Estimacin de Reservas

Introduccin
En este trabajo vamos a analizar lo que ocurre una vez que hemos encontrado un depsito mineral. Aqu estudiaremos los aspectos ms bsicos de una de las labores ms complejas y de mayor riesgo econmico en las que puede verse implicado un gelogo: la estimacin de reservas (cubicacin). Las muestras a partir de las cuales se estiman las reservas de un yacimiento representan una fraccin mnima de ste. Por ejemplo, en la evaluacin del pequeo prfido cuprfero de Copper Flat (Nuevo Mxico, USA), se recuperaron a partir de una malla densa de sondeos, unas 200 TM (toneladas mtricas) de testigos. De esas toneladas se utiliz una fraccin solamente para anlisis qumicos, y con este material se definieron:

60 x106 TM de mineral. 150 x 106 TM de estril.

Comprendamos de esta manera el grado de dificultad que se encuentra implcito en este tipo de trabajos. Si el gelogo se excede (sobreestima), la compaa puede empezar unos trabajos mineros que no sern rentables. Si se queda corto (subestima), la compaa puede tomar la decisin de abandonar un prospecto que era rentable. En estas operaciones puede haber cientos, si no miles de millones de dolares en juego. Existen reglas claras para "afinar la puntera? desgraciadamente no, y solo podramos mencionar dos herramientas indiscutibles: Entender la geologa del prospecto, ya que sin una compresin adecuada de sta, puede dar lo mismo el grado de refinamiento matemtico que se emplee, que las probabilidades de cometer un grave error sern altas.

Recuerde: las reservas las estima un gelogo, no un ordenador ni un paquete de software. Somos gelogos, no "aprietabotones". Por ejemplo, antes de aprender a utilizar el sistema Navstar (navegacin va satelital), un oficial de la marina tiene que aprender a utilizar el sextante para determinar la posicin de su barco. Entender el modelo de yacimiento que estamos aplicando, siendo lo suficientemente flexibles como para modificar nuestra

perspectiva si los datos no se ajustan al modelo. Recuerde Olympic Dam (captulo anterior).

Analicemos el siguiente ejemplo. En negro observar las intersecciones entre los sondeos y la masa mineral. Arriba tenemos la interpretacin de la morfologa de los cuerpos por parte del gelogo, y abajo la forma real de stos. La diferencia en tonelaje es evidente, con el caso superior correspondiendo a una sobreestimacin. Se podra evitar sto ? s, por ejemplo, con un buen control de la geologa en superficie. Note que las dos situaciones se corresponden a su vez, a marcos geolgicos notablemente diferentes. Importante: 1) Sin sondeos no se puede evaluar un prospecto; 2) Sin un control geolgico riguroso, no se debe empezar a sondear. Cabe destacar que los depsitos minerales eran evaluados, y sus reservas estimadas, mucho antes de que aparecieran los ordenadores y los mtodos geoestadsticos. Se medan reas, se estimaban volmenes y tonelajes, y las leyes se promediaban utilizando papel y lpices, regla de clculo o calculadoras mecnicas. Esos resultados no

eran peores (y en algunos casos eran considerablemente mejores) que algunas estimaciones modernas por geoestadstica con pobre control geolgico. Antes de continuar, necesitamos definir de la manera ms precisa posible tres trminos relacionados con la estimacin de reservas. Se trata de los contactos de tipo geolgico, mineralgico, y econmico. Para evaluar un recurso tenemos que pensar en trminos de estos tres conceptos: Contacto geolgico: los lmites litolgicos y/o estructurales de una determinada unidad. Contacto mineralgico: definido por la extensin de la masa mineral (recurso "geolgico"); puede o no coincidir con los contactos geolgico (puede ir ms all de una determinada litologa) y econmico (a partir de un punto las leyes pueden ser subeconmicas). Contacto econmico: los lmites del material a partir del cual se pueden obtener ganancias (cut off grade).

Contactos de tipo geolgico, mineralgico, y econmico. La estimacin de reservas es mucho ms que una mera proyeccin espacial (3D) de las leyes (por ejemplo, % Cu, g/t Au, etc.). Para determinar el verdadero valor de un yacimiento necesitaremos adems determinar y proyectar los siguientes parmetros:

Peso especfico de la roca mineralizada. Potencia de la roca mineralizada. Tipo de mena (mineraloga). Estimacin del grado de recuperacin metalrgica. Contenido en humedad.

Competencia de la roca RQD.

