GUILLEN GOMEZ

AREQUIPA – PERÚ
2022
DEDICATORIA

El presente trabajo se lo dedico:

A mi abuelo Emilio Beltrán Luza, quien me enseñó

a tratar de ser justo, generoso, a servir a los
demás y valorar a las personas que llegan a mi
vida. El quien ahora se encuentra en un mejor
lugar.

A mis tíos queridos Esperanza y José, del mismo

modo a mi primo Joseph Ayron por apoyarme
siempre, por brindarme su cariño incondicional,
su paciencia y demás enseñanzas.

A mis padres, a mis queridos hermanos y a Piero

mi sobrino.

i
 AGRADECIMIENTOS

Agradezco a la Empresa Sociedad Minera Corona, representada por el Ing.

Vladimir Bedoya Valdivia, Superintendente del Área de Geología de la Empresa
Sociedad Minera Corona, por brindarme todas las facilidades para la realización de
la presente tesis.

Del mismo modo agradezco al Ing. Carlos Villanueva, Gerente General del
Proyecto Yauricocha, a los Ing. Washington Larico Cayo; Katia Uxúa de los
Milagros Encalada Julca, Roosmery Delgado La Madrid, Marite Ancco Castillo,
Manuel Quispe Chilón y al Área de Geología en general, así como al Área de Dibujo
a cargo de Nilton Quispe Arteaga, Jorge Enero Huaringa y Moisés Sasiga H. por su
apoyo, críticas y asesoramiento, durante desarrollo y culminación del estudio.

A la MSc. Ing. Madeleine Guillén Gómez, por su apoyo y asesoramiento

durante la redacción de la presente tesis.

ii
 RESUMEN

El presente trabajo se realizó con la finalidad de demostrar que el uso de la

tecnología informática como los softwares de modelamiento geológicos implícitos,
la geoestadística y la aplicación de las buenas prácticas son en conjunto
herramientas útiles para caracterizar los recursos minerales de manera confiable y
acorde a los códigos internacionales. Para ello, en primera instancia se recolectó
datos de mina como: mapeos, muestreo por canales y sondajes diamantinos, para
su posterior uso en el software para modelamiento geológico, con el cual se
realizaron los reportes de recursos y reservas en la Unidad Minera Yauricocha; al
respecto, el enfoque del presente trabajo comprendió el cuerpo Esperanza,
pudiendo de esta manera determinar el comportamiento geológico y la
caracterización de los recursos. En segundo lugar, se realizó el análisis exploratorio
de datos (EDA), seguido del análisis variográfico, estimación y validación de
recursos mediante el uso de software de modelamiento como el Leapfrog,
Datamine, Snowden Supervisor, Target for ArcGIS los cuales fueron mostrados
mediante tablas y figuras, que a su vez fueron de mucha utilidad debido a la
versatilidad y facilidad de su aplicación. El control de calidad realizado en el
muestreo de testigos de perforación diamantina, muestreo de canales de las
diferentes ventanas de explotación, mapeos geológicos, dieron buenos resultados
pues se pudo asegurar la calidad y el nivel de confianza de la información que se
usó para el modelamiento geológico, estimación y categorización de recursos.
Finalmente, los resultados que se obtuvieron en cuanto a la calidad de predicción
de los recursos minerales para el cuerpo Esperanza fueron muy favorables, por
tanto, que los resultados de validación para recursos medidos, indicados e inferidos
cumplen los estándares establecidos por los códigos internacionales como son el
NI 43-101 CMI, entre otros.
Palabras clave: geoestadística, modelamiento geológico, cuerpo
mineralizado Esperanza, estimación de recursos.

iii
 ABSTRACT

The present work was carried out with the purpose of demonstrating that the
use of computer technology such as implicit geological modeling software,
geostatistics and the application of good practices are together useful tools to
characterize mineral resources in a reliable manner and according to international
codes. For this, in the first instance, mine data was collected such as: mapping,
channel sampling and diamond drilling, for later use in the geological modeling
software, with which the resource and reserve reports were made in the Yauricocha
Mining Unit; In this regard, the focus of this work included the Esperanza body, thus
being able to determine the geological behavior and the characterization of the
resources. Second, the exploratory data analysis (EDA) was carried out, followed
by the variographic analysis, estimation and validation of resources through the use
of modeling software such as Leapfrog, Datamine, Snowden Supervisor, Target for
ArcGIS which were shown through tables. and figures, which in turn were very useful
due to the versatility and ease of their application. The quality control carried out in
the sampling of diamond drilling witnesses, channel sampling of the different
exploitation windows, geological mapping, gave good results because it was
possible to ensure the quality and level of confidence of the information used for
modeling. geological, estimation and categorization of resources. Finally, the results
obtained regarding the quality of prediction of mineral resources for the Esperanza
body were very favorable, therefore, the validation results for measured, indicated
and inferred resources meet the standards established by international codes such
as they are the NI 43-101 CMI, among others.
Keywords: geostatistics, geological modeling, Esperanza ore body,
resource estimation.

iv
 ÍNDICE GENERAL

DEDICATORIA .................................................................................................................. i
AGRADECIMIENTOS ...................................................................................................... ii
RESUMEN........................................................................................................................iii
ABSTRACT ......................................................................................................................iv
ÍNDICE GENERAL ........................................................................................................... v
ÍNDICE DE TABLAS ........................................................................................................ix
ÍNDICE DE FIGURAS....................................................................................................... x
ACRÓNIMOS Y ABREVIATURAS .................................................................................xiii

CAPÍTULO I
INTRODUCCIÓN
1.1. Generalidades .................................................................................................... 1
1.2. Ubicación y accesibilidad del proyecto................................................................ 2
1.2.1. Ubicación. .................................................................................................... 2
1.2.2. Accesibilidad................................................................................................ 2
1.3. Justificación ........................................................................................................ 3
1.4. Formulación del problema .................................................................................. 3
1.4.1. Definición del problema. .............................................................................. 3
1.4.2. Formulación del problema. .......................................................................... 4
1.5. Alcances y limitaciones ....................................................................................... 5
1.5.1. Alcances. ..................................................................................................... 5
1.5.2. Limitaciones................................................................................................. 5
1.6. Variables e indicadores ...................................................................................... 6
1.6.1. Independiente. ............................................................................................. 6
1.6.2. Dependiente. ............................................................................................... 6
1.6.3. Indicadores. ................................................................................................. 6
1.7. Objetivos ............................................................................................................ 6
1.7.1. General........................................................................................................ 6
1.7.2. Específicos. ................................................................................................. 7
1.8. Hipótesis ............................................................................................................. 7
1.9. Clima y vegetación ............................................................................................. 7
1.10. Fisiografía ....................................................................................................... 7
1.11. Drenaje ........................................................................................................... 8
1.11.1. Drenaje superficial. .................................................................................. 8
1.11.2. Drenaje subterráneo. ............................................................................... 8

v
 CAPÍTULO II
MARCO TEÓRICO
2.1. Antecedentes de la investigación........................................................................ 9
2.2. Bases teóricas ...................................................................................................10
2.2.1. Modelo geológico. ......................................................................................11
2.2.1. Geoestadística............................................................................................13
2.2.2. Estimación de recursos minerales ..............................................................21

CAPÍTULO III
MATERIAL DE ESTUDIO
3.1. Geología regional ..............................................................................................24
3.1.1. Estratigrafía. ...............................................................................................25
3.1.2. Rocas intrusivas (n-gd) ...............................................................................28
3.2. Geología local....................................................................................................31
3.2.1. Estratigrafía. ...............................................................................................31
3.2.2. Rocas intrusivas. ........................................................................................33
3.3. Geología estructural ..........................................................................................36
3.3.1. Fracturas. ...................................................................................................37
3.3.2. Falla Yauricocha. ........................................................................................37
3.3.3. Falla Chonta. ..............................................................................................38
3.3.4. Pliegues......................................................................................................38
3.4. Geología económica ..........................................................................................42
3.4.1. Mineralización.............................................................................................42
3.4.2. Metamorfismo. ............................................................................................44
3.4.3. Alteraciones hidrotermales .........................................................................44

CAPÍTULO IV
METODOLOGÍA DE LA INVESTIGACIÓN
4.1. Tipo de investigación .........................................................................................46
4.2. Diseño de la investigación .................................................................................46
4.3. Población y muestra ..........................................................................................46
4.4. Técnicas e instrumentos de recolección de datos ..............................................47
4.5. Metodología de trabajo ......................................................................................47
4.5.1. Recopilación de datos. ...............................................................................47
4.5.2. Muestreo. ...................................................................................................48
4.5.3. Control de calidad de las muestras. ............................................................48
4.5.4. Modelamiento geológico y estimación del recurso. .....................................48

vi
 CAPITULO V
MODELAMIENTO DE RECURSOS MINERALES DEL CUERPO ESPERANZA –
YACIMIENTO YAURICOCHA
5.1. Exploración y recolección de datos ....................................................................49
5.2. Muestreo y control de calidad (QA/QC) .............................................................49
5.2.1. Muestras duplicadas. ..................................................................................50
5.2.2. Muestras estándar. .....................................................................................55
5.2.3. Muestras blanco. ........................................................................................58
5.3. Manejo de la base de datos ...............................................................................58
5.3.1. Base de datos primaria. ..............................................................................58
5.3.2. Base de datos interpretada. ........................................................................59
5.3.3. Valores especiales en tablas de recursos. ..................................................60
5.3.4. Data de recursos empleado. .......................................................................61
5.3.5. Despliegue de datos. ..................................................................................61
5.3.6. Codificación de la data de recursos. ...........................................................64
5.4. Análisis exploratorio de datos (EDA)..................................................................67
5.4.1. Efecto proporcional. ....................................................................................67
5.4.2. Histogramas. ..............................................................................................68
5.4.3. Gráfico de probabilidades. ..........................................................................70
5.4.4. Diagrama de cajas. .....................................................................................72
5.4.5. Nube de dispersión o correlación (scatter plots). ........................................75
5.4.6. Matriz de correlación. .................................................................................76
5.4.7. Coeficiente de variación. ............................................................................77
5.4.8. Análisis de contacto. ...................................................................................77
5.4.9. Altos erráticos (outliers). .............................................................................80
5.4.10. Desagrupamiento. ...................................................................................83
5.5. Interpretación geológica y modelamiento...........................................................83
5.5.1. Modelo conceptual......................................................................................83
5.5.2. Modelamiento geológico. ............................................................................84
5.6. Análisis geoestadístico de datos ........................................................................88
5.6.1. Compositación. ...........................................................................................88
5.6.2. Análisis de tendencia de leyes. ...................................................................90
5.6.3. Variograma. ................................................................................................90
5.7. Estimación de recursos del cuerpo Esperanza ..................................................96
5.7.1. Principios de interpolación lineal. ................................................................96
5.7.2. Modelo de bloques. ....................................................................................97
5.7.3. Dominios de interpolación.........................................................................100

vii
 5.7.4. Métodos de interpolación lineal.................................................................102
5.7.5. Error de estimación...................................................................................102
5.7.6. Suma de pesos. ........................................................................................102
5.7.7. Varianza de estimación. ...........................................................................103
5.7.8. Propiedades del Kriging. ...........................................................................104
5.7.9. Elipsoide de búsqueda. ............................................................................104
5.7.10. Determinación y optimización de parámetros ........................................105
5.7.11. Buenas prácticas en la estimación. .......................................................109
5.7.12. Fuentes de errores comunes en la estimación. .....................................109
5.7.13. Ley de corte. .........................................................................................109

CAPÍTULO VI
ANÁLISIS Y DISCUSIÓN DE RESULTADOS
6.1. Clasificación y validación de recursos del cuerpo Esperanza ..........................110
6.1.1. Validación. ................................................................................................112
6.1.2. Sesgo global. ............................................................................................117
6.1.3. Sesgo condicional. ...................................................................................118
6.1.4. Curva tonelaje-ley. ....................................................................................119
6.1.5. Reporte de recursos. ................................................................................120
6.2. Discusión de resultados ...................................................................................121
CONCLUSIONES ..........................................................................................................123
RECOMENDACIONES ..................................................................................................124
BIBLIOGRAFÍA ..............................................................................................................125

viii
 ÍNDICE DE TABLAS

Tabla 1. 1. Coordenadas UTM en las que se enmarca la concesión minera. .................... 2

Tabla 1. 2. Accesibilidad hacia la unidad minera............................................................... 3
Tabla 1. 3. Formulación del problema de investigación. .................................................... 5

Tabla 2. 1. Principales diferencias entre sistemas de reporte en Australia y Canadá. ......23

Tabla 3. 1. Principales minerales de mena y ganga del cuerpo Esperanza......................43

Tabla 5. 1. Resumen de datos para duplicados finos para Cu y Zn. ................................51

Tabla 5. 2. Resumen de resultados en duplicados. ..........................................................55
Tabla 5. 3. Resumen de resultados en estándares. .........................................................56
Tabla 5. 4. Resumen para blancos finos. .........................................................................58
Tabla 5. 5. Tablas para base de datos de recursos del cuerpo Esperanza del yacimiento
Yauricocha.......................................................................................................................60
Tabla 5. 6. Valores especiales en la base de datos cuerpo Esperanza del yacimiento
Yauricocha.......................................................................................................................60
Tabla 5. 7. Data inicial de perforación diamantina y canales de muestreo. ......................61
Tabla 5. 8. Lista de estructuras mineralizadas. ................................................................65
Tabla 5. 9. Matriz de correlación entre variables. .............................................................77
Tabla 5. 10. Dominio Sulf_Cu. .........................................................................................81
Tabla 5. 11. Dominio sulf_pol Zn......................................................................................81
Tabla 5. 12. Dominio Sulf_Pol Pb. ...................................................................................82
Tabla 5. 13. Capping para Py/Sulf_Cu/Sulf_Pol. ..............................................................82
Tabla 5. 14. Capping para Sulf_Py/Sulf_Pol. ...................................................................83
Tabla 5. 16. Tipos de “variogramas”. ...............................................................................90

Tabla 6. 1. Verificación volumétrica (BM vs WFs). .........................................................114

Tabla 6. 2. Resumen de estadísticas de compositos vs estadísticas de modelo de bloques.
......................................................................................................................................115
Tabla 6. 3. Resumen de sesgo global de la variable original vs estimaciones................118
Tabla 6. 4. Resumen de recursos del cuerpo Esperanza por dominios. .........................121

ix
 ÍNDICE DE FIGURAS

Figura 1. 1. Mapa de ubicación de la Unidad Minera Yauricocha. Fuente: Base cartográfica

digital del IGN, MTC y GEOCATMIN. ............................................................................... 4

Figura 2. 1. Ejemplo de modelo geológico bidimensional desarrollado en Minera Escondida.

Fuente: Adaptado de Rossi & Deutsch, 2014. .................................................................12
Figura 2. 2. Gráfico representativo de las diferencias entre métodos convencionales y
geoestadístico. Fuente: Modificado de Tulcanaza, 1999 b. ..............................................14
Figura 2. 3. Histogramas de leyes de cobre medidas sobre tres soportes distintos (bloques
de 1m×1m, 5m×5m y 25m×25m). Fuente: Emery, 2013. .................................................15
Figura 2. 4. Herramientas estadísticas de datos. Fuente: Emery, 2013. ..........................20
Figura 2. 5. Herramientas correlación multivariable. Fuente: Emery, 2013. .....................21

Figura 3. 1. Mapa geológico regional. Fuente: Base de datos digital del GEOCATMIN. ..29
Figura 3. 2. Columna estratigráfica regional Tarma - La Oroya. Fuente: Adaptado del
INGEMMET, 1996. ..........................................................................................................30
Figura 3. 3. Geología local de Yauricocha. Fuente: Sociedad Minera Corona S.A. ..........35
Figura 3. 4. Columna estratigráfica local de Yauricocha. Fuente: Sociedad Minera Corona
S.A...................................................................................................................................36
Figura 3. 5. Sección Transversal Mina Yauricocha. Fuente: Sociedad Minera Corona S.A.
........................................................................................................................................40
Figura 3. 6. Plano estructural. Fuente: Sociedad Minera Corona S.A. .............................41
Figura 3. 7. Modelo esquemático de alteraciones hidrotermales del cuerpo Esperanza.
Tomado de Pacori, 2020. .................................................................................................45

Figura 4. 1. Proceso metodológico aplicado en la investigación. .....................................47

Figura 5. 1. Interacción del QA/QC en el proceso de explotación minera.........................50

Figura 5. 2. Análisis de duplicados para Cu. ....................................................................52
Figura 5. 3. Análisis de duplicados para Cu. ....................................................................53
Figura 5. 4. Análisis de duplicados para Zn. ....................................................................54
Figura 5. 5. Análisis de estándar para Zn/Cu. ..................................................................57
Figura 5. 6. Análisis de estándar para Zn.........................................................................57
Figura 5. 7. Enfoque de confianza en la base de datos empleada para la estimación de
recursos. Fuente: AusIMM, 2014. ....................................................................................59
Figura 5. 8. Despliegue de datos de sondajes y muestreo de labores en interior mina. ...62

x
Figura 5. 9. Sondajes perforación diamantina con la topografía con la cual se valida la
ubicación correcta del collar de los sondajes. ..................................................................63
Figura 5. 10. Strip Log en sondaje diamantino. ................................................................64
Figura 5. 11. Dominio por estructura mineralizada. ..........................................................66
Figura 5. 12. Análisis para efecto proporcional. ...............................................................68
Figura 5. 13. Análisis por histogramas para Cu................................................................69
Figura 5. 14. Análisis por histogramas para Zn. ...............................................................70
Figura 5. 15. Análisis por gráficos de probabilidad para Cu. ............................................71
Figura 5. 16. Análisis por gráficos de probabilidad para Zn. .............................................72
Figura 5. 17. Box plot por estructura mineralizada para Cu..............................................72
Figura 5. 18. Box plot por estructura mineralizada para Zn. .............................................73
Figura 5. 19. Box plot por litología para Cu. .....................................................................73
Figura 5. 20. Box plot por litología para Zn. .....................................................................74
Figura 5. 21. Box plot por tipo de muestreo para Cu. .......................................................74
Figura 5. 22. Box plot por tipo de muestreo para Zn. .......................................................75
Figura 5. 23. Gráficos de correlación para Zn, Ag, Pb, Cu y Fe. ......................................76
Figura 5. 24. Análisis de contacto por dominios. ..............................................................78
Figura 5. 25. Análisis de correlación por estructura mineralizada.....................................79
Figura 5. 26. Análisis de top cut o capping para Cu. ........................................................80
Figura 5. 27. Análisis de top cut o capping para Zn. ........................................................81
Figura 5. 28. Análisis de top cut o capping para Pb. ........................................................82
Figura 5. 29. Modelo geológico por estructuras mineralizadas. ........................................85
Figura 5. 30. Validación de modelos de recursos.............................................................86
Figura 5. 31. Dominios para recursos. .............................................................................87
Figura 5. 32. Análisis de longitud de muestreo para compositar. .....................................89
Figura 5. 33. Variables compositadas a 1m. ....................................................................89
Figura 5. 34. Parámetros para análisis de variogramas. Fuente: SRK CONSULTING. ....91
Figura 5. 35. Mapa de variogramas direccionales con lo cual se podrá definir la existencia
de anisotropías preferenciales Cu....................................................................................92
Figura 5. 36. Mapa de variogramas direccionales con lo cual se podrá definir la existencia
de anisotropías preferenciales Zn. ...................................................................................93
Figura 5. 37. Variograma downhole y experimental para Cu. ...........................................94
Figura 5. 38. Variograma downhole y experimental para Zn. ...........................................95
Figura 5. 39. Variograma teórico para Cu y Zn. ...............................................................95
Figura 5. 40. Vista en sección de modelo de bloques con litología y mineralización. .......97
Figura 5. 41. Modelo de bloques. .....................................................................................98
Figura 5. 42. KNA para análisis de tamaño de bloques....................................................99

xi
Figura 5. 43. KNA para discretización en modelo de bloques. .........................................99
Figura 5. 44. Modelo de bloques mineralización. ...........................................................100
Figura 5. 45. Modelo de bloques mineralización de sulfuros por estructura. ..................100
Figura 5. 46. Modelo de bloques por dominio. ...............................................................101
Figura 5. 47. Elipsoide de búsqueda. .............................................................................105
Figura 5. 48. Estrategia de búsqueda de recursos. ........................................................106
Figura 5. 49. Análisis de número de muestras para recursos.........................................107
Figura 5. 50. Análisis de regresión e histogramas para evaluar la densidad. .................108

Figura 6. 1. Clasificación de recursos. ...........................................................................111

Figura 6. 2. Relación entre recursos y reservas. Fuente: Código JORC. .......................112
Figura 6. 3. Validación cruzada para Cu y Zn. ...............................................................113
Figura 6. 4. Validación visual para Zn. ...........................................................................114
Figura 6. 5. Validación por Swath Plot para Zn. .............................................................116
Figura 6. 6. Validación de interpolación por histogramas y gráficos de probabilidad. .....117
Figura 6. 7. Análisis de sesgo condicional en Zn. ..........................................................119
Figura 6. 8. Curva tonelaje vs NSR. Fuente: SRK Consulting. .......................................120

xii
 ACRÓNIMOS Y ABREVIATURAS

AusIMM: Australasian Institute of Mining and Metallurgy

NSR: Net Smelted Return
QA/QC QA (Quality Assurance), QC (Quality Control)
ER: Error relativo
MFC: Muestras fallidas
MR: Material de referencia
MV: Mejor valor
CRM: Control Material Reference
SD: Desviación estándar
CV: Coeficiente de variación
LD: Límite de detección
SMV: Unidad Selectiva de Minado
RSD: Desviación estándar relativa
KNA: Kriging Neighborhood Analysis
EDA: Análisis Exploratorio de Datos
DA: Densidad aparente
Py: pirita
Bx_Min Brecha mineralizada
Sulf_pol: Sulfuros polimetálicos
Sulf_Cu Sulfuros de cobre
Clz: calizas
Intr: Intrusivo
Cu: cobre
Zn: zinc
Ag: plata
Pb: plomo
Fe: hierro
Au: oro
As: arsénico

xiii
 CAPÍTULO I
INTRODUCCIÓN

1.1. Generalidades
El consumo y comercialización de concentrados minerales como cobre, plata
y zinc es cada vez mayor a nivel mundial, motivo por el cual, las empresas mineras
tienen como necesidad explorar y descubrir nuevos yacimientos con potencial
técnico y económico que garantice la producción a nivel mundial; es por ello, que
hacer uso de herramientas acorde a la vanguardia en minería serán necesarios en
la optimización de los métodos de exploración, explotación y comercialización de
concentrados, sin dejar de lado el impacto a la seguridad y el medio ambiente con
el menor costo posible. Motivo por el cual, se utilizó el software de modelamiento
geológico, con la finalidad de optimizar los trabajos en las diferentes etapas de
explotación en el cuerpo Esperanza del yacimiento de Yauricocha.
La gran variedad de depósitos por reemplazamiento en rocas carbonatadas
y un gran historial de infraestructura minera, hacen que el distrito minero de
Yauricocha sea ideal para realizar trabajos de mapeo geológico, geoquímica,
geofísica, perforación diamantina, muestreo y análisis como guías de exploración
para este tipo de depósitos.
El cuerpo Esperanza es un cuerpo de reemplazamiento metasomático de
forma irregular emplazado en contacto con calizas de la formación Jumasha, lutitas
de la formación Celendín hacia la parte superior y al contacto con el intrusivo
granodiorítico, este cuerpo tiene una longitud aproximada de 900 m con dirección

1
(NW-SE) y buzan a gran ángulo al NE o son aproximadamente verticales. Sus
dimensiones verticales son de 500 m con anchos variables de 10 m a 80 m,
tendiendo a ser fusiformes en profundidad.
El cuerpo Esperanza se explota por medio de Sub Level Caving mecanizado
no selectivo ya que la mineralización es friable principalmente de Py y sulfuros
polimetálicos pudiendo ser Cu o Zn con contenidos de Ag, Pb, Au, como
mineralización principal. El As y Fe son minerales accesorios predispuestos a
penalidad en la comercialización de concentrados.
Debido a la complejidad de los cuerpos mineralizados y la gran variabilidad
de las leyes, es que se hace uso de software de modelamiento de recursos, así
como también aplicar buenas prácticas durante el proceso de modelamiento
geológico y estimación de recursos con el objetivo de reducir la incertidumbre
geológica presente en este tipo de yacimientos.

1.2. Ubicación y accesibilidad del proyecto

1.2.1. Ubicación.
La mina Yauricocha políticamente está ubicada en el distrito de Alis,
provincia de Yauyos y departamento de Lima, en la Cordillera Occidental del centro
del Perú a 160 km al NE de Lima (ver figura 1.1).
Localizada geográficamente en la zona alta de la Cordillera Occidental
Andina, muy cerca de la línea Divisoria Continental, en las nacientes de uno de los
afluentes del río Cañete, el que desemboca al Océano Pacífico. El área de la mina
se encuentra a una altitud promedio de 4 600 m.s.n.m. El proyecto está ubicado
entre las coordenadas UTM WGS 84, Zona 18L que se muestran en la tabla 1.1.

Tabla 1. 1. Coordenadas UTM en las que se enmarca la concesión minera.

Este (m) Norte (m)
418 000 8 645 000
430 000 8 628 000

1.2.2. Accesibilidad.
Las principales vías de acceso a la mina Yauricocha, son por la carretera
central Lima – Huancayo – Yauricocha con 420 km de distancia, la vía es asfaltada

2
de Lima a Huancayo – Chupaca, de Chupaca hasta la mina Yauricocha es carretera
afirmada.
Otra vía importante es por la Panamericana Sur, Lima – Cañete –
Yauricocha, por el valle del río Cañete con una distancia de 370 km, la vía esta
asfaltada de Lima a Pacarán y de Pacarán a la mina Yauricocha es carretera
afirmada (ver tabla 1.2).

Tabla 1. 2. Accesibilidad hacia la unidad minera.

Vías de Acceso Tipo de Acceso Distancia Tiempo
(Km) (h)
Lima– Huancayo - Asfaltado-Asfaltado y afirmado 420 9
Yauricocha
Lima – Cañete - Asfaltado-asfaltado y afirmado 370 6
Yauricocha

1.3. Justificación
Los métodos tradicionales para la estimación de recursos minerales
presentan limitaciones en la delimitación de la variabilidad espacial, frente a ello el
avance de herramientas tecnológicas para el correcto proceso de modelamiento y
estimación de recursos siguiendo los lineamientos de buenas prácticas
establecidos en los códigos internacionales, sujetos a la experiencia y conocimiento
de la persona competente permiten obtener un nivel de confianza aceptable en la
predicción de recursos y por ende, la extracción de mineral del cuerpo Esperanza
presente un nivel de incertidumbre geológico y económico aceptables.

1.4. Formulación del problema

1.4.1. Definición del problema.
Durante el proceso de modelamiento de recursos existe la dificultad de
definir zonas estacionarias en las distintas unidades litológicas debido a la
complejidad de cada ambiente geológico, como es el caso del cuerpo Esperanza
que presenta una configuración irregular, con gran variabilidad de leyes, es por ello
que hacer usos de herramientas tecnológicas como el uso de softwares de
modelamiento y estimación de recursos serán de mucha importancia en el manejo
e interpretación de la información que se obtiene en campo como son ensayos de
leyes, mapeo, etc.

3
Figura 1. 1. Mapa de ubicación de la Unidad Minera Yauricocha. Fuente: Base cartográfica digital del IGN, MTC y GEOCATMIN.

4
1.4.2. Formulación del problema.
El modelamiento de recursos por métodos geométricos tradicionales y el uso
de malas prácticas conlleva a deficiencias técnicas y económicas en distintas
etapas de la vida útil de la mina. En consecuencia, es importante realizar de
manera adecuada el proceso de modelamiento de recursos en sus distintas etapas
y de esta manera optimizar resultados y reducir los niveles de riesgo técnico y
económicos.

Tabla 1. 3. Formulación del problema de investigación.

PROBLEMA CAUSAS EFECTO
¿Cuáles son los - Modelos geológicos Establecer
efectos de realizar un deficientes. procedimientos en
proceso de función a las buenas
- Análisis exploratorio
modelamiento de prácticas con lo cual se
de datos inadecuado
recursos deficiente sin debe garantizar que la
contemplar las buenas - QA/QC deficiente. toma de muestras,
prácticas en - Uso incorrecto de preparación, análisis y
estimación de recursos métodos empíricos estimación de recursos
y en la explotación del en la estimación de sea el adecuado.
cuerpo Esperanza? recursos.

1.5. Alcances y limitaciones

1.5.1. Alcances.
La presente investigación se enfocó en el modelamiento geológico del
cuerpo Esperanza, donde a partir de la recolección de datos de sondajes
diamantinos y muestras de canales se elaboró y validó la información en el entorno
de las buenas prácticas en minería. Cabe resaltar, que para ello se consideró todas
las variables que componen el cuerpo mineralizado; pero, como forma de
practicidad para la presentación de resultados se muestra los resultados obtenidos
para las variables Cu y Zn.

1.5.2. Limitaciones.
- La información de interés específico para la empresa no será publicada,
debido que estos son confidenciales para uso propio.
- El presupuesto económico restringido, el cual ayudaría a realizar estudios
analíticos actualizados.

5
 - Presupuesto limitado para establecer protocolos en la toma de muestras,
tanto de análisis químicos y densidad.

1.6. Variables e indicadores

1.6.1. Independiente.
- Base de datos como topografía, mapeos geológicos, sondajes diamantinos
y muestreos de canales.
- Mineralización del cuerpo Esperanza.
- Métodos utilizados en la estimación de recursos.

1.6.2. Dependiente.
- Validación de base de datos.
- Caracterización de recursos.
- Modelo geológico de estructuras mineralizadas.
- Determinación de dominios geológicos.
- Mejoras de resultados en la estimación de recursos y la extracción de mineral
o desmonte del cuerpo Esperanza.

1.6.3. Indicadores.
- Recursos medidos, indicados e inferidos.
- Consistencia del modelo.
- Sesgo global de las estimaciones entre la ley real.
- Variable estimada y variable real.
- Leyes reales y estimadas de bloques.

1.7. Objetivos
1.7.1. General.
Construir el modelo geológico del cuerpo Esperanza del Yacimiento
Yauricocha y su evaluación de recursos, con la finalidad de añadir valor y reducir el
riesgo presente en distintas etapas de explotación minera mediante la aplicación
del uso de software en el modelamiento de recursos.

6
1.7.2. Específicos.
1. Demostrar que la aplicación del software para modelamiento y las buenas
prácticas optimizan el modelamiento y estimación de recursos en el cuerpo
Esperanza.
2. Validar los procedimientos de control de calidad (QA/QC) del muestreo en
las labores mineras.
3. Aprovechar el uso de los métodos estadísticos y geoestadísticos mediante
softwares geológicos.
4. Disminuir la sobreestimación y subestimación de recursos.
5. Reducir el tiempo de modelamiento y estimación de recursos y reservas.
6. Reducir el riesgo técnico y económico en la explotación minera.

1.8. Hipótesis
La aplicación del software de modelamiento recursos añadido del uso de
buenas prácticas contribuye a la mejora de resultados en la caracterización de
recursos minerales; por ende, una mejor gestión en distintas etapas de la
explotación minera.

1.9. Clima y vegetación

El clima de la región se caracteriza por ser frígido, presentando dos
estaciones bien marcadas: la húmeda (de noviembre a abril) con precipitaciones
principalmente sólidas de nevada y granizo, y la seca durante el resto del año; la
temperatura durante el día es de 15°C a 20°C y en la noche está por debajo de los
10°C. Las precipitaciones sólidas de la estación húmeda alimentan glaciares que
luego forman riachuelos que desembocan en las lagunas (Valencia, 2020, p.7).
En el área que comprende Yauricocha, la vegetación principal es del tipo
Puna compuesta mayormente por ichu y paja; también, la flora es variada con
especies de pastos y matorrales, así como algunos árboles (Valencia, 2020, p. 7).
La diversidad biológica es típicamente de comunidades Andinas.

1.10. Fisiografía
La topografía del distrito de la mina Yauricocha es muy accidentado con
escarpas y cumbres elevadas en algunos casos cubierto por nieve perpetua. En la
actual topografía de terreno, indudablemente ha jugado un papel importante la

7
glaciación del Pleistoceno a que ha sido sometido, quedando como testigo lo valles
en “U”, circos glaciares, lagunas escalonadas como Yauricocha, Uñascocha y
Acococha ubicadas al Sur de la mina, fuera del área de estudio.
En el modelado también ha jugado un rol importante los afloramientos de
intrusivos, calizas y lutitas, siendo las rocas más débiles fácilmente erosionadas,
representadas por depresiones como la quebrada Chumpe.

1.11. Drenaje
El drenaje de la zona se realiza a través de la quebrada Chumpe, que
desembocan al rio Huancachi, que a su vez es tributario del rio Cañete, este último
culmina en el Océano Pacifico, cuyo drenaje es dendrítico.

1.11.1. Drenaje superficial.

El drenaje superficial se lleva a cabo mediando sistemas dendríticos que son
sistemas primarios por el cual discurren las aguas meteóricas. Como un sistema
secundario por el cual las aguas discurren con mayor interés por el sistema de fallas
y fracturas que se encuentran en la zona de proyecto Yauricocha.

1.11.2. Drenaje subterráneo.

El drenaje subterráneo se lleva a cabo mediante taladros de drenaje que se
ejecutan en los distintos niveles de explotación, con la finalidad de disminuir el
caudal de agua proveniente de las infiltraciones que se dan en superficie, con la
finalidad de prevenir soplos en los tajos de explotación.

8
 CAPÍTULO II
MARCO TEÓRICO

2.1. Antecedentes de la investigación

En el libro de Tulcanaza (1999 a.) denominado “Una Aplicación
geoestadística en la Mina Casapalca” el objetivo general fue aplicar la
geoestadística a la estimación de recursos de una de las vetas en la mina
Casapalca y entre sus objetivos específicos se requería incorporar la variabilidad
espacial existente en el depósito y, de esta manera hacer uso de toda la
metodología de estimación en otras vetas de Unidad Minera de Casapalca con que
se desea poner en evidencia las ventajas de la geoestadística frente a otros
métodos tradicionales. Finalizado el trabajo se concluyó que el uso de la
geoestadística permite detectar las tendencias estructurales (anisotropías) que
controlan la mineralización de Ag, Cu, Pb y Zn en la veta en estudio. Asimismo, con
los métodos tradicionales no es posible cuantificar dichas tendencias estructurales
(anisotropías) del yacimiento o en otras palabras la variabilidad espacial que
representa distintas direcciones. Por otro lado, la precisión toma en cuenta la
continuidad de mineralización, la ubicación de la muestra, dimensión de las
muestras y las características específicas de cada bloque, estas características no
se logran determinar con métodos convencionales.
En el libro de Rossi & Deutsch (2014) titulado “Mineral Resource Estimation”,
los autores tienen como principal finalidad explicar las principales dificultades que
se puedan encontrar en distintos casos de estudio, describir la geología, dominio

9
de recursos y hacer uso de las principales herramientas estadísticas y
geoestadísticas enfocadas a adaptaciones prácticas, con la cual se logre obtener
recursos estimados confiables; así mismo, se hace hincapié en las dificultades,
debilidades intrínsecas de dichas herramientas y lo critico de usar modelos de
recursos en la industria minera.
En el libro de AusIMM (2014) se presentan diversos temas referentes al
proceso de estimación de recursos de distintos casos de estudio como The
Newmont Boddington Gold Gold/ Copper(Au-Cu), The Gold Copper Silver
Canahuire(Au), The Domang Gold Mine (Au), Salt Creek Gold Deposit (Au), The
Copler Gold Mine, The Haquira Porphyry Copper, entre otros a nivel mundial; donde
se resume en distintos temas la interacción técnica, financiera y la evaluación de
riesgos en la cual está comprometido todo el proceso de estimación de recursos y
reservas minerales. En distintas partes del libro se hace énfasis en la importancia
de la geología, los requerimientos para una base de datos de calidad, la naturaleza
multidisciplinaria de la estimación de recursos, manejo de herramientas muy
potentes como la geoestadística y los programas computacionales, la experiencia,
entrenamiento, trabajo en equipo, planeamiento y comunicación para minimizar el
riesgo y lograr un nivel adecuado en los resultados durante la extracción y
reconciliación de los recursos y reservas estimadas.

2.2. Bases teóricas

Según Rossi & Deutsch (2014) la construcción de modelos numéricos para
la evaluación de recursos a largo, mediano o corto plazo comprende las siguientes
áreas: 1) Recopilación y gestión de datos; 2) Interpretación y modelado geológico;
3) Asignación de categorías y 4) Evaluar y gestionar la incertidumbre geológica y
de ley. El primero es complejo, puesto que requiere de la evaluación y comprensión
de todo el proceso que involucra los trabajos de perforación y muestreo, ya que la
calidad de sus resultados repercute en el modelo final. El segundo, requiere que
los conceptos y modelos geológicos específicos del sitio se integren con datos
reales, para construir el modelo tridimensional de dominios geológicos que pueden
basarse en la litología, estructura, mineralogía, alteración. El tercero, está
relacionado a la concentración de diferentes elementos o minerales (categorías)
que se asignan dentro de los dominios geológicos para subdividir los análisis de
datos. Finalmente, las estimaciones de recursos son complementadas con una

10
medida de incertidumbre, puesto que sus mismas fuentes la presentan, por ello se
requiere cuantificar esta incertidumbre en las variables, pronosticadas por las
buenas prácticas.

2.2.1. Modelo geológico.

Un modelo geológico es una representación tridimensional de aquellas
variables que controlan la mineralización y que son la base para las estimaciones
posteriores; siendo este a menudo el más importante en la estimación de tonelaje
mineralizado (Rossi & Deutsch, 2014, p. 1).
La información geológica proveniente de las diferentes etapas del proyecto
comprende la génesis del depósito, distribución de la roca mineralizada y criterios
de exploración para el incremento de recursos minerales. El nivel de detalle del
yacimiento aumenta a medida que avanza el proyecto y se busca mayores
recursos; cabe resaltar que, no toda la información es relevante para la estimación
de recursos debiéndose estas concentrarse en los controles de mineralización; por
ejemplo, la exploración geológica basada en detalles y descripciones proporciona
pautas para la ocurrencia de minerales (Rossi & Deutsch, 2014).
Un enfoque tradicional para crear un modelo geológico es interpretar las
variables geológicas en secciones transversales, para luego extender las
interpretaciones a volúmenes tridimensionales (modelo geológico determinista) que
no lleva una medida de incertidumbre; sin embargo, estas son difíciles y requieren
mucho tiempo de construcción, además del conocimiento geológico externo y teoría
plausible sobre la génesis del yacimiento y experiencia pasada en yacimientos
similares. Para ello, se debe contar con una cantidad suficiente de información de
pozos de perforación y otros datos como mapeo en superficie e información
estructural y radiométrica. Por otro lado, las formas presentadas en las secciones
deben tener cierto grado de densidad de datos para alcanzar un nivel de confianza
y establecer la continuidad entre secciones, sino la interpretación será pobre;
asimismo el espaciado en la perforación para una correcta interpretación está
relacionado con el tipo de mineralización, la variable geológica que se modela debe
ser continua para dos o tres secciones de unidades de espaciamiento, con un grado
razonable de confianza; pero, esta nunca forma parte de la de la información oficial
publicada recursos. Las secciones se eligen en función de la distribución de los
sondajes, múltiples secciones se combinan para formar un modelo tridimensional
11
consistente, los métodos más simples se basan en una interpretación bidimensional
hecho en secciones transversales, los polígonos resultantes resultan en formas
interpretadas y al final el modelo se puede refinar en vistas, como se muestra en la
figura 2.1 (Rossi & Deutsch, 2014).

Figura 2. 1. Ejemplo de modelo geológico bidimensional desarrollado en Minera

Escondida. Fuente: Adaptado de Rossi & Deutsch, 2014.

Asimismo, la definición de dominios de estimación equivale al modelado de

las variables geológicas que representan la mineralización, los que se basan a
veces de la combinación de dos o más variables geológicas en las que se puede
demostrar cierto grado de relación con la categoría. La determinación de los
dominios de estimación a utilizar está basada en el conocimiento geológico y está
apoyado por un extenso análisis estadístico (análisis exploratorio de datos) incluida
la variografía. La definición de dominios de estimación se conoce como la definición
de zonas estacionarias dentro del depósito, siendo importante la decisión de cómo
agrupar la información dentro de una zona específica dentro del depósito, dentro
ciertos límites, o el depósito como un todo. Los dominios estacionarios no pueden
ser ni muy pequeños mi muy grandes, ya que en el primer caso hay muy pocos

12
datos para una inferencia y descripción estadística confiable y, en el segundo caso
es probable que los datos se subdividan en más subdivisiones geológicamente
homogéneas (Rossi & Deutsch, 2014).
Un factor importante en la evaluación de recursos es la definición adecuada
de los dominios de estimación. Puesto que, mezcla de poblaciones dentro del
depósito generalmente producirá un recurso por debajo del estándar de estimación
que subestima o sobreestima las calificaciones y tonelajes. Es muy raro que alguna
técnica geoestadística compensará una mala definición de estacionariedad (Rossi
& Deutsch, 2014).
En las interpretaciones geológicas y el modelado de la estimación, los
dominios producen límites que a menudo conllevan a una incertidumbre
significativa. En cuanto a ello, el tratamiento y la definición de los límites conlleva a
implicancias en la estimación de recursos tales como dilución, pérdida mineral o
una mezcla de poblaciones geológicas; es por eso que, es importante realizar el
tratamiento de estos límites al momento de la estimación de la ley. Los términos
límites duros y blandos se utilizan para describir si el cambio en la distribución de
calificaciones a través del contacto es brusco o no, respectivamente; por lo general
los límites entre unidades geológicas son considerados “duros” por lo que no se
produce mezcla a través del límite; por otra parte, los límites “suaves” permiten
categorías de dominios vecinos que son usados. A veces, límites suaves y duros
pueden ser predichos o esperados a partir del conocimiento geológico, pero
siempre debe confirmarse con análisis de contacto estadístico (Ortiz y Emery;
Larrondo y Deutsch (como se citó en Rossi & Deutsch, 2014, p. 59)).

2.2.1. Geoestadística.
La geoestadística se define como el estudio de fenómenos regionalizados,
es decir, que se extienden en el espacio y presentan una cierta continuidad. Por
“espacio”, entenderemos en general el espacio geográfico, pero puede también
tratarse del eje temporal o de espacios más abstractos. El objeto sobre el cual
trabajaremos será una descripción matemática del fenómeno regionalizado, a
saber, una o varias funciones numéricas llamadas variables regionalizadas, que
miden ciertas propiedades o atributos relacionados con este fenómeno. (Emery,
2021).

13
 Por otra parte, en Tulcanaza (1999 b.), se menciona que en las estimaciones
convencionales donde se utilizan métodos como el promedio estadístico, método
de polígonos, inverso a la distancia, etc., en donde el cálculo está dado por la
magnitud de las variables, sin embargo estas no satisfacen cualquier estimación,
puesto que la variable estudiada como el caso de la ley metal es una variable
aleatoria sin correlación especial, donde los valores en el espacio son
independientes, ignorando una de las características fundamentales de las
variables que se desplazan en el espacio (variables regionalizadas) como su
carácter estructural y su estructura espacial, esto se resume en la siguiente figura
2.2:

Figura 2. 2. Gráfico representativo de las diferencias entre métodos

convencionales y geoestadístico. Fuente: Modificado de Tulcanaza, 1999 b.