A partir de este punto, nos concentraremos en los aspectos estadsticos bsicos de la proyeccin de datos de leyes.

Metodologa clsica
En esencia, una estimacin de reservas consiste en definir un volumen, al cual se le aplica una ley y una densidad (peso especfico): T = A x P x PE Donde: T: es el tonelaje del sector del depsito bajo evaluacin. A: el rea; visualizacin 2D del sector del depsito bajo evaluacin; normalmente una seccin vertical en cuerpos mineralizados irregulares. P: la potencia; distancia horizontal aplicada a dicha seccin. PE: el peso especfico de la roca mineralizada. Si al resultado le aplicamos una ley concreta (e.g., 2.3 % Cu), entonces tendremos toneladas con una ley especfica (e.g., 2500 toneladas a 2.3 %Cu). En el caso de la determinacin de la ley media de un sondeo tendremos:

Si d son los tramos del sondeo (medidos en metros) y l las leyes de dichos tramos, entonces la ley media del sondeo ser: Leymedia = l i x di / di En el caso de la determinacin de la ley media de una seccin de un depsito tendremos:

Leymedia = l DDHi x Ai / Ai Esta metodologa es particularmente til en la estimacin del tonelaje de cuerpos mineralizados irregulares.

Ejemplo de una seccin. Primero calcularemos las leyes medias de los sondeos (DDH). A continuacin aplicaremos esa ley al rea que resulta de aplicar la distancia media entre los sondeos (reas definidas por las lneas de segmento). Calcularemos las reas mediante planimetra, y determinaremos la ley final de la seccin como: Leyseccin = l DDHi x Ai / Ai. Y para obtener un volumen al que aplicarle las leyes y pesos especficos, as tendremos:

Una vez determinadas las leyes de cada seccin, lo que debemos hacer es calcular los volmenes. En el ejemplo que muestra la figura, el volumen de roca mineralizada ser igual a: (A1 + A2) x 0.5D, siendo D la distancia entre las secciones A1 y A2. Otro sistema es el denominado mtodo de los polgonos. Este mtodo ha sido utilizado por la industria minera durante dcadas. Es un mtodo simple, las matemticas son fciles, y las estimaciones pueden ser realizadas de manera rpida. Se emplea principalmente en cuerpos tabulares (e.g., filones). Lo sondeos se dirigen normalmente a 90 con respecto a la masa tabular bajo evaluacin. Para la construccin de los polgonos se pueden emplear dos procedimientos:

Bisectores perpendiculares. Bisectores angulares.

Mtodos de los bisectores perpendiculares y bisectores angulares. Los pequeos crculos representan las posiciones de los sondeos, el crculo negro, indica el sondeo central. En el primer caso (a), el polgono ser construido trazando perpendiculares a las lneas de segmento (bisectores

perpendiculares), que unen los sondeos perifricos con el sondeo central. Dicha perpendicular pasar por el punto medio de las lneas de unin. En el segundo caso (b), el polgono se construye intersectando las bisectrices de los ngulos que se forman al unir los distintos puntos (bisectores angulares). A cada polgono se le asignar una potencia (espesor de la masa mineralizada econmica: Th) y una ley (G). La ley se determinar de la siguiente manera (a): LeyABCDE = Ley1 x 0.5 + Ley2 x 0.1 + Ley3 x 0.1 + Ley4 x 0.1 + Ley5 x 0.1 + Ley6 x 0.1, donde 1 es el sondeo central, y 2-6 los perifricos.

Ejemplo real de aplicacin del mtodo de los polgonos (cuerpo mineralizado estratoligado aurfero de Hemlo, Canad). El depsito tiene una orientacin E-W, buzando 65N. El cuerpo ha sido proyectado en una seccin vertical. Note los distintos fondos, en blanco (polgonos), reservas probadas; en puntos reservas probables; en blanco (bordeando los zonas de puntos), reservas indicadas (posibles).

Hasta aqu los aspectos ms bsicos de la estimacin de reservas. Para continuar necesitamos incorporar tres conceptos claves para entender la estimacin de reservas en su perspectiva econmica real: A) La dilucin de leyes. B) El coeficiente de extraccin. C) La recuperacin de metal. A) Resulta prcticamente imposible extraer solo el material econmico en una mina, de tal manera que durante el proceso de la voladura de roca, quedar siempre incluido material estril (lo cual lleva a la dilucin de leyes). Las causas son las siguientes: Sobrevoladura: material que est fuera de los lmites econmicos del cuerpo mineralizado queda incluido en el material extrado. Dilucin interna: material subeconmico que se encuentra incluido dentro del cuerpo econmico y que no puede ser segregado. Dilucin de reemplazo o contacto: si el contacto estril/mineral es muy irregular (y esto suele bastante normal), el resultado ser que un volumen equivalente de material estril substituir al material econmico. Aunque la voladura de roca es un arte que en ocasiones roza la perfeccin, tampoco se le pueden pedir milagros.