A continuación, se describe algunos temas más resaltantes relacionados a

la presente investigación:

A. Variable regionalizada
Desde el punto de vista conceptual es una función determinística que
presenta dos aspectos complementarios, por un lado, tiene una cierta continuidad
espacial y por otra varia irregularmente y escapa de toda representación simple.
Dado que un fenómeno regionalizado nunca posee una extensión infinita, esta ha
14
sido estudiada dentro de un dominio limitado D llamado campo de la variable que
puede representar a una zona natural, fuera de la cual la variable no está definida.
Esta representa no solo a un punto del espacio sino a una superficie o volumen,
estas dos últimas son denominadas “soporte”. En general el soporte de las
mediciones es muy pequeño “asimilado a un punto”, mientras que en la practica el
que más interesa es voluminoso (como en las unidades selectivas de explotación
en evaluación minera), esto es esencial por la dependencia que hay entre el soporte
y la distribución estadística de los valores, conocida como efecto soporte “los
soportes voluminosos presentan una menor cantidad de valores extremos y una
mayor cantidad de valores intermedios que los soportes puntuales”; así, la
distribución de los valores (en especial, su varianza) depende del soporte sobre el
cual está definida la variable regionalizada. Por ejemplo, en la figura 2.3 se muestra
la distribución de la ley de cobre en un yacimiento medida en tres soportes distintos,
el histograma tiende a simetrizarse cuando aumenta el soporte y disminuye la
varianza y se mantiene constante el valor promedio (Emery, 2013, pp.6-8).

Figura 2. 3. Histogramas de leyes de cobre medidas sobre tres soportes

distintos (bloques de 1m×1m, 5m×5m y 25m×25m). Fuente: Emery, 2013.

15
 Normalmente esta variable se conoce a través de un conjunto limitado de
datos siendo necesario la realización de modelos, por eso, debe tenerse presente
que un modelo nunca describe la variable regionalizada en su totalidad, sin
simplificación, ni distorsión, siendo necesario reducir al máximo la complejidad del
modelo evitando introducir hipótesis o parámetros arbitrarios, que no se puedan
controlar experimentalmente (Emery, 2013).

B. Problemas de estimación
Constituye un objetivo importante en geoestadística evaluar de la manera
más precisa un valor que no ha sido medido a partir de los datos que se disponen.
La medida de la precisión de la estimación está dada por medio de herramientas
probabilísticas como varianzas o intervalos de confianza (Emery, 2013). Se tiene
dos tipos de estimaciones:
Estimación local: se interesan por los diferentes sectores de la zona de
estudio. En general, se busca evaluar el valor en un sitio que no ha sido muestreado
o el valor promedio de un “bloque” cuyo soporte es mayor que el soporte de los
datos. En este problema, debe considerarse la continuidad espacial de la variable
regionalizada, las distancias entre el sector a estimar y los sitios con datos, así
como la configuración espacial de los mismos sitios con datos puesto que datos
agrupados suelen tener valores parecidos, constituyéndose en información
redundante. (Emery, 2021)
Estimación global: busca caracterizar el campo D completo por un valor
único (por ejemplo, la media de la variable regionalizada en estudio) o por una
distribución estadística (histograma). Es poco común que una estimación global sea
suficiente; frecuentemente, se requiere completarla con estimaciones locales. Por
ejemplo, en un estudio de contaminación de suelo, no basta con evaluar la
concentración promedio en toda la zona de un elemento contaminante, sino que es
necesario distinguir los sectores fuertemente contaminados de aquellos que no lo
están. (Emery, 2021)

C. Análisis exploratorio de datos

Previo al uso de métodos geoestadísticos conviene realizar este estudio
para: analizar la calidad y ubicación de datos disponibles (utilizando herramientas
estadísticas simples); definir la (s) zona (s) de estudio y; anticipar dificultades o

16
problemas que se pudieran presentar en la fase de estimación local (como valores
atípicos). En cuanto a ello, es de mucha ayuda el despliegue de datos para
visualizar la ubicación en el espacio con proyecciones en plantas y secciones, así
como mapas con valores medidos para tener una idea preliminar (Emery, 2013,
pp.11-12).

• Estadística básica
Según Emery (2013), algunas estadísticas básicas sobre la distribución de
valores, están dadas por:

Medidas de posición
- Media: promedio aritmético de los valores.
- Cuantiles o percentiles: valores que dividen la población en partes de igual
número de datos. Por ejemplo, la mediana divide la población 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 parámetros robustos, es decir, poco sensibles a la presencia
de algunos valores muy altos o muy bajos.
- Mínimo y máximo: establecen el rango en el cual se distribuyen los valores.

Medidas de dispersión
- Varianza: promedio aritmético de la desviación cuadrática entre cada valor y la
media. Esta medida cuantifica la dispersión del histograma y se expresa en el
cuadrado de la unidad de la variable en estudio.
- Desviación estándar: raíz cuadrada de la varianza; se expresa en la misma
unidad que la variable en estudio.
- Coeficiente de variación (para variables positivas): razón entre la desviación
estándar y la media; es adimensional.
- Rango intercuartil: ancho del intervalo entre el primer y el tercer cuartil, que
contiene la mitad de los datos.
(p. 14)

17
 • Herramientas estadísticas
Histograma
Representa gráficamente las frecuencias de ocurrencia en función del valor
que es dividido en intervalos, donde se muestra la proporción de datos que caben
dentro de cada uno de estos (ver figura 2.4 a). Este es muy útil para detectar valores
atípicos (“outliers”); sin embargo, este dato atípico no debe ser considerado falso o
ser eliminado sin razón, debiendo más bien ser analizado, también el histograma
es un primer medio para verificar la homogeneidad, así también un histograma
multimodal puede permitir la identificación de varias poblaciones pudiéndose dividir
en sub-zonas (Emery, 2013).

Desagrupamiento
Para calcular el histograma y las estadísticas elementales, es frecuente
considerar una variable de ponderación o “desagrupamiento” (en inglés,
declustering) de modo de corregir los efectos provocados por las irregularidades de
la malla de muestreo. La idea es asignar a los datos espacialmente agrupados, en
parte redundantes, un ponderador más pequeño que a los datos aislados, los
cuales son representativos de una porción más extensa del campo (Emery, 2021).
Para determinar esta variable se puede utilizar el método de las celdas (que
requiere definir inicialmente el tamaño de la celda elemental y se examina su
impacto en la media ponderada, como se muestra en la figura 2.4 b).

Histograma acumulado
Representa la frecuencia acumulativa, donde los valores están bajo cierto
umbral como una función de este umbral. De la misa manera que el histograma las
frecuencias se pueden calcular tomando en cuenta ponderadores del
desagrupamiento (ver figura 2.4 c). El histograma acumulado es una función
creciente, desde 0 (para el valor más bajo de la variable) hasta 1 (para el valor más
alto). Al contrario, el histograma acumulado inverso, que muestra la frecuencia de
valores que superan un umbral en función de este umbral, es una función
decreciente (desde 1 hasta 0), conocida en geoestadística minera como curva
tonelaje-ley dado que la frecuencia acumulada es proporcional al tonelaje de
material cuya ley supera la ley de corte (Emery, 2013, p.17).

18
 Gráfico de probabilidad
Sirve para comparar una distribución experimental con una distribución de
referencia (en general, una normal o una lognormal). Consiste en cambiar la escala
de los ejes del histograma acumulado de tal modo que, si la distribución
experimental coincide con la distribución de referencia, se dibujaría una recta, como
se muestra en la figura 2.4 d (Emery, 2013, p.18).

Diagrama de cajas
Permite resumir algunas características de la distribución, tal como su
simetría y su dispersión, a veces se presenta acompañando a un histograma,
presenta un solo eje, en el cual se representan cinco cuantiles: los cuantiles a 2.5%
y 97.5%, el primer y el tercer cuartil y la mediana (ver figura 2.4 e). Entre los dos
cuantiles extremos, se observa el 95% de los datos, mientras que entre el primer
cuartil y la mediana se observa el 25% de los datos, al igual que entre la mediana
y el tercer cuartil (Emery, 2013, p.17).

a) b)

c) d)

19
 e)
Figura 2. 4. Herramientas estadísticas de datos. Fuente: Emery, 2013.

• Análisis multivariable
Gráfico cuantil contra cuantil
El gráfico cuantil contra cuantil busca “comparar” dos distribuciones entre sí,
que pueden ser asociadas a variables distintas o a una misma variable medida en
zonas distintas o con aparatos distintos, en este último caso sirve para decidir por
comparación si ambos grupos tienen una distribución idéntica y provienen de la
misma población. El gráfico consiste en visualizar los cuantiles de los dos grupos
(ver figura 2.5 a), si el gráfico resulta en una recta significa que las distribuciones
de los dos grupos de datos tienen la misma forma, pero, si este no dibuja una recta,
entonces los dos grupos de datos tienen distribuciones con formas distintas (Emery,
2013, p.19).

Nube de dispersión o de correlación

Esta nube consiste en visualizar los valores de una variable en función de
otra, lo cual requiere que ambas variables hayan sido medidas en los mismos sitios.
Sirve para ver la relación par a par o “correlación” de ambas variables, así como
detectar datos atípicos (puntos que se alejan del resto de la nube). El ejemplo de la
figura 2.5 b muestra una buena correlación de datos. (Emery, 2013, p.20)

Matriz de correlación
La relación entre dos variables puede ser resumida a través de un
coeficiente, llamado coeficiente de correlación lineal, que mide el grado de
“proporcionalidad” que existe entre ambas variables. Este coeficiente tiene un valor
entre -1 y 1 (estos extremos corresponden al caso en el cual las variables son
exactamente proporcionales entre sí, con un coeficiente de proporcionalidad
negativo o positivo, respectivamente).

20
 Cuando existen más de dos variables, se puede construir una matriz de
correlación, como se muestra en la figura 2.5 c, donde se coloca en la intersección
de la fila i y columna el valor del coeficiente de correlación entre las variables nºi y
nºj, presentando el ejemplo correlaciones mayores a 0.7 que sugiere un origen
distinto para los diferentes grupos de variables. (Emery, 2013, p.20)

a) b)

c)
Figura 2. 5. Herramientas correlación multivariable. Fuente: Emery, 2013.

2.2.2. Estimación de recursos minerales

La estimación de recursos comprende la evaluación del tonelaje de mineral
y de las leyes de los elementos o materiales útiles presentes en un yacimiento de
materia prima mineral. (Simón, 2021).
Tanto la cantidad de muestras tomadas del depósito mineral como la
variabilidad geológica hacen la estimación difícil; por ello, es necesario estimar la
parte no muestreada. Hay una serie de estimaciones diseñadas con diferentes
objetivos; por ejemplo, si el objetivo fuese la simplicidad y reproducibilidad puede
ser adecuado utilizar áreas poligonales de influencia o la distancia inversa; si se

21
quisiera revelar tendencias geológicas a gran escala podría ser adecuado el bloque
kriging, splines o la distancia inversa; sin embargo, el objetivo más importante es
predecir la futuro ley y tonelaje de material que se puede extraer. En relación a esto,
existen dos situaciones de importancia para nosotros: (1) estimación provisional
con datos ampliamente espaciados y (2) estimación final, el primero se presenta
durante un periodo de tiempo razonablemente grande, mientras que el segundo se
espera que el valor real recuperado será igual a las estimaciones en valor esperado
(Rossi & Deutsch, 2014, p. 133)

A. Comprobación y validación
Hay muchas razones importantes que exigen la necesidad de comprobación
y validación de modelos de recursos; ya que, la validación del modelo de recursos
tiene dos objetivos básicos: (a) asegurar la consistencia interna de los modelos, y
(b) proporcionar, si posible, una estimación de la precisión del modelo con respecto
a las variables predichas (Rossi & Deutsch, 2014, p. 193).
La consistencia interna significa que todos los procesos que resultan en un
modelo de recursos se han ejecutado según lo previsto, y que no hay
inconsistencias, errores explícitos, omisiones u otros factores que hacen que el
modelo se desvíe de lo que fue destinado. El modelo debe ser una representación
justa de los datos disponibles; para asegurar esto, se deben completar los controles
en el proceso de modelado que incluye: la base de datos compuesta, topografía,
ubicaciones de pozos de perforación, levantamientos de pozos, codificación
geológica, interpretación geológica, desarrollo de modelos de bloques, estimación
de leyes y categorización de recursos (Rossi & Deutsch, 2014, p. 193).
El modelo de recurso mineral debe ser validado usando estadísticas y
herramientas gráficas (Leuangthong et al. 2004), y para ello los controles son útiles
para asegurar la consistencia interna del modelo, lo que implica que el modelo tiene
las características esperadas; asimismo, que no existan errores graves y que todos
los procesos se implementaron correctamente. De hecho, la validación del modelo
de recursos debería cubrir los datos y el modelo geológico utilizado, los dominios
de estimación definidos, y el modelo geoestadístico aplicado (Rossi & Deutsch,
2014, p. 196).

22
 B. Códigos internacionales
Proveen de terminología técnica para declaraciones púbicas en minería de
varios países, sobre Resultados de Exploración, Recursos Minerales y Reservas
Minerales; entre estas se tienen el código JORC (Australasian Joint Ore Reserves
Comitee) de Australia y el NI 43-101 de Canadá, teniendo este último
requerimientos y rangos establecidos más amplios que el primero (AusIMM, 2014,
p. 779). A continuación, se presenta una comparación entre ambos códigos:

Tabla 2. 1. Principales diferencias entre sistemas de reporte en Australia y

Canadá.
Canadá Australia
No hay obligación de presentar públicamente un
informe técnico; sin embargo, cuando los
Obligación de resultados de exploración, los recursos
presentar minerales o las reservas de mineral para un
públicamente un proyecto importante se informan por primera vez,
informe técnico para o cuando esas estimaciones han cambiado
Reporte técnico sustentar cierta sustancialmente desde la última vez que se
divulgación informaron, se debe proporcionar un breve
técnico/científica comentario sobre cada uno de los criterios en la
sobre yacimientos Tabla 1, así como un resumen técnico basado en
minerales los criterios de la Tabla 1 sobre la base de "si no,
por qué no" presentado como un apéndice del
Informe público
No tienen fuerza de ley (aunque las Reglas de
Estado legal Tiene fuerza de ley cotización de ASX se pueden hacer cumplir por
ley)
No puede, con ciertas Puede usarse en estudios de alcance con una
excepciones, ser advertencia adecuada. No se puede utilizar para
Recursos inferidos
utilizado en estudios respaldar la planificación detallada en los
económicos. estudios de viabilidad previa o viabilidad.
Inferido no puede
Agregación de recursos agregarse con Inferido puede agregarse con Medido e Indicado
Medido e Indicado
Al menos cinco años
de experiencia y
Experiencia de la persona Al menos cinco años de experiencia relevante
experiencia relevante
competente/ calificada para la situación particular
para la situación
particular.
Responsabilidad de la persona Más extenso y amplio
competente/ calificada que para Australia
Nota: Traducido de AusIMM, 2014, p. 785, la tabla 1 hace referencia NI 43-101 en todo el desarrollo
de proyectos minerales (simplificado).

23
 CAPÍTULO III
MATERIAL DE ESTUDIO

Como material de estudio de la presente investigación se tiene información

de la geología regional (Cuadrángulo de Yauyos Hoja 25 L), geología local,
geología estructural y geología económica, proveniente de informes, trabajos de
entidades públicas como el INGEMMET y privadas como consultoras; así también,
se utilizó información de tesis publicadas en repositorios virtuales.

3.1. Geología regional

El marco geológico regional, donde se ubica la zona de estudio comprende
un ambiente geológico en el que predominan las rocas sedimentarias; las que
estratigráficamente cubren la mayor extensión superficial de la región, con edades
que van desde el Jurásico Superior hasta el Terciario. El Cuaternario está
compuesto por cubiertas morrénicas, materiales fluviales, coluviales y eluviales.
Estas formaciones han sufrido intrusiones de rocas ígneas plutónicas, que,
al entrar en contacto con las sedimentarias originaron rocas metamórficas,
consecuencia de ello se han desarrollado eventos mineralizantes.
Comprende también una serie de plegamientos y fallas regionales que han
deformado el paisaje geológico dándole una expresión topográfica accidentada,
pero que ha sido suavizada por la acción glaciar que han originado las formas
actuales. (Geoservice, 2013, p. 6)

24
3.1.1. Estratigrafía.
A. Formación Oyón (Js–Ki)
Corresponden a los estratos más antiguos que afloran en la parte SO del
cuadrángulo de Yauyos, corresponden a areniscas que varían de coloración negro
grisáceo a claras, compactas en bancos de 1 a 4 metros; agrupados en paquetes
de 5 hasta 10 metros, entre los cuales se intercalan conjuntos más gruesos
compuestos por limolitas y areniscas de grano fino. (Geoservice, 2013, p. 6).

B. Formación Santa (Ki–sa)

Esta formación se caracteriza por presentar carbonatos con pocos bancos
delgados de dolomías arenosas, seguidos por lutitas con delgadas intercalaciones
arenosas y areniscas calcáreas, que presentan estratificaciones cruzadas.
(Geoservice, 2013, p. 6).

C. Formación Carhuaz (Ki–ca)

La formación Santa pasa progresivamente a la formación Carhuaz al ser
reemplazado el cemento calcáreo de las areniscas de la formación Santa por el
cemento arcilloso de la base de la formación Carhuaz. Se caracterizan por
presentar areniscas arcósicas de color gris, blanco amarillento de grano fino en
estratos delgados y bien definidos. Las areniscas del Carhuaz forman bancos con
límites planos y laminaciones paralelas de baja energía y por lo general son de
intemperismo fácil, por lo que se puede ver siempre cubierto por suelos y
vegetación. (Geoservice, 2013, p. 7)
Cobbing (como se citó en Ancco, 2016) indica que está constituida por
arenisca gris verdosa a blanquecina con intercalaciones de lutita gris, limolita y
arenisca marrón de grano fino a medio en capas delgadas; a veces capas delgadas
de caliza y marga. Su potencia se estima inferior a 110 m. (p.17)
Con respecto a su edad, Cobbing y Benavides (como se citó en Ancco, 2016)
le asignan al Valanginiano Superior-Aptiano. (p. 17)

D. Formación Pariahuanca (Ki–gp)

Esta formación descansa concordantemente sobre el Grupo Goyllarisquizga,
su grosor uniformemente regular es de 100 m. La litología de la formación consiste
en una secuencia de calizas y margas: las calizas son macizas con costras

25
amarillas alteradas en capas de 1 m de espesor; la formación es de color amarillo
crema terroso muy característico y de gran ayuda para el cartografiado geológico,
pero por su grosor se le representa conjuntamente con la Formación Pariatambo.
(Geoservice, 2013).

E. Formación Chúlec (Ki-ch)

Cobbing (como se citó en Ancco, 2016), describe que está constituida por
margas con bancos de calizas. Los niveles de margas tienen más o menos 20
metros de potencia, mientras que las calizas varían de 1 a 5 metros, ofreciendo en
total de 200 m. en promedio. Esta alternancia, no siempre es general, habiendo
localidades donde la formación consiste totalmente de calizas masivas. (p. 18)

F. Formación Pariatambo (ki-pt)

Esta formación descansa concordantemente sobre la Formación Chúlec,
tiene grosor de 100 m que se mantiene regularmente constante y en la cordillera
de Huayhuash alcanza 500 m de espesor. La Formación Pariatambo consiste
principalmente de margas marrón oscuras que tienen un olor fétido en superficie de
fractura fresca. (Geoservice, 2013, p. 8)

G. Formación Jumasha (Ks-j)

Concordante sobre la Formación Goyllarisquizga, se encuentra la Formación
Jumasha del Cretácico Medio/Superior. Su edad está como Albiano Medio y
Turoniano del Cretácico Superior.
Son rocas esencialmente calcáreas, con espesor promedio de 700 m, forma
picachos y acantilados.
Su litología está conformada por calizas y dolomitas macizas, en su base,
siguiendo las calizas en estratos delgados gris amarillento, algo margosas; están
mayormente plegadas. En la base, cerca al contacto con las areniscas, incluyen
intercalaciones de lutitas carbonadas. Estos estratos están sucedidos por lentes
discontinuos de calizas marrones y grises, ocasionalmente con horizontes lutáceos
y silíceos de unos 6 m de espesor. También están presentes pseudo brechas de
probable origen sedimentario y un sill de basalto. (Geoservice, 2013, p. 8)

26
 H. Formación Celendín (Ks-ce)
Sobreyaciendo concordantemente a las calizas Jumasha se encuentra la
Formación Celendín; formadas por lutitas silicificadas finamente estratificadas con
intercalaciones de caliza recristalizada de edad Santoniana. Su espesor promedio,
en el área de estudio es de 400 m. Su edad está en el Cenomaniano Superior dentro
del Cretácico Superior.
Se presenta en afloramientos repartidos aisladamente de calizas con
horizontes de yeso, lutitas rojas y areniscas. Luego siguen rocas carbonatadas en
estratos delgados de margas, calizas arcillosas, calizas y dolomitas con presencia
de nódulos. Algunas calizas y margas tienen olor fétido. (Geoservice, 2013, p. 8)

I. Formación Casapalca (KsP-c)

Esta unidad litoestratigráfica, sobreyace concordantemente a la Formación
Celendín siendo su contacto gradacional. Se le ha asignado una edad entre el
Cretácico Superior y el Terciario Inferior, ya que la ausencia de fósiles no permite
datarla con exactitud.
Contiene principalmente lutitas rojas calcáreas, limolitas, areniscas y
conglomerados cuyo color predominante es el rojo. También presenta calizas puras
y calizas arenosas rojizas en menor proporción, ocasionalmente se ha reportado la
presencia de flujos de lava y capas tufáceas. Sus espesores son variables.
(Geoservice, 2013, p. 9)

J. Formación Tantará (T)

La Formación Tantará está compuesta esencialmente de derrames
andesíticos a riodacíticos de color gris, pardo y violáceo, de textura porfirítica y a
veces afanítica. En forma subordinaría están asociadas rocas piroclásticas de la
misma composición, así como horizontes de areniscas volcanodetríticas.
(Geoservice, 2013, p. 9)

K. Depósitos Cuaternarios (Q-m)

Compuesto por acumulaciones morrénicas compactas que han sido
generadas por la acción glaciar; las cuales modelaron toda esta área, dejando
superficies rocosas redondeadas. Este material, está compuesto de una mezcla de
arena, limo, arcilla con grava angulosa, con marcas de estrías, de diferentes

27
dimensiones y en acumulaciones desordenadas que cuelgan lateralmente en los
valles y quebradas, aunque también las hay del tipo frontal como son las que se
ubican en las boquillas de las lagunas Uñascocha y Acococha.
Otros materiales como los fluviales se encuentran en los cauces de las
quebradas; presentándose inconsolidados. (Geoservice, 2013, p. 9)

3.1.2. Rocas intrusivas (n-gd)

La actividad intrusiva se desarrolló mayormente en el Mioceno. Las edades
determinadas mediante el método de Ar - K en biotitas de muestras tomadas en el
área de Yauricocha y Éxito dan un promedio de 6,9 millones de años (Giletti, 1968).
En la zona de estudio, afloran los intrusivos granodioríticos (N-gd), presentan
contactos definidos y de gran ángulo con los sedimentos, así como una neta
tendencia a seguir el rumbo regional y planos de estratificación.
Los intrusivos varían gradualmente en tamaño, desde cuerpos con unos
cuantos cientos de metros cuadrados hasta grandes masas que cubren varios
kilómetros cuadrados. Es común la ocurrencia de apófisis pequeños en los bordes
de los intrusivos mayores.
Su composición varía de granodiorita a cuarzo-monzonita en los bordes,
observándose macroscópicamente plagioclasas, ortosas, biotita, hornblenda y
cuarzo. Las plagioclasas, fluctúan desde oligoclasa hasta andesina, presentando
comúnmente textura porfirítica.
Todas las masas intrusivas han producido aureolas de metamorfismo en las
rocas encajonantes; la extensión, tipo y grado de metamorfismo varia grandemente
con los diferentes tipos de rocas sedimentarias. Las rocas se convierten en
cuarcitas, lutitas homfelsicas y calizas recristalizadas. Las aureolas metamórficas
que rodean las intrusiones son de diferentes extensiones, el blanqueamiento de las
lutitas se extiende más allá de la zona de los silicatos cálcicos: mientras que las
calizas Jumasha son recristalizadas y blanqueadas por distancias cortas.
(Geoservice, 2013, p. 9).
A continuación en la figura 3.1 se muestra el plano geológico regional con
las formaciones descritas, de igual manera se presenta la columna estratigráfica
regional (ver figura 3.2).

28
Figura 3. 1. Mapa geológico regional. Fuente: Base de datos digital del GEOCATMIN.

29
Figura 3. 2. Columna estratigráfica regional Tarma - La Oroya. Fuente: Adaptado del INGEMMET, 1996.

30
3.2. Geología local
La roca con mayor área expuesta son las calizas de la Formación Jumasha,
con espesor de 700 metros. Sobreyaciendo concordantemente se encuentra la
Formación Celendín, formada por lutitas silicificadas con intercalaciones de caliza
recristalizada con espesor promedio de 400 metros, y Sobreyaciendo
concordantemente a la Formación Celendín, se tiene a las Capas Rojas Casapalca,
constituidas principalmente por lutitas rojas calcáreas (Sociedad Minera Corona
[SMC], 2008).
La fase intrusiva que se desarrolló mayormente en el Mioceno-Plioceno, en
el área de Yauricocha, es de composición granodiorítica a monzonitas cuarcíferas.

3.2.1. Estratigrafía.
A. Formación Jumasha (Ks-j)
Esta formación se destaca por ser la más abundante del área y porque en
esta se producen los fenómenos cársticos de interés en Pumacocha.
Esta es una unidad esencialmente calcárea y resistente, con un espesor de
más de 400 m. formando las cumbres y escarpas de los cerros del área de estudio.
Compuesta en su tramo inferior por calizas y dolomías macizas color gris, pasando
en la parte media a calizas en estratos delgados color beige; finalmente destacan
calizas grises azulinas en estratos gruesos y delgados, que en el área de estudio
están fuertemente plegados.
En el área de estudio se pueden diferenciar las tres facies diferentes
(Hildebrandt, 1970), destacando la intermedia de calizas masivas, en esta sección
y la sección superior hay niveles bituminosos, que destacan por su olor fétido. La
formación Jumasha sobreyace a la Formación Pariatambo e infrayace a la
Formación Celendín. (Geoservice, 2013, p. 18)

B. Formación Celendín (Ks-ce)

Las rocas de la formación Celendín, conforman afloramientos que se ubican
en la margen derecha del depósito de relaves Yauricocha.
Se presentan formando cerros de mediana altitud, con moderada pendiente.
Estos afloramientos corresponden a calizas con horizontes de yeso, lutitas
rojas y areniscas.

31
 El contacto con el intrusivo granodiorítico, ha favorecido la formación de
suelos in situ. (Geoservice, 2013, p. 22)

C. Formación Casapalca (KsP-c)

Los afloramientos de roca de la Formación Casapalca, entran en contacto
con las rocas de la Formación Celendín.
Las rocas se exponen en el margen derecho aguas abajo del depósito de
relaves Yauricocha en la quebrada Chumpe. Se aprecian calizas y areniscas de
color marrón, de potente espesor. Son medianamente duro, fracturado y
moderadamente alterado (oxidación). (Geoservice, 2013, p. 23)

D. Depósitos cuaternarios (Q)

Depósitos coluviales (Q-col)
Son acumulaciones de origen gravitacional de depósito lento, su
composición varia de grava limo arenosa a grava arenosa ligeramente limosa; las
cuales contienen fragmentos angulosos, sueltos de color marrón, su geometría es
en cuña. Se les encuentra en las laderas debajo de las escarpas rocosas.
(Geoservice, 2013, p. 20)

Depósitos de origen glaciar y fluvioglaciar (Q-fg)

Son las acumulaciones originadas por la actividad del hielo y su fusión, a
finales del periodo pleistoceno. Está compuesto principalmente por material
granular, como gravas, cantos, bolones sub angulosos a sub redondeados de caliza
y rocas intrusivas con relleno limo arenoso.
En el área pueden verse alrededor de la laguna y la quebrada Pumacocha
formando morrenas y acumulaciones de ladera. (Geoservice, 2013, p. 20)

Depósitos eluviales (Q-e)

Son depósitos de suelo desarrollados in situ, teniendo como rocas
primigenias a las pertenecientes a la Formación Celendín (Ks-c) y Formación
Casapalca (KsP-c); que entraron en contacto con los intrusivos (N-gd).
Estos materiales han sido aprovechados principalmente en la zona de
Yauricocha en la conformación del dique, compuestos por suelos arenosos limo-

32
arcillosos con algo de gravas, sueltos a medianamente densos. En la margen
derecha estos suelos eluviales tienen menos potencia. (Geoservice, 2013, p. 23)

Depósitos glaciares morrénicos (Q-gl/mo)

Son depósitos que se forman en la cabecera a ambos flancos del depósito
de relaves Yauricocha, formando suelos gravosos limosos, con gravas de formas
angulosas y subangulosas. Forman pequeñas elevaciones y lomas de suave
pendiente. (Geoservice, 2013, p. 24)

Depósitos de bofedal (Q- bo)

Estos depósitos conforman sedimentos muy húmedos a saturados la mayor
parte del año. Se han desarrollado en la parte alta de la quebrada Chumpe, a
altitudes superiores a los 4,000 m s. n. m. Los suelos son principalmente arcillosos
y algo arenosos, de baja permeabilidad. (Geoservice, 2013, p. 24)

Depósitos Lagunares (Q-la)

Son los depósitos formados por la deposición de suelos en la laguna
Yauricocha, sedimentos finos (arenas finas, limos y arcillas).
Actualmente están cubiertos por los relaves que se vierten a la laguna.
(Geoservice, 2013, p. 24)

3.2.2. Rocas intrusivas.

Entre las masas intrusivas de mayor relevancia en el área de estudio
podemos mencionar a las Tonalitas, Granodiorita, Cuarzo Monzonita, Cuarzo
Diorita, “los cuales tienen relación directa con la ocurrencia y deposición de la
mineralización de Ag, Pb, Cu y Zn en la zona de cuerpo Esperanza” (Pacori, 2020),
así como también en los distintos cuerpos mineralizados de la unidad minera
Yauricocha.

Granodiorita (n-gd)
Roca ígnea intrusiva con textura fanerítica de grano medio; con color gris de
tonos verdosos. Se presentan cristales de plagioclasas y cuarzo; en menor cantidad
cristales de feldespatos potásicos, biotita y anfíboles. Presenta una densidad y

33
dureza media. Además, se observan finas venillas rellenas de cuarzo con pequeños
cristales de pirita. (BizaLab S.A.C., 2016)

Cuarzo monzonita (QMz)

Roca intrusiva con textura porfirìtica de matriz granular. Se observan
fenocristales de plagioclasas l, feldespatos potásicos l, cuarzo l, biotita l y moldes
de ferromagnesianos alterados totalmente a biotita ll, cloritas y óxidos de hierro;
además minerales opacos como inclusiones y en intersticios. La matriz presenta
pequeños cristales de feldespatos potásicos ll, plagioclasas ll y cuarzo ll con biotita
ll en sus intersticios. (BizaLab S.A.C., 2016)

Cuarzo diorita (QDrt)

Roca intrusiva de textura fanerítica de grano medio de color gris verdoso. Se
observan cristales de plagioclasas, cuarzo y ferromagnesianos cubiertos por
melanterita, además, presenta diseminación de pirita. Se observa plagioclasas
débilmente alteradas a arcillas y sericita, seguida de feldespatos potásicos
ligeramente albitizados y cuarzo. (BizaLab S.A.C., 2016)

Tonalita
Roca ígnea intrusiva de textura fanerìtica de grano medio y de color gris. Se
observan cristales de plagioclasas, cuarzo, muscovita y arcillas cortadas por venas
de pirita. (BizaLab S.A.C., 2016)

En la figura 3.3 se muestra la geología local correspondiente a la mina

Yauricocha, en la que se distinguen las unidades descritas líneas arriba; asimismo,
se presenta la columna estratigráfica local, como se observa en la figura 3.4.

34
Figura 3. 3. Geología local de Yauricocha. Fuente: Sociedad Minera Corona S.A.

35
Figura 3. 4. Columna estratigráfica local de Yauricocha. Fuente: Sociedad Minera
Corona S.A.

3.3. Geología estructural

La mayor parte de la estratigrafía, estructura, magmatismo, vulcanismo y
mineralización en Perú están espacial y genéticamente relacionados a la evolución
tectónica de la Cordillera de los Andes, que está situado a lo largo de una zona de

36
subducción donde un segmento de la corteza oceánica, la Placa de Nazca, se
desplaza por debajo de la placa Sudamericana.
La Cordillera de los Andes tiene un basamento de rocas metamórficas con
edad del proterozoico, sobre la cual rocas sedimentarias con edades del Hercínico
(Paleozoico) se acumularon y fueron deformados por el vulcanismo y el plutonismo.
Las estructuras que marcan el control mineralógico son principalmente
fracturas, fallas, pliegues.

3.3.1. Fracturas.
Los esfuerzos ocurridos en varias épocas, dieron como resultado el
desarrollo de diversos sistemas de fracturas.
Durante el plegamiento, evento pre y/o contemporáneo al intrusivo, tuvo
lugar la primera fracturación desarrollándose fallas longitudinales paralelas al
rumbo regional de la estratificación. De todas estas fallas, resalta la falla Yauricocha
que aparece a lo largo del contacto de calizas Jumasha con lutitas Celendín. Este
contacto se extiende a gran distancia al SE de la mina Ipillo, continúa al N detrás
del cerro Huamanrripa, paralelo y a lo largo de la laguna Silacocha.
Después que los intrusivos se emplazaron, el rumbo de los sedimentos
plegados al NW de la mina fue girado por esfuerzos horizontales unos 30°; como
resultado de este giro, se desarrollaron cizallas y junturas de rumbo NW - SE, y E -
W, las primeras con buzamiento 50°- 80° NE o SW, las segundas con 60°- 85° SE-
NW y las terceras a 80° N o S a casi verticales. Este conjunto de fracturas que
forman bloques fallados, a través de los dominios litológicos del área, juntamente
con la falla Yauricocha representan el fracturamiento más importante del distrito
minero de Yauricocha y ejercieron un fuerte control en la posición de vetas, cuerpos
mineralizados. (Geoservice, 2013, p. 12)

3.3.2. Falla Yauricocha.

Es la estructura más importante en el Distrito Minero Yauricocha, exhibe una
traza tangible de 10.00 km que corre en dirección Noreste-Sureste, y se encuentra
cortando rocas sedimentarias de la Formación Jumasha, Formación Celendín,
Formación Casapalca y al intrusivo granodiorítico; con buzamiento al Noreste con
ángulos que varían entre 75° y 80°, estos buzamientos son convergentes a la
inclinación regional del sistema de fallas Chonta.

37
3.3.3. Falla Chonta.
Las evidencias de campo, análisis cinemáticos, cronología del
emplazamiento de rocas plutónicas, domos volcánicos, diques y la mineralización,
datados entre 10.4 y 3.7 Ma, evidencian que a partir del Mioceno el sistema de
fallas Chonta ha tenido dos eventos de formación.
El evento I, entre el Mioceno superior y Plioceno inferior, corresponde a
movimientos sinestrales, debido a una dirección de esfuerzos E-O.
El evento II, menor a 6 y 3.7 Ma, corresponde a movimientos dextrales con
componentes normales y afectan a toda la mineralización relacionada con el
sistema de fallas Chonta. Es consecuencia de un cambio de la dirección de
esfuerzos de NNE-SSW, lo que provoca el cierre de los sistemas estructurales
relacionados con la mineralización. (Rodríguez, 2008, pp. 46-47)
Eventos con movimiento dextral en la región han sido reconocidos por
(Soulas, 1977) quien interpreta que estos movimientos ocurrieron en 10 Ma.
(Rodríguez, 2008, p. 47)

3.3.4. Pliegues.
Varios pliegues conforman las estructuras principales del área de
Yauricocha: Anticlinal Purísima Concepción y Sinclinal France Chert en la mina
Central; Anticlinal Cachi Cachi y Sinclinal Huamanrripa al Norte; y Sinclinal
Quimpará inmediatamente al sur de la laguna Pumacocha.
El Anticlinal Purísima Concepción, que se encuentra al SW de la mina de
Yauricocha, es una estructura local apretada, bien marcada y definida por un sill de
basalto de 17 m de espesor. El "trend" de su eje es aproximadamente N50°W con
suave "plunge" de 20° al SE. En el eje de este anticlinal y hacia el flanco E del sill
de Basalto, existe ocurrencia de oro diseminado en brechas silíceas y horizontes
silicificadas.
El sinclinal France Chert, ubicado al NE de la mina, es un pliegue igualmente
apretado con "trend" de su eje cambia de N35°W (en el S) a N65°W (en el N) y
suave "plunge" de 40° al SE. En el flanco occidental de este pliegue y en calizas
bandeadas con plegamientos subsidiarios, se encuentra el depósito mineral
Yauricocha.
En el área de la mina central, el rumbo NW de los sedimentos plegados, fue
rotado por esfuerzos horizontales, un ángulo de 30° en el sentido al movimiento de

38
agujas del reloj. Esta distorsión del plegamiento puede haberse producido por una
falla de desgarre del basamento de rumbo NE-SW.
El anticlinal Cachi Cachi- Prometida tiene su eje con rumbo aproximado de
N80°W a N70°W, con flancos buzantes al Norte (Prometida) y Sur (Cachi Cachi)
con plunge al E los cuales controlaron el emplazamiento de mineral. El área se
encuentra en el extremo Norte del intrusivo mayor a 2 Km al N de Mina Central.
El sinclinal Quimpará, inmediatamente a 1 Km al sur del desagüe de la
laguna Pumacocha, tiene un eje con rumbo N45°W, con su flanco Este
descansando sobre el intrusivo con ángulo de 70° a 75° al W y el flanco Oeste con
aproximadamente 80° E conformada por paquetes calcáreos gris oscuro,
recristalizados en la proximidad al contacto y ocurrencia de un afloramiento con
granates, magnetita, y óxido de Cu en el mismo contacto. (Geoservice, 2013, pp.
10-11).

Las estructuras descritas líneas arriba se visualizan en la sección geológica

A-A´ de la figura 3.5, así como en el plano estructural de mina de la figura 3.6.

39
Figura 3. 5. Sección Transversal Mina Yauricocha. Fuente: Sociedad Minera Corona S.A.

40
Figura 3. 6. Plano estructural. Fuente: Sociedad Minera Corona S.A.

41
3.4. Geología económica
3.4.1. Mineralización.
La mineralización en el área de Yauricocha es de reemplazamiento
metasomático, con mineralización de Ag, Pb, Cu, Zn y Au, cuyos cuerpos
mineralizados son de forma irregular. Los principales cuerpos; Catas, Antacaca,
Rosaura, Antacaca Sur que constituye el cuerpo Mina Central, Cuye y cuerpo
Esperanza, en este último se hizo el estudio de la presente tesis, todos estos
cuerpos mineralizados tienen longitudes entre 100 metros a 1000 metros y potencia
entre los 15 a 80 metros, estos cuerpos están controlados por la Falla Regional
Yauricocha.
Estos cuerpos están constituidos principalmente por pirita, enargita,
calcopirita en el núcleo central, esfalerita y galena en los bordes. También se
presentan cuerpos pequeños con mineralización masiva de esfalerita y galena. Así
también existen cuerpos de óxidos de alta ley en plata y plomo.
La mineralización en la Mina Yauricocha está representado por porciones
variables de oxidación de un sistema polimetálico de múltiples facies, con al menos
dos etapas de mineralización, demostrado por la presencia de venillas de sulfuros
cortando brechas de cuerpos mineralizados con sulfuros polimetálicos. Los cuerpos
mineralizados y las venillas de sulfuro con cuarzo aparecen para ser íntimamente
relacionados y forman un ensamble mineralógico y estructural muy importante en
el yacimiento de Yauricocha.
El stock de Yauricocha, presenta una elongación con dirección al NW-SE,
paralelo a la configuración de los andes, la edad de este stock es de 7.4 Ma datados
por el método K/Ar (Giletti & Day, 1968) y 7.7 Ma (Stewart, 1974). El cual intruye a
las calizas de la Formación Jumasha del Cretácico Superior y del mismo modo a
las lutitas silicificadas de la Formación Celendín. Las rocas sedimentarias se han
plegado formando anticlinales y sinclinales con una tendencia en dirección NW-SE,
los cuales controlan el emplazamiento de la elongación del stock de la mina
Yauricocha.

A. Cuerpo mineralizado Esperanza

El cuerpo Esperanza es de configuración irregular, que visto en plano
presentan la forma aproximada de lentes, cuyos ejes mayores son paralelos al
rumbo general de los estratos (NW-SE) y buzan a gran ángulo al NE o son

42
aproximadamente verticales. Sus dimensiones verticales son casi siempre mayores
que las horizontales, existiendo por más de 500 m debajo del nivel 720; con anchos
variables de 10 m a 40 m, tendiendo a ser fusiformes en profundidad.
El cuerpo Esperanza esta emplazados en la caliza Jumasha y se encuentran
agrupados tanto dentro de la caliza como a lo largo del contacto con las lutitas
Celendín (France Chert) y en contacto con las masas intrusivas.
La disposición del cuerpo Esperanza es bastante irregular y a su vez está
asociado a estructuras mineralizadas con un alto contenido metálico como es el
caso de Esperanza Distal, Esperanza Norte entre otros.
La mineralización presente está formada principalmente por pirita, cuarzo,
enargita, calcopirita, bornita y covelita en el núcleo o parte central; y alrededor de
estos núcleos se encuentran masas sueltas de pirita friable, galena, esfalerita,
tetraedrita y geocronita con algo de calcopirita en una ganga de caliza, arcilla y
cuarzo.

B. Principales minerales de mena y ganga del cuerpo Esperanza

La mineralogía que destaca con mayor ocurrencia ya sea en mina y logueos
de perforación diamantina en la estructura mineralizada del cuerpo Esperanza,
corresponde a lo mostrado en la tabla 3.1.

Tabla 3. 1. Principales minerales de mena y ganga del cuerpo Esperanza

Minerales de Mena Minerales de Ganga
1 Calcopirita CuFeS2 Pirita FeS2
2 Bornita Cu5FeS4 Magnetita Fe3O4
3 Covelita CuS e Idaita Enargita Cu3AsS4
Cu5FeS6
4 Galena PbS Cuarzo SiO2
5 Esfalerita (Zn, Fe) S Calcita CaCO3
6 Geocronita (Pb14(Sb, Fluorita CaF2
As)6S23)

43
3.4.2. Metamorfismo.
Todas las masas intrusivas han producido aureolas metamórficas alrededor
de las rocas. La extensión, el tipo y el grado de metamorfismo varia grandemente
dependiendo del tipo de roca que ha sido instruido; las rocas han sido alteradas a
cuarcitas, hornfels y calizas recristalizadas. (Pacori, 2020)
Localmente las intrusiones han generado estrechas zonas de skarn con
potencias variables; estas zonas contienen “epidota, zoisita, tremolita, wollastonita,
flogopita, granates y diópsido”. (Pacori, 2020)

3.4.3. Alteraciones hidrotermales

Estas se presentan en las rocas receptoras del cuerpo Esperanza asociado
principalmente al metamorfismo de contacto, en lo que se tiene recristalización,
marmolización y cambios en la estabilidad del mineral, que dio lugar a la formación
de minerales como granates, piroxenos y anfíboles en forma muy restringida y hacia
la roca caja calcárea se formó una aureola de wollastonita, marmolización y
recristalización, también se tienen zonas de skarn de poca extensión (Pacori, 2020,
p. 124).
Asimismo, la alteración hidrotermal ocasionó el cambio textural y
mineralógico de los intrusivos, las alteraciones más importantes identificadas son
sericitización, argilización, biotización, y cloritización, basada en descripciones
macroscópicas y estudios petrográficos; cabe resaltar, que las alteraciones más
comunes son la sericitización y argilización (Pacori, 2020, p. 125-126)
En la siguiente figura 3.7 se muestra el modelo esquemático de alteraciones
hidrotermales: alteración sericitica, argílica, propilítica y alteración metasomático;
endoskarn, exoskarn, mármol y caliza recristalizada en el cuerpo Esperanza.

44
Figura 3. 7. Modelo esquemático de alteraciones hidrotermales del cuerpo
Esperanza. Tomado de Pacori, 2020.

45
 CAPÍTULO IV
METODOLOGÍA DE LA INVESTIGACIÓN

4.1. Tipo de investigación

La presente investigación es del tipo aplicada, descriptiva y correlacional;
puesto que se emplea las buenas prácticas en estimación de recursos, como la
correcta aplicación de la geoestadística en los distintos softwares de modelamiento
y los modelos obtenidos son correlacionados para determinar la variabilidad entre
estos.

4.2. Diseño de la investigación

La investigación tiene un enfoque cuantitativo, no experimental; ya que se
trabajan con datos obtenidos a partir de prospecciones directas como son:
muestreos en canales y sondajes diamantinos. Estos datos son evaluados y
analizados para dar su validez.

4.3. Población y muestra

Población
Cuerpo mineralizado Esperanza.

Muestra
Datos de leyes minerales, donde están involucradas las variables de Cu, Zn,
Ag, Pb, Au, As y Fe, así como la densidad aparente.

46
4.4. Técnicas e instrumentos de recolección de datos
Para la recolección de datos de campo se emplearon formatos y
procedimientos establecidos en mina, así como la aplicación de pruebas
estandarizadas para los análisis químicos de minerales; esto a su vez implicó la
coordinación con diferentes áreas de mina involucradas como Topografía,
Geología, Perforación diamantina, Laboratorio químico (tanto interno como externo)
y Modelamiento Geológico.

4.5. Metodología de trabajo

Para la realización de la investigación se llevó a cabo una secuencia de
procesos que partieron de la recopilación de datos de campo hasta la estimación
de recursos, como se muestra en la siguiente figura:

Exploración y Muestreo Manejo y Analisis

recolección de y control validación exploratorio Modelo Estimación
Geoestadística
datos de de calidad de la base de datos geológico de recursos
campo (QA/QC) de datos (EDA)

Figura 4. 1. Proceso metodológico aplicado en la investigación.

En los siguientes ítems se describe de forma general lo que involucra cada uno.

4.5.1. Recopilación de datos.

Los datos que se manejaron para el modelamiento y estimación de recursos
tienen como procedencia diferentes áreas, con las cuales el autor coordinó de
manera constante para la mejora continua y aplicación de buenas prácticas.

47
4.5.2. Muestreo.
Las muestras que han sido consideradas para la elaboración del modelo
geológico y la estimación de recursos corresponden a muestras de canales y
sondajes diamantinos, esto consistió de un total de 825 muestras de canales y 669
muestras de sondajes.

4.5.3. Control de calidad de las muestras.

En mina se aplican controles, con el propósito de validar los resultados
obtenidos del muestreo de canales y sondajes diamantinos, estos consisten en
duplicados, muestras estándar y muestras blanco; los primeros se dividen en
duplicados finos, duplicados gruesos y gemelas. Los controles permiten determinar
si los datos se encuentran en los límites de error aceptables, ya que los mismos
inciden en la incertidumbre del modelo.

4.5.4. Modelamiento geológico y estimación del recurso.

Luego de tener validada la información se procede a gestionar esta
información en una base de datos, el cual presenta una codificación específica de
acuerdo a la estructura mineralizada, después se prosigue a la definición de
dominios aplicando para ello el EDA. El siguiente proceso viene a ser el
modelamiento geológico, que parte de un modelo conceptual el cual es validado
para la obtención de dominios de recursos confiables, que es posteriormente
analizado mediante geoestadística para la compositación y elaboración de
variogramas donde se identifican las anisotropías. Finalmente, se ejecuta la
estimación del recurso mediante la aplicación de interpolación lineal, modelos de
bloques y dominios interpretados.

48
 CAPITULO V
MODELAMIENTO DE RECURSOS MINERALES DEL CUERPO ESPERANZA –
YACIMIENTO YAURICOCHA

En el presente capitulo se detalla los procedimientos de buenas prácticas

relevantes al modelamiento geológico y estimación de recursos, tales como:
recolección de información, QA/QC del muestreo, análisis exploratorio de datos
(EDA), modelamiento geológico, estimación, validación y reporte de recursos
mineral del cuerpo Esperanza.

5.1. Exploración y recolección de datos

El proceso de exploración y recolección de datos se llevó a cabo mediante
la coordinación entre geólogos de mina, perforación diamantina y el autor
(encargado de todo el proceso de modelamiento, estimación y validación de dicha
información); el cual consiste en mapeos geológicos, elaboración de base de datos,
análisis de muestras de laboratorio, logueos geológicos siguiendo procedimientos
estándar de buenas prácticas.

5.2. Muestreo y control de calidad (QA/QC)

El muestreo viene a ser una de las primeras actividades realizadas en mina,
para la generación de datos de leyes, siendo esta una actividad importante donde
es esencial ejecutar un correcto control y aseguramiento de calidad (QA/QC).

49
 Antes del año 2012 Minera Corona no utilizaba servicios de laboratorios
externos para el análisis químico de las muestras, por lo que se hacía uso de un
laboratorio interno ubicado en la planta concentradora de Chumpe, propiedad
Yauricocha. Desde el año 2012, se empezó a contratar laboratorios externos como
parte de la validación para el laboratorio Chumpe. El procedimiento actual incluye
certificados estándar, blancos y duplicados. Se ha propuesto un control por cada
20 muestras y para el laboratorio externo un control cada 15 muestras.
“El monitoreo de la calidad es uno de los aspectos más críticos del muestreo
y ensayo, este nos provee de una validación integra de la confiabilidad de la base
de datos, que nos permite cuantificar la precisión y la exactitud”. (AusIMM, 2014)
El control de la calidad es muy importante en el proceso de estimación ya
que, si las tazas de error están dentro de los límites aceptables, se puede utilizar
como un valor sin incertidumbre en el proceso de estimación y por consiguiente un
trabajo confiable en las distintas etapas de una operación minera hasta la etapa
final de comercialización de dichos metales, como se muestra en el diagrama de la
figura 5.1.

Mercados

Operación QA/QC
• Procedimiento o buena prácticas
para la toma, registro,
preparación de muestras,
procedimientos de seguridad para
QA que los estándares prestablecidos
de presición y exactitud se
cumplan.

Modelo de
Programa de
geologico de
producción
recursos
• Procedimientos tales como la
elección de laboratorio, análisis
de laboratorio, duplicados de
terreno, análisis de duplicados,
QC blancos, estandares, control
granulometrico, etc. que
permitan controlar que los Secuencia de Envolvente
estándares preestablecidos para Explotación económica
los procedimeintos se
mantengan en el tiempo
Diseño
Minero

Figura 5. 1. Interacción del QA/QC en el proceso de explotación minera.

5.2.1. Muestras duplicadas.

Minera Corona hace uso de tres tipos de control para duplicados, con la
finalidad de evaluar la precisión y evaluar la repetitividad, en las distintas etapas de

50
preparación de las variables en estudio se insertaron duplicados finos (10% ER-
pulverizado), duplicados gruesos (20% ER-chancado) y muestras gemelas (30%
ER- core). Para cada una de estas muestras de control se realizaron gráficos para
su interpretación y aceptación de la calidad de los datos. Con la finalidad de
simplificar la cantidad de información disponible se elaboró gráficos para las
variables Cu y Zn (ver figuras 5.2 al 5.4) los cuales son de mayor relevancia en el
cuerpo Esperanza y un resumen de las variables restantes (ver tabla 5.2).
En la tabla 5.1 se detalla estadísticas para la variable Cu y Zn en donde se
evalúa el sesgo global, este valor debe encontrase entre en rangos <3% aceptable,
>3% y <5% en alerta y >5% inaceptable. Otro punto importante es evaluar la
estadística de t-test el cual debe encontrase dentro de los límites de confianza de
95% (-1.96-+1.96), así mismo la varianza relativa debe presentar valores acordes
a parámetros establecidos para muestras duplicadas. Todas estas estadísticas no
brindan una visión general de la homogeneidad o heterogeneidad de las variables
en estudio.

Tabla 5. 1. Resumen de datos para duplicados finos para Cu y Zn.

Duplicados Cu Original Duplicado Diferencia Var Relativa
Numero 918 918 918 918
Mínimo 0.01 0.01 -10.31 0.00
Máximo 21.56 23.02 11.00 1.96
Promedio 2.59 2.60 -0.01 0.01
Des Estándar 3.14 3.18 0.55 0.11
Test T -0.81
Error Rel Medio 9.68
Sesgo % -0.57
Duplicados Zn Original Duplicado Diferencia Var Relativa
Numero 918 918 918 918
Mínimo 0.01 0.01 -25.57 0.00
Máximo 40.69 41.15 11.02 1.91
Promedio 4.79 4.80 -0.01 0.02
Des Estándar 7.90 7.93 1.33 0.14
Test T -0.16
Error Rel Medio 14.88
Sesgo % -0.15

51
Figura 5. 2. Análisis de duplicados para Cu.

52
Figura 5. 3. Análisis de duplicados para Cu.

53
Figura 5. 4. Análisis de duplicados para Zn.

54
 Tabla 5. 2. Resumen de resultados en duplicados.
Resumen de Duplicados Regresión Hipérbola
Tipo de Fallos Fallos
Duplicado Elemento Unidad Pares Fallos % Pares Fallos %
Ag g/t 918 196 21.4% 918 89 9.7%
Pb % 918 124 13.5% 918 25 2.7%
Duplicados
Cu % 918 69 7.5% 918 40 4.4%
Finos
Zn % 918 185 20.2% 918 103 11.2%
Au g/t 918 374 40.7% 918 180 19.6%
Ag g/t 1208 708 58.6% 1208 164 13.6%
Pb % 1208 459 38.0% 1208 114 9.4%
Duplicados
Cu % 1207 457 37.9% 1207 127 10.5%
Gruesos
Zn % 1208 516 42.7% 1208 200 16.6%
Au g/t 1171 789 67.4% 1171 141 12.0%
Ag g/t 388 55 14.2% 388 20 5.2%
Pb % 388 89 22.9% 388 30 7.7%
Duplicados
Cu % 388 64 16.5% 388 40 10.3%
Gemelas
Zn % 388 133 34.3% 388 66 17.0%
Au g/t 245 52 21.2% 245 13 5.3%

La tabla 5.2 presentada, detalla resultados de estadísticas para duplicados

finos, grueso y gemelas, en donde se hace una comparación del impacto que tiene
hacer análisis por gráficos de regresión o de la hipérbola, en la determinación de %
fallos o error relativo que presenta la variable original y las muestras duplicadas de
las variables en estudio.

5.2.2. Muestras estándar.

En mina, actualmente se inserta un rango de 1:20 muestras, con la finalidad
evaluar distintos rangos de leyes, estos controles contienen un valor determinado
(certificado) que permite evaluar la exactitud de los resultados de análisis de los
laboratorios. Se han generado 11 tipos de estándar, siendo 4 de estos analizados
con la finalidad de simplificar la información. En la tabla 5.3 se muestran los
resultados obtenidos para muestras de referencia estándar MAT-04, MAT-05, MAT-
06 y MCL-02 cuyos resultados de Sesgo% y CV entregan resultados aceptables
menores al 5<%, a excepción de MAT-05.

55
 Tabla 5. 3. Resumen de resultados en estándares.
MR Elemento Unidad MV/CRM Media Muestras MFC MFC (%) Sesgo (%) CV (%)
Ag g/t 29.100 28.791 65 0 0.0% -1.1% 2.6%
Pb % 0.700 0.703 65 0 0.0% 0.5% 2.4%
MAT-04
Cu % 0.160 0.162 65 0 0.0% 1.6% 2.5%
Zn % 0.280 0.286 65 1 1.5% 2.0% 3.9%
Ag g/t 128.200 137.889 9 0 0.0% 7.6% 19.5%
MAT-05 Pb % 2.370 2.437 9 0 0.0% 2.8% 11.4%
Cu % 0.576 0.680 9 0 0.0% 18.1% 25.6%
Zn % 2.500 2.664 9 0 0.0% 6.6% 13.2%
Ag g/t 469.000 444.250 9 0 0.0% -5.3% 2.8%
MAT-06 Pb % 7.750 7.575 9 0 0.0% -2.3% 2.0%
Cu % 2.530 2.479 9 0 0.0% -2.0% 4.8%
Zn % 7.980 7.785 8 0 0.0% -2.4% 2.5%
Ag g/t 40.800 41.600 71 0 0.0% 2.0% 3.4%
MCL-02 Pb % 0.653 0.630 71 1 1.4% -3.5% 3.0%
Cu % 1.581 1.510 71 1 1.4% -4.5% 2.4%
Zn % 2.490 2.525 71 1 1.4% 1.4% 2.8%

En las figuras 5.5 y 5.6 se representan gráficamente los análisis de control

para Cu y Zn del cuerpo Esperanza, donde con una línea punteada roja se muestra
la media de datos, se puede apreciar que los datos se encuentran centrados a esta
línea.

56
Figura 5. 5. Análisis de estándar para Zn/Cu.

Figura 5. 6. Análisis de estándar para Zn.

57
5.2.3. Muestras blanco.
Actualmente en mina se inserta blancos no mineralizados con una ratio de
1:20 muestras, o según se requiera, con la finalidad de evaluar la posible
contaminación en intervalos con alta ley, estos blancos tienen un peso aproximado
de 0.5 kg. La tabla 5.4 muestra que los resultados obtenidos fueron favorables, en
donde se observa una tasa de contaminación muy por debajo de los límites
establecidos para este tipo de muestras <5% (3 o 5 veces <LD).

Tabla 5. 4. Resumen para blancos finos.

N° Max Tasa de
Elemento Unidad LPD* Contaminados
Blancos Blanco Contaminación
Ag g/t 298 20 3.42 1 0.3%
Pb % 298 0 0.02 1 0.3%
Cu % 298 0 0.02 0 0.0%
Zn % 298 0 0.02 1 0.3%
Au g/t 297 0.3 0.03 2 0.7%
Nota: LPD* es el límite práctico de detección.

5.3. Manejo de la base de datos

La base de datos es el principal soporte con el que se toman decisiones de
inversiones técnicas y económicas en el rubro minero; por ello, la calidad de los
datos debe ser confiable y representativa del yacimiento en estudio, es por ello que
es de vital importancia gestionar toda esta información de tal manera que esta sea
representativa, válida, auditable, entendible, útil, transferible y segura, ya que solo
así será confiable durante todo el proceso de modelamiento geológico y estimación
de recursos del cuerpo Esperanza durante toda la actividad minera.

5.3.1. Base de datos primaria.

Consiste en mediciones físicas de observaciones geológicas y análisis
químico, las cuales deben presentar el menor sesgo posible. Es por ello que se
debe tomar especial atención en esta primera etapa; ya que, “todos los problemas
estadísticos involucran la recolección, descripción y el análisis de los datos, o
pensar como recolectar, describir y hacer el análisis de datos” (Marín, 2014). En la
figura 5.7 se expone de manera ilustrativa la diferencia entre datos poco confiables

58
con un nivel de incertidumbre muy alto (izquierda) y datos con alto nivel de
confiabilidad y un nivel de incertidumbre muy bajo(derecha).

Figura 5. 7. Enfoque de confianza en la base de datos empleada para la

estimación de recursos. Fuente: AusIMM, 2014.

5.3.2. Base de datos interpretada.

Deriva de la base de datos primaria y consiste en resumir, elaborar y
describir la información relevante del caso en estudio y obtener información como
NSR, Ratios y determinación de dominios, etc.
La información para la elaboración de modelamiento de recursos del cuerpo
Esperanza se trabajó en un formato Excel que consistió de una base de datos
master con hojas adicionales a esta, ya que en la actualidad no se cuenta un
software de base de datos que garantice un mejor uso y mayor flujo en los trabajos
a realizar para el cuerpo Esperanza. Las tablas principales que se deben revisar y
recopilar son tablas de Collar, Survey, Assay, Litología, Alteración y Densidad
(cuyos componentes se visualizan en la tabla 5.5) acorde a las buenas prácticas en
el proceso de elaboración para la información de sondajes diamantinos, muestreo
de canales en interior mina canales y la respectiva validación.

59
 Tabla 5. 5. Tablas para base de datos de recursos del cuerpo Esperanza del
yacimiento Yauricocha.

CAMPO DESCRIPCIÓN
Collar En este campo se detalla el BHID, ubicación (X, Y, Z), longitud,
cuerpo, tipo, etc.
Survey Se detalla el BHID, azimut, buzamiento, from, to, tipo de medición,
etc.
Assay Se detalla el BHID, from, to, Ag, Pb, Cu, Zn, Au, As, Fe, código de
muestra, etc.
Litología Campos a usar BHID, from, to, Lith, Nlith, tipo, estructura, etc.
Alteración Campos a usar BHID, from, to, alteración, código de alteración, etc.
Densidad Campos a usar BHID, from, to, DA, DH%, tipo, estructura, etc.
RQD Campos a usar BHID, from, to, Lith, Nlith, tipo, estructura, etc.
RMR Campos a usar BHID, from, to, Lith, Nlith, tipo, estructura, etc.

5.3.3. Valores especiales en tablas de recursos.

Durante el manejo de la base de datos en los campos de Collar, Survey,
Assay, Litología, Alteración y densidad existe la posibilidad de encontrar ensayos
no muestreados, pérdida de ensayos, ensayos por encima y debajo del límite de
detección, etc. Por eso, estuvo previsto dar una codificación numérica (ver tabla
5.6), con el propósito de tener un mejor manejo de la base de datos y en la toma
de decisiones que se debe tener con estos valores especiales, que se presenten
durante el proceso de modelamiento y estimación de recursos del cuerpo
Esperanza. A continuación, se muestra una tabla resumen de estos valores ya
mencionados:

Tabla 5. 6. Valores especiales en la base de datos cuerpo Esperanza del

yacimiento Yauricocha.
Valor Especial Código Descripción
<0.2 -333.2 Debajo del límite de detección de 0.1 g/t Ag
<0.05 -333.1 Debajo del límite de detección de 0.03 g/t Au
TRO.1 -555.1 Valor traza del límite de detección 0.1 g/t Au
NA -9999 Muestra no analizada u otras razones
técnicas
0 -9990 Muestra intencionalmente no analizada
LS -9991 Perdida de análisis
LC -9992 Perdida de codificación
Nota: tomado como referencia de The AusIMM guide to good practice.

60
5.3.4. Data de recursos empleado.
La información de la que se utilizó en el modelamiento de recursos del
cuerpo Esperanza corresponde a: topografía subterránea en 3D, mapeos
geológicos, sondajes de perforación diamantina y muestreo de canales en interior
mina (como se muestra en la tabla 5.7), esta información es necesaria en la
elaboración de la base de datos que se debe ingresar en los respectivos softwares
para el posterior modelamiento de recursos.
Cabe mencionar que, la base de datos inicial incluye estructuras
mineralizadas que forman parte del cuerpo Esperanza, contando con un total de 8
estructuras mineralizadas.

Tabla 5. 7. Data inicial de perforación diamantina y canales de muestreo.

Longitud Numero de muestras por variable
N° Acumulado Media Ag Pb Cu Zn Au As Fe
Sondajes 669 71569.25 106.98 22607 20850 22339 21714 21515 21483 22872
Canales 825 11579.62 14.02 7001 6921 7032 6977 5915 6377 6446

5.3.5. Despliegue de datos.

El despliegue y visualización de los datos en 3D es muy importante ya que
permite analizar la presencia de tendencias, error en la ubicación de sondajes, error
en codificación de litología, etc. (ver figuras 5.8 y 5.9). Se debe poner mucha
atención a la ubicación espacial de los datos, ya que de estos se garantiza el
proceso adecuado en la predicción de variables continuas o discretas.
“El despliegue de datos permite visualizar su ubicación en el espacio.
Cuando se trabaja en el espacio tridimensional”. (Emery, 2013)
En la figura 5.10 se visualiza la correlación de la mineralización en función
al logueo geológico y las variables en estudio. Esto fue de mucha ayuda para
analizar el contenido de Ag, Pb, Cu, Zn, As y Fe en función al tipo de litología, así
mismo sirvió como medio de validación en la correcta definición de sulfuro
polimetálico o sulfuro de Cu.

61
Figura 5. 8. Despliegue de datos de sondajes y muestreo de labores en interior mina.

62
Figura 5. 9. Sondajes perforación diamantina con la topografía con la cual se valida la ubicación correcta del collar de los
sondajes.

63
 Figura 5. 10. Strip Log en sondaje diamantino.

5.3.6. Codificación de la data de recursos.

Para el proceso de modelamiento geológico y estimación de recursos del
cuerpo Esperanza, así como de las estructuras aledañas, se empleó la información
de sondajes diamantinos y muestreo por canales; por ende, dicha información fue
codificada acorde a la estructura mineralizada (ver tabla 5.8), ya que dicha
codificación conlleva a un flujo de trabajo manejable al momento de realizar los

64
modelos geológicos, la base de datos fue codificada por estructura mineralizada,
tipo sondaje y dominio por litología. En la figura 5.11 se presentan estas estructuras
mineralizadas diferenciadas por colores.
“En general, una Onza de geología vale una libra de Geoestadística: esto
puede ser decepcionante para geoestadísticos sin formación geológica. ¡DURO!”
(Parker, 2016).

Tabla 5. 8. Lista de estructuras mineralizadas.

Estructura Descripción
1 Esperanza Mineralización Sulf Cu. Sulf Pol, Bx Min y Py
2 Esperanza Mineralización de Sulfuros Polimetálico (Zn) en Brechas.
Brecha
3 Esperanza Cobre Mineralización de Sulfuros de Cobre
4 Esperanza Distal Mineralización de Sulfuro Polimetálico (Zn)
5 Esperanza II Mineralización de Sulfuro Polimetálico (Zn)
6 Esperanza Norte Mineralización Sulf Cu. Sulf Pol, Bx Min y Py
7 Gallito Mineralización de Sulfuro Polimetálico (Zn, Cu)
8 Juliana Mineralización de Sulfuro Polimetálico (Zn, Ag)

65
Figura 5. 11. Dominio por estructura mineralizada.

66
5.4. Análisis exploratorio de datos (EDA)
El análisis exploratorio de datos (EDA) permite identificar dominios
estacionarios y separar dominios no estacionarios, estas se deben evaluar en
función al tipo de roca y por dominios en función a la media, varianza, covarianza y
variograma. Los controles geológicos son de mucha importancia para definir zonas
estacionarias de interpolación, puesto que distintos tipos de roca tienen distinta
variabilidad; estas herramientas describen características espaciales y estadística
de la distribución de las variables en estudio del cuerpo Esperanza en la que incluye
análisis univariable y multivariable. Asimismo, se debe implementar antes, durante
y después del modelamiento geológico y estimación de recursos. Para ello, se sigue
la siguiente secuencia:
- Identificar controles para la mineralización.
a) Definición de dominios geológicos.
b) Identificar otros controles para las leyes
- Compositación.
- Caracterización estadística de las leyes dentro de los dominios.
- Identificar valores para capping.
- Identificar posibles agrupaciones de dominios.
- Caracterización de las leyes en los contactos entre dominios.
- Identificar variaciones en la orientación de los controles de la ley dentro de
los dominios.
- Identificar posible método de estimación.

5.4.1. Efecto proporcional.

Se observa una correlación lineal entre la ley promedio y la desviación
estándar, por lo que se puede inferir que la variabilidad es una función creciente de
la ley, este tipo de comportamientos es usual en yacimientos cuya asimetría es
positiva, lo cual indica un efecto proporcional, para el caso de estudio se hizo una
comparación entre las variables de Cu y Zn en sondajes y canales, como se
muestra en los gráficos de la figura 5.12.
“Las anomalías en la variabilidad local tendrán un impacto en la precisión
de nuestras estimaciones. Si estamos en un área con valores muy uniformes, las
perspectivas de estimaciones precisas son bastante buenas. Por otro lado, si los

67
valores de los datos fluctúan enormemente, nuestras posibilidades de estimación
son escasas” (Isaaks & Srivastava, 1989).

Figura 5. 12. Análisis para efecto proporcional.

En la figura 5.12 se visualiza un claro efecto proporcional entre la media y la

desviación estándar para las variables Zn y Cu, a la derecha se presentan las
muestras de sondaje y a la izquierda muestras en canales.

5.4.2. Histogramas.
El uso de este tipo de gráficos ayudó a evaluar estadísticas de posición como
la media, moda, cuartiles, percentiles y estadísticas de dispersión como desviación
estándar, varianza, covarianza y coeficiente de variación. Por otro lado, favorece
en la evaluación de la distribución natural de la población que estemos tratando; ya

68
sea esta modal, bimodal, poisson, normal o gaussiana y log-normal, siendo esta
última muy común en este caso de variables. Por ejemplo, en la figura 5.13 se
muestra la presencia de un solo tipo de población para la variable Cu en los distintos
dominios de interpolación, en donde, claramente presentan distribución log-normal
con presencia de algunos valores extremos; para la figura 5.14 se muestra un
comportamiento similar para la variable Zn.

Figura 5. 13. Análisis por histogramas para Cu.

69
 Figura 5. 14. Análisis por histogramas para Zn.

5.4.3. Gráfico de probabilidades.

El uso de este tipo de gráfico posibilitó la identificación del tipo de
distribución, sea esta normal o log-normal, mediante el ploteo de una línea recta; al
respecto, si se visualizan inflexiones en dicha línea es muy probable que se esté
frente a mezcla de poblaciones, por lo que se debe poner especial atención en los
puntos de inflexión, también es de mucha utilidad al momento de definir valores
extremos. En la figura 5.15 se muestra el comportamiento de posibles valores
atípicos, poblaciones presentes en 4 dominios para la variable Cu, del mismo modo
se visualizó dichas características para Zn como se muestra en la figura 5.16.

70
Figura 5. 15. Análisis por gráficos de probabilidad para Cu.

71
 Figura 5. 16. Análisis por gráficos de probabilidad para Zn.

5.4.4. Diagrama de cajas.

Con la finalidad de visualizar la distribución de Ag, Pb, Cu, Zn, Au, As y Fe
en función a cuerpos mineralizados, litología y tipo de datos, ya sea este sondaje o
canal, se realizó un análisis general de los dominios del proyecto, así como para
visualizar rápidamente la presencia de valores extremos incluyendo dispersión y
asimetrías en las variables de estudio del cuerpo Esperanza.
En la figura 5.17 se muestra la correlación o similitud de la variable Cu en
función al tipo de estructura mineralizada.

Figura 5. 17. Box plot por estructura mineralizada para Cu.

72
 Del mismo modo, en la figura 5.18 se muestra la correlación o similitud de la
variable Zn en función al tipo de estructura mineralizada.

Figura 5. 18. Box plot por estructura mineralizada para Zn.

En la figura 5.19 se representa la correlación o similitud de la variable Cu en

función al tipo de litología.

Figura 5. 19. Box plot por litología para Cu.

73
 De igual modo, la figura 5.20 muestra la correlación o similitud de la variable
Zn en función al tipo de litología.

Figura 5. 20. Box plot por litología para Zn.

En la figura 5.21 se visualiza la correlación o similitud de la variable Cu en

función al tipo de muestreo, donde existe diferencias en la distribución entre
muestreo por sondajes y canales.

Figura 5. 21. Box plot por tipo de muestreo para Cu.

74
 De igual manera, en la figura 5.22 se representa la correlación o similitud de
la variable Zn en función al tipo de muestreo, donde existe bastante similitud en
distribución entre el muestreo por canales y sondajes.

Figura 5. 22. Box plot por tipo de muestreo para Zn.

5.4.5. Nube de dispersión o correlación (scatter plots).

Las nubes de correlación son de mucha utilidad, donde por medio del
coeficiente de variación que se distribuye entre -1 a +1, se puede encontrar
rápidamente correlación entre distintas variables y diferentes aspectos geológicos,
así como minado del proyecto. No presenta unidades y es sensible a valores que
se encuentran alejadas de la línea de regresión lineal, siendo estas negativas con
correlación inversa, positiva con correlación directa y nula si no existe correlación
definida o independiente entre las variables.

𝒓𝒙,𝒚 = (∑(𝒙𝒊 − 𝒎𝒙 )(𝒚𝒊 − 𝒎𝒚 ))/(𝒏 ∗ 𝒔𝒙 ∗ 𝒔𝒚 ))

𝒊=𝟏

Al respecto, en los gráficos de la figura 5.23 se exhibe una buena correlación

entre la variable Pb vs Zn, y poco o ninguna correlación en las variables de Zn vs
Fe, Cu vs Ag y Cu vs Zn.

75
 Figura 5. 23. Gráficos de correlación para Zn, Ag, Pb, Cu y Fe.

5.4.6. Matriz de correlación.

Analizar la correlación entre variables es importante en geología y en
geoestadística, ya que posibilita hacer inferencias sobre posibles pulsos de
mineralización, así como evaluar y realizar variogramas cruzados, Cosimulación,
Cokrigin, etc. En la tabla 5.9 se muestra un ejemplo de la correlación entre distintas
variables correspondientes a diversos elementos químicos y la densidad aparente
(DA), en donde se destaca con letra roja las correlaciones altas, en negro moderada
correlación y en azul muy poca o ninguna correlación,

76
 Tabla 5. 9. Matriz de correlación entre variables.
Indep/Dep Ag Pb Cu Zn Au As Fe DA
Ag 1 0.19 0.5 0.16 0.08 0.17 -0.03 0.22
- -
Pb 0.19 1 0.86 0 -0.45 -0.31
0.16 0.14
Cu 0.5 -0.16 1 -0.18 0.29 0.26 0.08 0.27
- -
Zn 0.16 0.86 1 0 -0.49 -0.29
0.18 0.14
Au 0.08 -0.14 0.29 -0.14 1 0.05 0.16 0.18
As 0.17 0 0.26 0 0.05 1 -0.01 0.16
-
Fe -0.03 -0.45 0.08 -0.49 0.16 1 0.67
0.01
DA 0.22 -0.31 0.27 -0.29 0.18 0.16 0.67 1

5.4.7. Coeficiente de variación.

El coeficiente de variación también conocida como desviación estándar
relativa (RSD) es una medida estandariza de la dispersión, nos indica que tan
alejado está la deviación estándar en función de la media, un CV <= 1 indica que
ambos valores son iguales y podríamos estar ante una población homogénea y un
CV >=1 indicaría la presencia de algunos valores erráticos que podrían tener un
impacto significante en la estimación final. El uso del CV está sujeto al tipo y a la
variabilidad natural de yacimiento o tipo de mineralización.

𝝈
𝑪𝑽 =
𝒙

5.4.8. Análisis de contacto.

Es de mucha utilidad el uso de análisis de contacto con el objeto de observar
la variabilidad de Ag, Pb, Cu, Zn, Au, As, Fe en relación a la distancia entre dos
tipos de contacto, tipo de roca, etc. De esa manera, se contempla la similitud de las
variables en estudio en las distintas litologías con el fin de obtener un menor número
de dominios y que estos a su vez sean homogéneos y faciliten el proceso de
estimación del cuerpo Esperanza. A continuación, se exhibe en la figura 5.24 el
análisis de contacto entre las distintas litologías y mineralización, esto permitió
determinar el tipo de contacto presente entre los dominios de Bx_Min, Sulf_ Cu,
Sulf_Pol y Sulf_Cu.

77
Figura 5. 24. Análisis de contacto por dominios.

78
 De los gráficos mostrados en la figura 5.24 se concluye que en todos los
casos existe contactos duros a excepción del contacto entre Py y Sulf_Cu que
presenta un contacto suave.
La figura 5.25 permite evaluar la correlación en función a la mineralización:

Figura 5. 25. Análisis de correlación por estructura mineralizada.

79
 De lo mostrado en la figura 5.25 se pudo determinar alta similitud en el tipo
de mineralización o génesis en el cuerpo Esperanza, Esperanza Distal y Esperanza
Norte e independencia en las estructuras mineralizadas Gallito, Esperanza Bx,
Esperanza II y Esperanza Cu, en donde la mayor correlación se presenta en color
verde, moderada correlación en naranja y nula correlación en morado.

5.4.9. Altos erráticos (outliers).

La presencia de valores extremos es muy común en este tipo de
yacimientos, es por esta razón que se debe evaluar correctamente la presencia de
estos valores en cada una de las variables de estudio, puesto que afectan de
manera directa a la variografía y a la estimación de recursos del cuerpo Esperanza.
Por esto, se debe reconocer como se distribuyen, pudiendo estos estar agrupados
o diseminados. En las siguientes figuras del 5.26 al 5.28 se muestran gráficos de
histograma y acumulado de acuerdo al capping elegido para las variables Cu, Zn y
Pb según dominios, de los cuales resultan las tablas 5.10 al 5.14 respectivamente.

Figura 5. 26. Análisis de top cut o capping para Cu.

80
 Tabla 5. 10. Dominio Sulf_Cu.
Statistic Cu Raw Topcut Change
Mean 4.46 4.44 0.50%
Maximum 57.1 27.94 51.10%
SD 4.55 4.41 3.10%
CV 1.02 0.99 2.60%
Samples 5736 5712 0.40%
Topcut - 27.94 -
Percentile - 99.60% -
Num cut - 24 -
Metal cut - 0.50% 99.50%
Topcut zone above 97th percentile

Figura 5. 27. Análisis de top cut o capping para Zn.

Tabla 5. 11. Dominio sulf_pol Zn.

Statistic Zn Raw Topcut Change
Mean 8.54 8.53 0.10%
Maximum 40.73 34.59 15.10%
SD 6.93 6.89 0.60%
CV 0.81 0.81 0.50%
Samples 3124 3113 0.40%
Topcut - 34.59 -
Percentile - 99.60% -
Num cut - 11 -
Metal cut - 0.10% 99.90%
Topcut zone above 98.5th percentile

81
 Figura 5. 28. Análisis de top cut o capping para Pb.

Tabla 5. 12. Dominio Sulf_Pol Pb.

Statistic Pb Raw Topcut Change
Mean 3.49 3.46 1%
Maximum 37.59 17.19 54.30%
SD 3.62 3.43 5.30%
CV 1.04 0.99 4.40%
Samples 3122 3097 0.80%
Topcut - 17.19 -
Percentile - 99.20% -
Num cut - 25 -
Metal cut - 1% 99%
Topcut zone above 95.2th percentile

Tabla 5. 13. Capping para Py/Sulf_Cu/Sulf_Pol.

Py Cap Value Sulf Cu Cap Value Sulf Pol Cap Value
Ag 380.00 Ag 818.00 Ag 595.00
Pb 5.40 Pb 5.00 Pb 17.00
Cu 9.00 Cu 28.00 Cu 11.60
Zn 14.00 Zn 14.00 Zn 35.00
Au 5.37 Au 6.50 Au 3.24
As 2.43 As 6.00 As 4.30
Fe 52.00 Fe 48.00 Fe 44.00

82
 Tabla 5. 14. Capping para Sulf_Py/Sulf_Pol.
Py Cap Value Sulf Pol Cap Value
Ag 380.00 Ag 910.00
Pb 5.40 Pb 18.00
Cu 9.00 Cu 30.00
Zn 14.00 Zn 34.00
Au 5.37 Au 9.00
As 2.43 As 9.00
Fe 52.00 Fe 48.00

5.4.10. Desagrupamiento.
Con la finalidad de mejorar la clasificación de recursos, reducir el riesgo y
evitar los efectos de muestreo preferencial de las variables en estudio del cuerpo
Esperanza se debe realizar el desagrupamiento, para lo cual se puede tomar
distintos criterios como el desagrupamiento por celdas, por polígonos o promedio
de malla de sondajes para de esta manera obtener variogramas, estadísticas
representativas para evaluar las variables en estudio.

𝒛 = ∑(𝑨𝒊 /𝑨𝒕 ) ∗ 𝒛𝒊
𝒊=𝟏
𝑛

𝑤𝑖 = (1/𝑛𝑐𝑖 )/ (∑ 1/𝑛𝑐𝑖 )
𝑖=1

5.5. Interpretación geológica y modelamiento

La interpretación geológica viene a ser el siguiente paso que se realiza una
vez que se tiene la base de datos ordenada y validada, puesto que a partir del
modelo geológico generado se realiza la estimación de recursos minerales.

5.5.1. Modelo conceptual.

El modelo geológico es una representación en tres dimensiones de atributos
relevantes de un fenómeno, que se utiliza para evaluar y hacer predicciones en los
cuerpos mineralizados (ver figura 5.29); para así determinar con mayor precisión la
forma, orientación y volumen para una estimación de recursos, podemos tener
modelos para corto plazo, mediano y largo plazo. Estos modelos no son

83
necesariamente la mejor representación de la realidad y presentan cierta
incertidumbre ya que están sujetos a diferentes factores geológicos y sobre todo a
la experiencia y conocimiento de la persona competente.
Del mismo modo, los modelos conceptuales son usados en distintas ramas
en ciencias de la tierra, en este caso en geología ya que poseen mucha versatilidad
al mostrarnos posibles orientaciones geológicas; así como también los controles
estructurales que podrían presentarse en los cuerpos a explotar.

5.5.2. Modelamiento geológico.

El propósito de un modelo geológico es conocer las características que
controlan el tipo de depósito y que permitan predecir los cambios y
comportamientos de estas propiedades de interés durante la etapa de explotación,
para ello se debe tener en cuenta lo siguiente:
- Se debe tener en cuenta el tamaño de la operación y la complejidad del
modelo que influenciara en los modelos de bloques. (Valerie, 2018)
- Darle especial importancia al modelo geológico de al menos un 75% en su
elaboración para obtener un modelo geológico de calidad y por
consecuencia dominios de recursos confiables. (Gleesen, 2016)
- Definir dominios de recursos con un mínimo de potencia de 1.5 m a 3.0 m
en minería subterránea y de 3 m a 5 m en minería a tajo abierto.
- Clave para determinar la cantidad correcta de dilución que puede determinar
el éxito o el fracaso de la mina. (Gleesen, 2016)
- Extender los modelos más allá de la información de sondajes con una
distancia referencial al alcance de variograma.

A continuación, se describe en los siguientes ítems la secuencia de pasos

llevada a cabo para la obtención de modelos geológicos confiables y
representativos:

A. Buenas practicas
Se debe tener en consideración los siguientes puntos como principios
básicos para realizar modelos geológicos confiables y que sean representativos de
la realidad.

84
Figura 5. 29. Modelo geológico por estructuras mineralizadas.

85
 Figura 5. 30. Validación de modelos de recursos.

B. Definición de dominios geológicos para recursos

Con la finalidad de tener variables homogéneas se definió 8 dominios por
estructura mineralizada, siendo 4 dominios por tipo de mineralización y los
restantes por litología para el cuerpo Esperanza, las cuales se distribuyeron de la

86
siguiente manera: 1) Dominio de Sulf (Bx min, Sulf Cu, Sulf Pol,) y Py, 2) Dominio
de Sul Pol, Sul Cu, Bx Min, Py; 3) Dominio de Sulf Cu, Sul Pol, Py, y 4) Dominio
litológico para desmonte con Clz, Intr, etc. Lo descrito se muestra en la figura 5.31.

Figura 5. 31. Dominios para recursos.

87
5.6. Análisis geoestadístico de datos
La geoestadística es “Conjunto de herramientas para la construcción de
modelo de recursos” (Machuca, 2017) de variables distribuidas en el espacio que
presentan correlación espacial y un soporte asociado a una determinada ley como
Ag, Pb, Cu, Zn, Au, As y Fe. Estas variables pueden estar distribuidas en distintos
dominios de carácter geológico, las cuales fueron analizadas con la finalidad de
entender el comportamiento espacial de dichas variables del cuerpo Esperanza.

5.6.1. Compositación.
Con la finalidad de reducir la varianza y asegurar ponderar las muestras de
manera homogénea y estos sean representativos de la unidad selectiva de minado
(SMU) se hizo el compósito de las muestras a 1 m de longitud y este a su vez por
dominio. “The compositing of an assay data Interval, also know as regularization,
involves the grouping of assay sample of different intervals into a standar length” [la
compositación de un intervalo de datos de ensayo, también conocida como
regularización, implica la agrupación de muestras de ensayo de diferentes
intervalos en una longitud estándar] (Valerie, 2018).
En los gráficos de la figura 5.32 se aprecia la mayor cantidad de datos en
una moda de 1m, el cual se eligió como longitud de compósito y este a su vez es
bastante regular en los distintos dominios.

88
 Figura 5. 32. Análisis de longitud de muestreo para compositar.

En los gráficos mostrados en la figura 5.33 se visualiza la longitud de

compósito en los distintos dominios el cual presenta un comportamiento regular
centrado a 1m con una menor proporción de alrededor de 10% de compósitos
diferentes a 1m.

Figura 5. 33. Variables compositadas a 1m.

89
5.6.2. Análisis de tendencia de leyes.
Es un paso previo antes de realizar el uso de variogramas en las diferentes
variables en estudio; una buena práctica consiste en generar modelos isotrópicos
con la finalidad de identificar tendencias preferenciales y de este modo poder definir
un punto de partida con las herramientas que brinda la geoestadística para una
posterior estimación de recursos del cuerpo Esperanza.

5.6.3. Variograma.
“El variograma es una función creciente de (h)” (Tulcanaza, 1999 b.) que
permite cuantificar la correlación espacial de las variables en estudio del cuerpo
Esperanza, por medio de la diferencia al cuadrado entre dos puntos separados a
una distancia (h).
- Disminuye con la distancia entre dos variables.
- Varía con la dirección.
- Depende de la continuidad.

𝟐𝜸(𝒉) = 𝑬{[𝒁(𝒖) − 𝒁(𝒖 + 𝒉)]𝟐 }

Tabla 5. 15. Tipos de “variogramas”.

Variograma 𝑁(ℎ)
1
experimental: 𝛾(ℎ) = ∑ [𝑍(𝑢) − 𝑍(𝑢 + ℎ)]2
2𝑁(ℎ)
Medida de diferencia 𝑖=1

Covarianza: 𝑁(ℎ)
1
Medida de similitud. 𝐶(ℎ) = [ ∑ 𝑧(𝑥𝑖 )𝑧(𝑥𝑖 + ℎ)] − 𝑚𝑧(𝑥) 𝑚𝑧(𝑥+ℎ)
𝑁ℎ
𝑖=1

Correlograma: 𝐶(ℎ)
𝜌(ℎ) =
Medida de correlación 𝜎𝑧(𝑥) 𝜎𝑧(𝑥+ℎ)

Relativo general 𝛾(ℎ)

𝛾𝐺𝑅(ℎ) =
𝑚2 (ℎ)
Relativo par a par 𝑁(ℎ)
1 [𝑍(𝑢) − 𝑍(𝑢 + ℎ)]2
𝛾(ℎ) = ∑
2𝑁(ℎ)
𝑖=1 [
[𝑍(𝑢) − 𝑍(𝑢 + ℎ)] 2
]
2
Fuente: Pareja, 2012.

90
 A. Usos
- Caracterizar la variabilidad espacial.
- Fundamento para estudios de la varianza de estimación.
- Para hacer cambios de soporte.
- Para obtener los pesos durante la estimación por Kriging.
- En simulación condicional.

B. Tolerancia de búsqueda
Para realizar la búsqueda de direcciones preferenciales en las variables en
estudio del cuerpo Esperanza se debe asignar tolerancias tanto angulares como de
distancia; ya que, al no estar distribuidos de forma homogénea en el espacio con
mallas de perforación poco regulares se debe asegurar la captura de pares de
datos. Por ello se debe especificar los parámetros mostrados en la figura 5.34.

Figura 5. 34. Parámetros para análisis de variogramas. Fuente: SRK

CONSULTING.

C. Mapa de variograma
El uso de mapa de variograma para identificar orientaciones preferenciales
(anisotropías) fue de mucha ayuda, antes de determinar direcciones de búsqueda
definitivas que posteriormente se usaron para el modelado y uso en la estimación
de recursos del cuerpo Esperanza. Estos mapas son de mucha utilidad, pero
debemos corroborar siempre con la información y conocimiento geológico con el

91
que se cuente. A continuación, en las figuras 5.35 y 5.36 se presenta mapas de
variogramas direccionales para definir anisotropías preferenciales en las variables
Cu y Zn:

Figura 5. 35. Mapa de variogramas direccionales con lo cual se podrá definir la

existencia de anisotropías preferenciales Cu.

92
 Figura 5. 36. Mapa de variogramas direccionales con lo cual se podrá definir la
existencia de anisotropías preferenciales Zn.

D. Derivas de tendencias
La presencia de derivas relacionado a la falta de la hipótesis de
Estacionariedad donde la diferencia de las cabezas y colas deberían rondar
alrededor de 0. Si se observan incrementos o descensos en función a la distancia
(h), nos indica diferencias significativas en las medias, es decir existen revivas.

𝒛(𝒙) − 𝒛(𝒙 + 𝒉) = 𝟎

93
 La presencia de derivas puede indicar cambios en la mineralización y se
puede reconocer como un variograma que no se estabiliza, por lo que debemos
tomar especial atención a este tipo de comportamiento de las variables en estudio.

E. Variograma experimental
Se realizó variogramas en distintas direcciones para definir la dirección con
mayor continuidad, continuidad intermedia y menor continuidad de las variables en
estudio del cuerpo Esperanza, posteriormente se hizo el ajuste de un modelo de
variograma teórico.
En cuanto a ello, se calcularon 4 tipos de variogramas (ver figura 5.37), el
gráfico de la parte superior izquierda representa el variograma a lo largo de los
sondajes el cual define el efecto pepita y los variogramas restantes definen la
continuidad de la mayor dirección, intermedio y menor alcance para la variable Cu.

Figura 5. 37. Variograma downhole y experimental para Cu.

Del mismo modo, para la variable Zn se calcularon 4 tipos de variogramas

(ver figura 5.38), el gráfico de la parte superior izquierda representa el variograma
a lo largo de los sondajes el cual define el efecto pepita y los variogramas restantes
definen la continuidad de la mayor dirección, intermedio y menor alcance.
94
 Figura 5. 38. Variograma downhole y experimental para Zn.

F. Modelo del variograma

Con el objetivo de obtener un modelo que represente la anisotropía,
continuidad geológica y variabilidad de la mineralización (sill, nugget) del cuerpo
Esperanza y estas aseguren el cálculo de varianza positiva, se debe tomar la
decisión de que modelo de variograma se ajusta mejor o si es que debemos usar
modelos anidados para de esta manera ajustar un modelo representativo para las
variables en estudio del cuerpo Esperanza, como se muestra en la figura 5.39.

Figura 5. 39. Variograma teórico para Cu y Zn.

95
 En la figura 5.39 el color naranja representa al mayor alcance, el alcance
intermedio en verde y de menor alcance o continuidad en azul.

5.7. Estimación de recursos del cuerpo Esperanza

Como geólogos de recursos debemos tener en cuenta que se hacen
estimaciones de recursos, no cálculos de recursos y estas a su vez deben reflejar
la incertidumbre implícita en las operaciones mineras y deben ser estimadas sin
dilución alguna. Para realizar el proceso de estimación se debe contar con datos
topográficos, mapeo geológico, geofísica, logueo de sondajes, muestreo de
sondajes, trincheras, canales y análisis de laboratorio (leyes, densidad, porosidad,
permeabilidad), etc.
Los principales objetivos del modelo de recursos son: sustentar decisiones
técnicas y económicas en el plan de minado, estudios de pre factibilidad, plan de
cierre, ore control, así como también facilitar el conocimiento del depósito,
comunicar las características del cuerpo Esperanza y sus decisiones pertinentes y
también amalgamar información e ideas de diversas fuentes, mejora de procesos
metalúrgicos entre otros.

5.7.1. Principios de interpolación lineal.

Es una combinación lineal de datos, significa que es un promedio ponderado
y lineal porque no están elevado alguna potencia. La finalidad es estimar en función
a los datos disponibles y este a su vez no es el verdadero valor del bloque.
- La tabulación de recursos se basa en estimados no en valores verdaderos.
- Los estimados siempre tienen errores.
- El objetivo de la estimación es minimizar los errores de estimación.
- El modelo se basa en un ínfimo volumen de datos de muestreo relativo al
volumen total de depósito.
- La interpolación debe de ser limitada a áreas que son geológicamente
homogéneas.
- Los controles geológicos definen la mineralización, tener un conocimiento
adecuado del modelo geológico es crítico para poder realizar una estimación
confiable.
- El objetivo de la estimación es obtener la mejor estimación del valor de una
variable en un punto en el espacio en función de los datos disponibles.

96
5.7.2. Modelo de bloques.
“A block model is a simplified representation of an ore body and it´s
surroundings that can be thoughts of as a stack of computer-generated “bricks” that
represent small volumes rock in a deposit (Ore and waste). Each “brick”, or “cell”,
contains estimates of data, such as element grade, density and other geological or
engineering entity values” [Un modelo de bloque es una representación simplificada
de un yacimiento mineral y sus alrededores, que puede considerarse como una pila
de "ladrillos" generados por computadora que representan pequeños volúmenes de
roca en un depósito (mineral y desmonte). Cada "ladrillo" o "celda" contiene
estimaciones de datos, como la ley del elemento, la densidad y otros valores de
entes geológicos o de ingeniería] (Poniewierski, 2014), es por ello que es
importante definir un tamaño de bloques adecuado en función al tipo de
mineralización, espaciamiento de sondajes, comportamiento geológico,
características geomecánicas, método de explotación y otros factores que se deban
considerar. Para el caso de estudio del cuerpo Esperanza se utilizó el KNA, con la
finalidad de obtener un tamaño de bloques inicial. Por lo que, se definió un tamaño
de bloques de 4x4x4 con sub celdas de 2x2x2. (ver figuras 5.40 y 5.41). “The block
size should be decided based on the drill hole data spacing and other geological
considerations”. (MarcadorDePosición1).

Figura 5. 40. Vista en sección de modelo de bloques con litología y

mineralización.

97
Figura 5. 41. Modelo de bloques.

98
 En la figura 5.42 se exhibe el KNA que se utilizó para determinar el tamaño
de bloques optimo, como podemos apreciar se analizaron distintos tamaños de
bloques, en donde se eligió el bloque que está más próximo al 100% en eficiencia
de Kriging o que la regresión de pendiente se ubique en 1, es por ello que se definió
un bloque de 4x4x4.

Figura 5. 42. KNA para análisis de tamaño de bloques.

En la siguiente figura 5.43 se muestra el KNA para la discretización del

modelo de bloques, con el objeto de definir donde se obtiene la ley media.

Figura 5. 43. KNA para discretización en modelo de bloques.

99
5.7.3. Dominios de interpolación.
Con la finalidad de tener variables homogéneas se definió 3 tipos de
dominios en función al tipo de mineralización las cuales se distribuyeron de la
siguiente manera: 1) dominio de Sulf (Sulf Cu, Sulf Pol,) y Py; 2) dominio de Sul
Pol, Sul Cu, Bx Min, Py; 3) dominio de Sulf Cu, Sul Pol, Py; y un dominio litológico
para desmonte con Clz, Intr, etc (ver figura 5.46). En la figura 5.44 se muestra los
bloques generados en función a dominios geológicos donde se realizó la
interpolación con la que se obtuvo el reporte de recursos final, así mismo en la
figura 5.45 se muestra bloques acordes al tipo de estructuras.

Figura 5. 44. Modelo de bloques mineralización.

Figura 5. 45. Modelo de bloques mineralización de sulfuros por estructura.

100
Figura 5. 46. Modelo de bloques por dominio.

101
5.7.4. Métodos de interpolación lineal.
Existen distintos métodos de estimación de modelos matemáticos como el
vecino más cercano, inverso de la distancia, krigin ordinario, krigin puntual,
simulación entre otros. En el caso de presente estudio se aplicó algunos de los
métodos ya mencionados, con la finalidad de comparar la calidad del estimador y
compararlas una con otras.

5.7.5. Error de estimación.

Estos errores tienen una distribución que se puede presentar por medio de
la media o de la varianza de los errores, todo método de estimación debe tener:
- Una media de los errores aproximado a cero sin sesgo.
- Una pequeña varianza de los errores, los cuales deben estar concentrados
alrededor de la media de los errores.

𝑬 = 𝒁∗ − 𝒁
𝒎(𝒙+𝒚) = 𝒎𝒙 + 𝒎𝒚
𝒎𝑬 = 𝒎(𝒛∗) − 𝒎(𝒛)
𝒎(𝒛∗) = 𝒎(𝒛)
𝒎(𝑬) = 𝟎

5.7.6. Suma de pesos.

El objetivo es seleccionar los pesos 𝝎𝒊 de tal forma que:
- Den un estimado no sesgado de Z.
- Den la mínima varianza de estimación.
- Para obtener pesos no sesgados basta que la suma de pesos sea igual a 1.

𝒏
∗
𝒁 = ∑ 𝒘𝒊 𝒁𝒊
𝒊=𝟏

𝑨𝒗𝒈(𝒛∗𝒊 ) = 𝑨𝒗𝒈(𝒛𝒊 )
𝒏

𝑨𝒗𝒈 (∑ 𝝎𝒊 𝒈𝒊 ) = 𝑨𝒗𝒈(𝒛𝒊 )
𝒊=𝟏
𝒏

∑ 𝒘𝒊 𝑨𝒗𝒈(𝒈𝒊 ) = 𝑨𝒗𝒈(𝒛𝒊 )
𝒊=𝟏

102
 𝒏

∑ 𝒘𝒊 𝒎 = 𝒎
𝒊=𝟏
𝒏

∑ 𝒘𝒊 = 𝟏
𝒊=𝟏

5.7.7. Varianza de estimación.

Se puede demostrar que la varianza de estimación se puede calcular en
función del modelo de variograma:

𝝈𝟐𝒊 = 𝟐𝜸
̅(𝒗𝒊 , 𝑽) − 𝜸
̅(𝑽, 𝑽) − 𝜸
̅(𝒗𝒊 , 𝒗𝒋 )
Donde:
- ̅(𝒗𝒊 , 𝑽) 𝒆𝒔 𝒆𝒍 𝒗𝒂𝒓𝒊𝒐𝒈𝒓𝒂𝒎𝒂 𝒑𝒓𝒐𝒎𝒆𝒅𝒊𝒐 𝒆𝒏𝒕𝒓𝒆 𝒍𝒂𝒔 𝒎𝒖𝒆𝒔𝒕𝒓𝒂𝒔 𝒚 𝒆𝒍 𝒃𝒍𝒐𝒒𝒖𝒆
𝜸
- ̅(𝑽, 𝑽) 𝒆𝒔 𝒆𝒍 𝒗𝒂𝒓𝒊𝒐𝒈𝒓𝒂𝒎𝒂 𝒑𝒓𝒐𝒎𝒆𝒅𝒊𝒐 𝒆𝒏𝒕𝒓𝒆 𝒕𝒐𝒅𝒐𝒔 𝒍𝒐𝒔 𝒑𝒖𝒏𝒕𝒐𝒔 𝒅𝒆𝒍 𝒃𝒍𝒐𝒒𝒖𝒆
𝜸
- ̅(𝒗𝒊 , 𝒗𝒊 ) 𝒆𝒔 𝒆𝒍 𝒗𝒂𝒓𝒊𝒐𝒈𝒓𝒂𝒎𝒂 𝒑𝒓𝒐𝒎𝒆𝒅𝒊𝒐 𝒆𝒏𝒕𝒓𝒆 𝒍𝒂𝒔 𝒎𝒖𝒆𝒔𝒕𝒓𝒂𝒔
𝜸

Es decir, depende de:

- La configuración de las muestras relativas al bloque y al tamaño de bloque
- Conociendo el variograma se puede calcular la varianza de estimación de
cualquier método, no solo de kriging.
- Cuando los pesos satisfacen las condiciones anteriores, la varianza de
estimación (llamada también varianza de kriging se puede calcular de la
siguiente manera):

𝝈𝟐𝑶𝑲 = ∑ 𝒘𝒊 𝛄̅(𝒗𝒊 , 𝑽) + 𝝁 − 𝜸
̅(𝑽, 𝑽)
𝒊=𝟏

- La kriging variance 𝝈𝟐𝑶𝑲 es un estimador del error de estimación.

- 𝝈𝟐𝑶𝑲 depende solo de la configuración geométrica de los datos; en general,
subestima el error real de estimación.
- 𝝈𝟐𝑶𝑲 es una función del modelo (en especial del variograma), errores en el
modelo no se reflejan en 𝝈𝟐𝑶𝑲

103
 Si se usa el correlograma, variograma estandarizado o relativo, se debe re-
escalar para calcular la varianza de estimación.

𝝈𝟐𝑶𝑲 = 𝝈𝟐𝒆𝒔𝒕_𝒄𝒐𝒓𝒓 𝒙𝝈𝟐

𝝈𝟐𝑶𝑲 se puede utilizar para diseñar campañas de perforación que minimicen

el error (en especial cuando no hay muchos datos). (Pareja, 2012)

5.7.8. Propiedades del Kriging.

En Emery (2021) y Pareja (2012) se indica que el Kriging es un interpolador
basado en el modelo de función aleatorio, que consiste en ponderar los datos
según:
a) Efecto pepita: A mayor efecto pepita, mayor suavizamiento (asigna pesos
similares a todas las muestras).
b) Forma del variograma: a menor pendiente cerca al origen, mayor peso a
las muestras cercanas al bloque.
c) Rango: a mayor rango, más peso a las muestras cercanas al bloque.

5.7.9. Elipsoide de búsqueda.

Con la finalidad de evitar tomar muestras a mayores distancias y asegurar
que la media sea localmente estacionaria y que afecten la varianza de estimación
en el proceso de estimación de recursos del cuerpo Esperanza fue necesario
determinar elipsoides de búsqueda razonables para interpolar las variables en
estudio (Ag, Pb, Cu, Zn, Au, As, Fe), como se muestra en la figura 5.47.

104
 Figura 5. 47. Elipsoide de búsqueda.

5.7.10. Determinación y optimización de parámetros

Uno de las etapas importante para garantizar recursos confiables para el
cuerpo Esperanza implica determinar y optimizar todos los parámetros que
formaron parte de los recursos obtenidos en el reporte final de recursos.

105
 A. Estrategias de búsqueda
Para poder determinar y optimizar los parámetros de estimación como
número mínimo, máximo de muestras para estimar medidos, indicado e inferidos
se utilizó el KNA, con la cual se especificó dichos parámetros de búsqueda. En la
figura 5.48 se define en rojo, verde y azul la ubicación donde se analizó los distintos
parámetros correspondientes al variograma teórico obtenido anteriormente.

Figura 5. 48. Estrategia de búsqueda de recursos.

106
 La figura 5.49 muestra gráficos de KNA para distinto número de muestras
empleados en la estimación de recursos; utilizándose 6 muestras como mínimo y
18 como máximo para medido; 5 muestras como mínimo y 14 como máximo para
indicado y finalmente 3 muestras como mínimo y 8 como máximo para definir el
recurso inferido.

Figura 5. 49. Análisis de número de muestras para recursos.

107
 B. Restricción de leyes altas
Se evaluó el uso de octantes en caso las estimaciones no logren resultados
aceptables con la intención de mejorar la calidad de predicción de las variables en
estudio.

C. Densidad
La determinación de la densidad está basada principalmente en medidas de
densidad in situ tomados de sondajes representativos (método de vernier), como
también en interior mina, para ello ejecutó un análisis de regresión vs el contenido
total acumulado (ver figura 5.50).

a) b)

c) d)
Figura 5. 50. Análisis de regresión e histogramas para evaluar la densidad.

108
 Tanto en los gráficos a) y b) de la figura 5.50, se muestran la cantidad de
datos muestreados en zona mineralizada y roca de caja (waste); así mismo, en el
gráfico c) se realizó el análisis de regresión donde se observa una buena relación
de las muestras para densidad el tipo de litología, finalmente en gráfico d) muestra
el número de datos en el dominio Sulf_Pol.

5.7.11. Buenas prácticas en la estimación.

- El modelo de bloques debe coincidir con el método de explotación.
- El modelo de bloques vs sólidos no debe tener una diferencia mayor entre
1% y 2%.
- La longitud total del máximo número de compósitos por sondaje debe ser
proporcional a la dimensión del tamaño de bloques.
- El número máximo de compósitos por sondaje debe ser menor al número de
mínimo de compósitos para asegurar que más de un sondaje se está usando
en la predicción.
- Para estimar por Kriging, la discretización debe ser seteado con 4 o más
puntos en azimut y buzamiento, también se debe considerar el tamaño de
bloques y longitud de compósitos.

5.7.12. Fuentes de errores comunes en la estimación.

- Heterogeneidad geológica.
- Toma de muestras.
- Preparación de las muestras.
- Medición de los parámetros.
- Preparación de base de datos.

5.7.13. Ley de corte.

Representa al valor que separa dos categorías distintas de mineral ya sea
este desmonte o mineral.

109
 CAPÍTULO VI
ANÁLISIS Y DISCUSIÓN DE RESULTADOS

En el presente capítulo se expone los resultados obtenidos de la evaluación

de recursos del cuerpo Esperanza, para la clasificación del recurso se consideró el
código NI 43 101, también se describe las validaciones realizadas para el modelo
de recursos por distintos métodos, la evaluación del sesgo global y condicional, la
curva tonelaje-ley y el reporte de recursos; por último, se hizo la discusión de
resultados.

6.1. Clasificación y validación de recursos del cuerpo Esperanza

Tomar en cuenta que el código NI 43 101 señala que solo se pueden
clasificar recurso medido, indicados e inferidos (ver figura 6.2); por ende, no se
debe reportar otra categoría como potencial, minable, extraíble y a su vez no se
debe reportar recursos inferidos a la suma de recursos totales.
Así mismo, poner especial atención a las validaciones pertinentes antes de
clasificar y reportar recursos minerales con la finalidad de garantizar las buenas
prácticas y la confiabilidad de los recursos que posteriormente serán de gran
utilidad en evaluaciones técnicas y económicas. Todos estos procedimientos
garantizan que los resultados obtenidos puedan ser auditados y presentados en la
bolsa de valores de Estados Unidos y de Canadá para el caso en estudio. En la
figura 6.1 se muestra los recursos obtenidos por medio de los parámetros del KNA,

110
así mismo se definió los recursos medidos(rojo), indicado(amarillo) e inferidos(azul)
del variograma teórico obtenido anteriormente.

Figura 6. 1. Clasificación de recursos.

111
 Figura 6. 2. Relación entre recursos y reservas. Fuente: Código JORC.

6.1.1. Validación.
Todo modelo es válido si es que no presenta errores detectables y es
internamente consistente y este a su vez se lo suficientemente aceptable, este a su
vez debe verificar la calidad del proceso de modelamiento y estimación de recursos
para el cuerpo Esperanza.

A. Validación cruzada
La validación cruzada nos muestra una buena performance de los
parámetros de estimación, así como el modelamiento de los variogramas de las
distintas variables en estudio en cada dominio de estimación para los recursos del
cuerpo Esperanza. En la figura 6.3 se muestra una alta correlación entre los
compósitos y ley estimada para las variables Cu y Zn.

112
 Figura 6. 3. Validación cruzada para Cu y Zn.

B. Validación visual
Es uno de los pasos más importantes ya que este permitió reconocer errores
comunes, como por ejemplo desmonte en áreas mineralizadas, observar bloques
con valores inconsistentes; ahora bien, debemos recalcar que ningún modelo es
100% perfecto por ende se debe evaluar el modelo estimado vs los datos originales,
con la finalidad de garantizar la consistencia de la estimación para el cuerpo
Esperanza como se muestra en la figura 6.4, en la cual se hizo la comparación
entre compósito (derecha) y bloques estimados (izquierda) en donde se reproduce
zonas de alta y baja ley.

113
 Figura 6. 4. Validación visual para Zn.

C. Validación volumétrica
Se debe realizar la validación volumétrica con la finalidad de garantizar que
el volumen del modelo geológico sea consistente con el modelo de bloques, el cual
debe tener una diferencia ideal menor al 1% con un máximo de 5%, diferencias
volumétricas mayores al 5% se deben considerar como peligrosas y se debe
verificar las causas de dicha diferencia. Se detalla los resultados de dicha validación
en la tabla 6.1.

Tabla 6. 1. Verificación volumétrica (BM vs WFs).

Esperanza Block Model Wiferframe Diference
Domain Volumen(m3) Volumen(m3) Volumen(m3)
Esp_Pol_2D 1088080 1087342 0.1%
Esp_Pol_3D 364432 364786 -0.1%
Esp_Sulf_Cu_3D 622752 622110 0.1%
Esp_Sulf_Py_2D/3D 571352 571442 0.0%
TOTAL 2282184 2280894 0.2%

D. Validación estadística
La validación estadística contribuye a identificar variaciones considerables
entre la variable original y la variable estimada para cada dominio; en la tabla 6.2
se muestra el resumen para las variables Ag, Pb, Cu, Zn, Au, As, Fe en el dominio
de sulfuro polimetálico.
114
Tabla 6. 2. Resumen de estadísticas de compositos vs estadísticas de modelo de
bloques.

Statistic Pol OKVsSa IDVsSam%D NNVsSam

Sample OK ID NN OKVSNN%Diff
2D m%Diff iff %Diff
Mean 91.12 91.67 -1% 94.26 -3% 95.15 -4% -4%
Std Dev 104.72 53.61 49% 65.43 38% 117.74 -12% -120%
Ag 2874.3
Variance 10966.55 74% 4281.53 61% 13863.77 -26% -382%
4
CV 1.15 0.58 49% 0.69 40% 1.24 -8% -112%
Mean 1.44 1.42 2% 1.39 3% 1.42 1% 0%
Std Dev 2.54 1.46 43% 1.54 40% 2.35 7% -61%
Pb
Variance 6.45 2.12 67% 2.36 63% 5.53 14% -160%
CV 1.76 1.03 42% 1.10 38% 1.65 6% -61%
Mean 3.08 2.69 13% 2.79 9% 2.80 9% -4%
Std Dev 3.87 1.76 54% 1.98 49% 3.52 9% -100%
Cu
Variance 14.96 3.10 79% 3.94 74% 12.43 17% -301%
CV 1.26 0.65 48% 0.71 44% 1.26 0% -92%
Mean 3.55 3.71 -5% 3.65 -3% 3.54 0% 5%
Std Dev 5.61 3.33 41% 3.51 37% 5.28 6% -58%
Zn
Variance 31.47 11.11 65% 12.32 61% 27.90 11% -151%
CV 1.58 0.90 43% 0.96 39% 1.49 6% -66%
Mean 0.79 0.69 13% 0.70 12% 0.70 11% -2%
Std Dev 0.95 0.50 47% 0.53 44% 0.86 9% -72%
Au
Variance 0.89 0.25 72% 0.28 68% 0.74 18% -197%
CV 1.19 0.72 39% 0.76 36% 1.22 -2% -69%
Mean 0.40 0.36 11% 0.37 8% 0.37 10% -1%
Std Dev 0.75 0.29 61% 0.36 53% 0.66 12% -125%
As
Variance 0.57 0.09 85% 0.13 78% 0.44 23% -405%
CV 1.86 0.82 56% 0.96 49% 1.81 3% -122%
Mean 30.89 29.81 4% 30.05 3% 30.12 3% -1%
Std Dev 10.77 6.60 39% 7.41 31% 11.69 -9% -77%
Fe
Variance 115.94 43.61 62% 54.90 53% 136.68 -18% -213%
CV 0.35 0.22 36% 0.25 29% 0.39 -11% -75%

E. Validación por swath plots

La validación por este método se hizo solo para la variable Zn, como se
muestra en la figura 6.5 existe una correlación consistente entre las muestras de
compósitos (rojo) y los distintos métodos de interpolación (OK “negro”), NN “azul”,
IDW “verde”).

115
Figura 6. 5. Validación por Swath Plot para Zn.

116
 F. Validación de interpolación
Este fue otro tipo de validación que se realizó, según el krigin, con el valor
original vs el estimado, como se muestra en los gráficos de la figura 6.6.

Figura 6. 6. Validación de interpolación por histogramas y gráficos de

probabilidad.

6.1.2. Sesgo global.

Se evaluó el sesgo global de las estimaciones entre la ley real, son
considerados aceptables si presentan un sesgo global menor al 5% y diferencias
en sesgo global mayor al 5% se deben evaluar por el riesgo que conlleva, ya que
la presencia de sesgo mayor al 5% afecta de manera directo al valor económico del
yacimiento, así como a toda la planificación del proyecto. A continuación, en tabla

117
6.3., se muestra los resultados de sesgo total entre los distintos métodos de
interpolación y los compósitos de las variables en estudio.

Tabla 6. 3. Resumen de sesgo global de la variable original vs estimaciones.

OKVsSa NNVsSa
Statistic Pol 2D Sample OK m ID IDVsSam NN m OKVSNN
Ag Mean 91.12 91.67 -1% 94.26 -3% 95.15 -4% -4%
Pb Mean 1.44 1.42 2% 1.39 3% 1.42 1% 0%
Cu Mean 3.08 2.69 13% 2.79 9% 2.80 9% -4%
Zn Mean 3.55 3.71 -5% 3.65 -3% 3.54 0% 5%
Au Mean 0.79 0.69 13% 0.70 12% 0.70 11% -2%
As Mean 0.40 0.36 11% 0.37 8% 0.37 10% -1%
Fe Mean 30.89 29.81 4% 30.05 3% 30.12 3% -1%
OKVsSa NNVsSa
Statistic Pol 3D Sample OK m ID IDVsSam NN m OKVSNN
Ag Mean 84.54 92.06 -9% 94.53 -12% 97.88 -16% -6%
Pb Mean 3.50 3.19 9% 3.28 6% 3.33 5% -4%
Cu Mean 0.79 0.84 -6% 0.85 -8% 0.87 -10% -3%
Zn Mean 8.68 8.22 5% 8.43 3% 8.43 3% -3%
Au Mean 0.47 0.40 15% 0.40 15% 0.41 14% -1%
As Mean 0.22 0.25 -14% 0.25 -16% 0.27 -24% -10%
Fe Mean 22.03 20.73 6% 20.61 6% 20.64 6% 0%
Statistic Sulf_Cu OKVsSa NNVsSa
3D Sample OK m ID IDVsSam NN m OKVSNN
Ag Mean 93.97 98.18 -4% 98.84 -5% 100.81 -7% -3%
Pb Mean 0.28 0.31 -11% 0.30 -6% 0.28 -1% 9%
Cu Mean 4.42 3.97 10% 4.05 8% 4.06 8% -2%
Zn Mean 0.69 0.72 -5% 0.70 -2% 0.66 5% 9%
Au Mean 0.96 0.88 9% 0.89 8% 0.89 8% -1%
As Mean 0.49 0.46 7% 0.47 5% 0.47 5% -2%
Fe Mean 35.95 35.86 0% 36.02 0% 36.10 0% -1%
OKVsSa NNVsSa
Statistic Py 2D/3D Sample OK m ID IDVsSam NN m OKVSNN
Ag Mean 31.53 30.39 4% 29.77 6% 29.08 8% 4%
Pb Mean 0.21 0.21 -2% 0.19 6% 0.17 17% 19%
Cu Mean 0.79 0.67 15% 0.66 17% 0.62 22% 8%
Zn Mean 0.50 0.49 2% 0.43 13% 0.37 26% 25%
Au Mean 0.68 0.60 12% 0.59 14% 0.58 15% 3%
As Mean 0.12 0.11 15% 0.10 17% 0.10 18% 3%
Fe Mean 35.98 35.87 0% 36.17 -1% 36.46 -1% -2%

6.1.3. Sesgo condicional.

Con la finalidad de evaluar el nivel de suavizamiento y la calidad de la
predicción de las variables en estudio se comparó la variable estimada con la

118
variable original, donde la sobre estimación de la ley en zonas de baja ley y la sub
estimación de la ley en zonas de alta ley a distintos Cutt off sobre la línea de
regresión indicó la presencia de sesgo condicional. Este es un proceso inevitable
de la interpolación y se podría mejorar utilizando un mayor número de muestras
para interpolar un bloque, podemos citar otra definición donde indica que “al
comparar las estimaciones de ley de bloque con los valores conocidos de los
bloques, las leyes reales de los bloques de menor ley son a menudo subestimados
( la ley real del bloque es mayor que la ley estimada) y los bloques de alta ley son
a menudo sobreestimados (la ley real del bloque es menor que la ley estimada”.
(Sullivan, 1998).

Figura 6. 7. Análisis de sesgo condicional en Zn.

La figura 6.7 muestra una buena correlación de 0.9645 entre las leyes
estimadas y leyes de compósitos, es así que concluimos que el proceso de
estimación fue favorable y se redujo de manera consistente la incertidumbre.

6.1.4. Curva tonelaje-ley.

La curva tonelaje vs ley, permite determinar la sensibilidad del yacimiento
respecto a la variación de la ley de corte, debido a que su pendiente determina la
cantidad de recursos que quedan fuera de la explotación al producirse un cambio
o variación en la ley de corte. (Botin, 2015)
- A menor cut-off mayor tonelaje.
- A mayor cut-off mayor ley y menor tonelaje.

119
 Lo descrito líneas arriba se ilustra en la figura 6.8:

Esperanza NSR (USD/t) Cut-off versus Average NSR (USD/t)

25,000 450

400
20,000 350

300

Average NSR (USD/t)

15,000
Tonnes Millares

250

200
10,000
150

5,000 100

50

0 0
0 50 100 150 200 250 300 350 400 450
Cut-off NSR (USD/t)
TONNES NSR (USD/t)

Figura 6. 8. Curva tonelaje vs NSR. Fuente: SRK Consulting.

6.1.5. Reporte de recursos.

El conocimiento de la geología y la mineralización del cuerpo Esperanza está
basado en la combinación de la geología, perforación y muestreo, los cuales son
razonables y consistentes con la industria de buenas prácticas, por lo cual se puede
garantizar un nivel de confianza aceptable para reportes públicos. A continuación
(ver tabla 6.4), se detalla los recursos por dominios para el cuerpo Esperanza.
En la tabla 6.4 se detalla los recursos obtenidos en los dominios de Sulf_pol,
Sulf_Py y Sulf_Pol, Sulf_Cu, Sulf_Py, donde se obtuvo para el dominio 2D recursos
medidos, indicados e inferidos con leyes con 40% y 50% menos en relación a las
leyes obtenidas en el dominio 3D, siendo ahora motivo de evaluación que tipo de
dominio se debe usar para estimar las reservas.

120
 Tabla 6. 4. Resumen de recursos del cuerpo Esperanza por dominios.

DOMAIN 2D RESOURCE VOLUME TONNES SGSK AGOK PBOK CUOK ZNOK AUOK ASOK FEOK
Sulf_Pol Medido 596312 2103292 3.53 84.82 1.22 2.97 3.06 0.85 0.38 31.79
Sulf_Pol Indicado 376816 1388925 3.69 101.62 1.62 2.29 4.39 0.51 0.35 27.83
Sulf_Pol M+IN 973128 3492217 3.61 93.22 1.42 2.63 3.73 0.68 0.36 29.81
Sulf_Pol Inferido 114952 440909 3.84 102.35 2.00 2.47 5.28 0.4 0.32 25.12
DOMAIN 3D RESOURCE VOLUME TONNES SGSK AGOK PBOK CUOK ZNOK AUOK ASOK FEOK
Sulf_Pol Medido 165936 444488 2.68 81.57 3.25 0.75 8.2 0.53 0.19 23.15
Sulf_Pol Indicado 139360 347145 2.49 90.51 3.04 0.83 8.33 0.35 0.24 19.6
Sulf_Pol M+IN 305296 791633 2.58 86.04 3.15 0.79 8.26 0.44 0.22 21.38
Sulf_Pol Inferido 59136 146236 2.47 124.65 3.43 1.05 8.05 0.19 0.43 16.98
DOMAIN 3D RESOURCE VOLUME TONNES SGSK AGOK PBOK CUOK ZNOK AUOK ASOK FEOK
Sulf_Cu Medido 379160 1400414 3.69 87.31 0.27 4.09 0.68 0.99 0.45 36.19
Sulf_Cu Indicado 200384 744108 3.71 120.78 0.42 3.76 0.85 0.72 0.5 35.31
Sulf_Cu M+IN 579544 2144523 3.7 104.04 0.34 3.93 0.76 0.85 0.48 35.75
Sulf_Cu Inferido 43208 160880 3.72 89.37 0.20 3.85 0.47 0.67 0.3 35.5
DOMAIN 3D RESOURCE VOLUME TONNES SGSK AGOK PBOK CUOK ZNOK AUOK ASOK FEOK
Sulf_Py Medido 353448 1345917 3.81 33.99 0.23 0.83 0.56 0.68 0.13 35.54
Sulf_Py Indicado 170496 649027 3.81 27.51 0.17 0.5 0.38 0.43 0.09 36.05
Sulf_Py M+IN 523944 1994944 3.81 30.75 0.20 0.67 0.47 0.56 0.11 35.8
Sulf_Py Inferido 47408 178512 3.77 27.22 0.19 0.5 0.5 0.44 0.09 34.05

6.2. Discusión de resultados

A partir de los hallazgos encontrados, aceptamos la hipótesis alternativa
general que establece que existe relación positiva entre softwares de modelamiento
geológico, estimación de recursos, el uso de buenas practicas y los recursos
minerales del cuerpo Esperanza del yacimiento de Yauricocha- Yauyos- Alis- Lima.

Estos resultados guardan relación con lo que sostienen Tulcanaza (1999

a.),una aplicación geoestadistica en la mina Casapalca, Rossi & Deutsch (2014) en
“Mineral Resource Estimation” y AusIMM (2014), quienes señalan la metodologia
que garantiza la elaboracion de resultados confiables en modelamiento geológico
y estimación de recursos. Ello es acorde con lo que se halló en el presente estudio.

Se verifica, que este estudio concuerda con los autores referidos; en el uso
de buenas practicas y el uso de protocolos de muestreo como el QA/QC, análisis
exploratorio de datos, modelamiento geológico, analisis de dominios geológicos,
analisis exploratorio de datos (EDA), analisis variográfico, validación de parámetros

121
mediante KNA, validacion de interpolación y un correcto muestreo de la densidad,
con las que se definió el tonelaje en los distintos dominios de recursos, los que
garantizan que la estimación de recursos sea confiable como se demuestra en el
presente estudio.

122
 CONCLUSIONES

1. Se logró demostrar que la aplicación de distintos softwares como Leapfrog,

Datamine, Target for Arc Gis y Snowden Supervisor referentes al
modelamiento geológico y estimación de recursos garantizan resultados
confiables en el cuerpo Esperanza acordes a los distintos códigos
internacionales.
2. Los resultados obtenidos en la etapa de validación de recursos del cuerpo
Esperanza demuestran que los protocolos en cuanto al control de calidad
QA/QC son consistentes por ende confiables ante cualquier auditoría
externa.
3. Se demostró que el uso correcto de herramientas estadística y
geoestadística tales como histogramas, gráficos de probabilidad, diagrama
de cajas, análisis de contacto y variogramas permiten obtener resultados
consistentes en la estimación de recursos, además que nos permite justificar
el porqué de las distintas decisiones tomadas durante y después de la
estimación de recursos en el cuerpo Esperanza.
4. Mediante el análisis de sesgo condicional donde obtiene un coeficiente de
correlación de 0.9645 nos indica una alta similitud entre compositos y
bloques estimados, además del sesgo global presente menor al 5%
garantiza un nivel bajo de sub o sobre estimación, disminuyendo así el nivel
de incertidumbre presente en las variables de estudio del cuerpo Esperanza.
5. Se demostró que la facilidad de uso de los distintos softwares y las buenas
prácticas reducen el tiempo de evaluación de recursos pudiendo evaluar
modelos de corto (1 mes a menos), mediano (3 a 6 meses) y largo plazo (1
año) simultáneamente en distintos dominios con mayor flexibilidad durante
todo el proceso de estimación de Recursos y Reservas.
6. Se demuestra que llevar una metodología correcta durante el proceso de
estimación de recursos del cuerpo Esperanza reducen el riesgo técnico y
económico presentes en la actividad minera ya que al tener una correcta
clasificación de recursos medidos, indicados e inferidos con sesgos globales
menores a 5% y una alta correlación entre compositos y bloques estimados
de 0.9645 nos indica una alta probabilidad que el valor asignado al bloque
sea correcto.

123
 RECOMENDACIONES

1. Sera de vital importancia seguir los lineamientos de los códigos del NI-43-
101, el cual resume las características principales o cualidades que debe
tener un reporte de recursos y reservas confiable.
2. Los trabajos de control de calidad QA/QC deben hacerse de manera
inherente en todos los procesos de perforación, muestreo de cores,
muestreo sistemático, muestreo de canchas, traslado de muestras,
etiquetado de muestras, elaboración de base de datos hasta finalizar la
estimación de los recursos, para de esta manera garantizar una estimación
de recursos con un alto grado de certeza.
3. El proceso del modelamiento geológico lo debe realizar no solo el geólogo
de modelamiento, si no también debe tener soporte de los geólogos de mina
como de exploración. Es solo de esta manera que se tendrá modelos
aceptables en los procesos de estimación de recursos.
4. El conocimiento o interpretación de los diferentes dominios geológicos,
estructural determinaran en mucho el proceso del modelamiento geológico
como de la estimación de recursos.
5. Tener conocimientos claros de Geología, Geología estructural,
Geoestadística, Control de Calidad y conocimiento de los diferentes códigos
ya sea el NI-43-101, Código JORC, SAMREC, etc. afianzarán un buen
trabajo en la estimación de recursos.
6. La colaboración del área implicada en la estimación de recursos, en este
caso el Área de Geología, debe tener un trabajo en conjunto con todos los
miembros del área; ya que el trabajo en equipo siempre va a garantizar
buenos resultados.
7. Las reservas están sujetas a las estimaciones de recursos geológicos,
siendo importante tener en cuenta que una buena estimación de recursos
garantiza reservas de calidad.

124
 BIBLIOGRAFÍA

Ancco, M. (2016). Aseguramiento y control de calidad del muestreo de canales-

mina Animón, distrito de Huayllay, provincia de Pasco, departamento de
Pasco (Tesis de pregrado). Universidad Nacional de San Agustín de
Arequipa. Arequipa, Perú. Recuperado de:
http://repositorio.unsa.edu.pe/handle/UNSA/3359
AusIMM. (2014). Mineral Resource and ore reserve estimation. Carlton, Australia.
BizaLab S.A.C. (2016). Informe de ensayo preliminar. Estudios minerográficos de
catorce muestras y estudios petrográficos de treinta muestras por
microscopia óptica cuerpos Esperanza y Cuye, Lima, Perú.
Botin, J. (2015). Visión integradora del negocio minero. Maestría en gestión minera.
Lima, Perú.
Emery, X. (2013). Apuntes de geoestadística. Santiago, Chile.
Emery, X. (2021). Geoestadística. Diploma de Post Titulo en Evaluación
Geoestadística de Yacimientos. Santiago, Chile.
Geoservice. (2013). Estudio hidrogeológico en la Unidad de Producción
Yauricocha. Lima.
Gleesen, P. (2016). Geology driven domaining for resource definition. Lima, Perú.
Isaaks, E. H., & Srivastava, R. M. (1989). An Introduction to applied geoestatistics.
Vancouver, British Columbia, Canada: Oxford University Press.
Machuca, D. (2017). Curso simulación condicional para la modelización de recursos
minerales. Arequipa, Perú.
Pacori, A. (2020). Controles geológicos que intervienen en la mineralización de Zn,
Pb, Ag y Cu del cuerpo Esperanza mina Yauricocha, Alis-Lima (Tesis de
pregrado). Universidad Nacional del Altiplano de Puno. Puno, Perú.
Recuperado de: http://repositorio.unap.edu.pe/handle/UNAP/14467
Pareja, G. (2012). Curso introducción a la geoestadística para la estimación de
recursos minerales. Lima, Perú.
Parker, H. (2016). The art and science of resource estimation. Dominios de la
geología para la definición de recursos y control de Ley. Lima, Perú.
Poniewierski, J. (2014). Block model knowledge for mining engineers - An
introduction. Brismbane, Australia.

125
Rodríguez, R. (2008). Sistema de fallas Chonta y sus implicancias metalogénicas
entre 12°15" S y 13° 30" S. Huancavelica, Perú (Tesis de maestría).
Universidad Politécnica de Madrid. España. Recuperado de:
https://es.calameo.com/read/0008201298d2f15a99183
Rossi, M., & Deutsch, C. (2014). Mineral resource estimation. Canada: Springer.
Sociedad Minera Corona. (2008). Reporte de recursos. Yauyos, Lima.
Sullivan, J. (1998). Curso de geoestadística para mineria. Chile.
Tulcanaza, E. (1999 a.). Una aplicación geoestadística en la mina Casapalca. Lima,
Perú.
Tulcanaza, E. (1999 b.). Evaluación de recursos y negocios mineros. Incertidumbre,
riesgo y modelos numéricos. Chile.
Valencia, A. J. (2020). “Ore control y QA/QC en la explotación del cuerpo Esperanza
por el método sublevel caving, Unidad Minera Yauricocha" (Informe de
Servicios Profesionales). Universidad Nacional de San Agustín de Arequipa.
Arequipa, Perú. Recuperado de: http://hdl.handle.net/20.500.12773/11551
Valerie, W. (2018). The fundamental of mineral resource estimation. Geological
interpretation and resource domaining. Toronto, Canada.

126