Ejemplo de dilucin de reemplazo. La lnea continua marca el contacto econmico-mineralgico, la de segmento, lo que por ingeniera se puede obtener (contacto promedio). Observe como en el material que se va a arrancar, entran zonas de mineralizacin subeconmica o estril (waste), y como a su vez, zonas de mineral econmico (ore) queda afuera.

Las minas operan con valores establecidos de dilucin, que deben ser aplicados a las determinaciones de tonelaje realizadas por los gelogos (dilogo ingeniero de minas gelogo). B) A esto hay que sumarle el concepto de mineral extrable. Es prcticamente imposible extraer el 100 % del material econmico de una mina. En el caso de una mina subterrnea es fcil de entender esta situacin, pero tengamos en cuenta, que en cierta medida lo mismo se aplica a las minas a cielo abierto. Si queremos que la mina no colapse, obviamente no se podr extraer de ella todo el material que queremos. Por ejemplo, a lo mejor solo el 80% del material ser susceptible de ser extrado si se desea mantener lmites adecuados de seguridad. As, y siguiendo este ejemplo, para una reserva "geolgica" de 10.000 TM de mineral al 2.3 % Cu, con un factor de extraccin del 80 %, y una dilucin del 10 % tendremos: 10.000 x 0.8 = 8.000 TM al 2.3 % Cu Si aplicamos a esta cifra una dilucin del 10 % tendremos: 8.000 x 1.1 = 8.800 TM y la ley diluida ser de: Leyfinal = (8.000 x 2.3 %)/8.800 = 2.09 % Cu Con lo cual tendremos al final de nuestras cuentas: 8.800 TM al 2.09 % Cu. Recuerde, bajo un punto de vista exclusivamente geolgico, las reservas eran inicialmente de 10.000 TM al 2.3 % Cu. C) Esto en lo que se refiere a la parte "minera" del problema. Pero a sto tenemos que agregarle la problemtica de la recuperacin metalrgica del metal en cuestin. Sigamos con el mismo ejemplo. Tericamente una tonelada de material de mina al 2.09 % Cu contiene 20.9 kilos de cobre (al 100% de recuperacin metalrgica). Pero no todo es recuperable. Si nos indican que esta tonelada de material de mina en planta da unos 65 kilos de concentrado al 30 % Cu, entonces tendremos: 65 kg. x 0.30 = 19.5 kg. Y la recuperacin metalrgica ser entonces de: 19.5/20.9 = 0.93 (93 %)

Como podemos apreciar, los valores que obtenemos de la estimacin de reservas constituyen solo una primera aproximacin al tema ms importante a considerar, esto es, la viabilidad econmica de recurso mineral. Por eso, el que un recurso sea o no explotable va mucho ms all de una estimacin de cuantas toneladas y con qu leyes. Adems, si recordamos lo estudiado en captulos anteriores, tambin debemos considerar aspectos tan variados como son El panorama de la economa mundial (ciclo de crecimiento, ciclo recesivo?). El tecnolgico (requerirn las nuevas tecnologas el metal o mineral en cuestin?). El ambiental (ser permitido extraer y procesar el recurso en un determinado sitio?), y por qu no El poltico (que sistema de gobierno impera en una regin, peligro de golpes de Estado, guerrillas?). Todos estos aspectos estn adems relacionados entre s de una manera u otra.

Mtodos geoestadsticos: una introduccin al tema

Supongamos que tenemos un conjunto de datos (1: fichero Excel) de leyes repartidas en un espacio XY, y asignamos a cada muestra un smbolo con un tamao proporcional a su valor:

Arriba, representacin de las muestras del conjunto 1, el tamao de los puntos es proporcional al valor de cada una; abajo, una representacin 3D de la distribucin. Para este conjunto de datos la media es 0.93 y la desviacin estndar igual a 1.20 (valores redondeados). A continuacin realizaremos lo siguiente, consideraremos un nuevo conjunto de datos (2: fichero Excel), equivalente al anterior en cuanto a nmero de muestras y posicin de los puntos de muestreo, pero donde los valores de las muestras han cambiado de posicin:

Arriba, representacin de las muestras del conjunto 2, el tamao de los puntos es proporcional al valor de cada una; abajo, una representacin 3D de la distribucin. Si realizamos los clculos estadsticos correspondientes, descubriremos que la media nuevamente es 0.93 y la desviacin estndar igual a 1.20. En otras palabras, los conjuntos 1 y 2 son estadsticamente equivalentes. Sin embargo, resulta evidente, bajo cualquier punto de vista, que la distribucin espacial XY de los valores es substancialmente diferente en cada caso: en el primero existe una cierta dispersin de los valores, mientras que en el segundo, estos se agrupan de acuerdo a dos trends de direccin NW bien definidos. De

alguna manera podramos intuir que en el primer caso la distribucin de los valores es ms bien aleatoria mientras que en el segundo distinguimos una marcada anisotropa. Resulta claro que la estadstica clsica no resulta una herramienta til para tratar casos de esta naturaleza, los cuales por otra parte, son comunes en geologa, ya que no trabajamos con datos abstractos, sino que estos tienen una distribucin en el espacio. Es decir, para cada muestra, con coordenadas XY, existe al menos un valor Z. Este ltimo puede corresponder a una concentracin de cobre y/o zinc en un punto XiYi, o bien a un valor de emisin de gases de mercurio, o cualquier otro ejemplo que se nos venga a la mente. La pregunta es entonces como poder relacionar los valores con sus posiciones en el espacio? y ms importante aun como relacionar dichos valores entre s? Este es el requisito bsico para poder interpolar datos y obtener una informacin grfica sobre las tendencias mostradas por las variables (kriging). Esto se obtiene mediante la herramienta ms bsica de la geoestadstica, el variograma, una funcin matemtica que nos permite estudiar las diferencias entre muestras y la direccionalidad (anisotropa) de los valores. Realicemos la siguiente abstraccin mental, si la distancia h entre dos muestras es igual a 0, la diferencia entre los valores de estas ser nula (y la varianza = 0). Si ambas muestras estn muy cerca, existir una diferencia, pero esta, expresada como la varianza, ser muy pequea. Sin embargo, a medida que las muestras estn ms alejadas, llegar un momento en el cual deje de haber una relacin entre las muestras. Como podemos determinar esto? mediante la matemtica de un variograma experimental y modelizacin. construccin su ulterior

En trminos muy simples podemos definir el variograma como la media de los cuadrados de las diferencias entre pares de muestras separados por una distancia h:

(h) = 1/2n [Z(xi) - Z(xi + h)]2

Donde: h = distancia entre los pares. n = nmero de pares.

Z(xi) = la localizacin y valor de la muestra.

Ejemplo clsico de un variograma experimental ajustado al llamado modelo esfrico. La varianza crece sistemticamente hasta a (rango o alcance) distancia a partir de la cual las muestras empiezan a ser independientes unas de otras. El sill muestra la zona de la curva donde los valores ya no se correlacionan.

A diferencia del caso anterior, donde la curva empieza en origen del sistema XY (varianza 0), aqu observamos denominado efecto pepita (Nugget), el que se debe fluctuaciones aleatorias de la variable o a errores en muestreo.

el el a el

Pero como se construye un variograma experimental? De donde salen los puntos en un grfico de esta naturaleza? Isobel Clark en su obra ya clsica Practical Geostatistics (1979) nos propone el siguiente ejemplo. Imaginemos una malla cuadrada donde se han tomado una serie de muestras con determinados valores, y digamos que la distancia entre muestras es de 100.

El primer punto de nuestra funcin (h) vendr dado por (100), esto es, la media de los cuadrados de las diferencias entre todos los pares de muestras separados por una distancia de 100 m:

De esta manera obtenemos el primer punto para la construccin del variograma experimental, donde en el eje Y ( (h)) tendremos un valor de 1.46 y en el X (h) otro de 100. Para conseguir el segundo punto (200) haremos lo siguiente (y as sucesivamente):

Estos puntos aparecern en el variograma experimental de la siguiente manera:

Y as continuaramos con (300), (400), (500), etc. Podramos continuar de esta manera hasta 800, la mxima distancia

muestreada, pero en general, se suele ir (particularmente si los clculos son a mano), hasta la mitad de la distancia, esto es, 400. En este caso estamos realizando un variograma experimental E-W, pero como ya hemos discutido previamente, la distribucin de los valores en el espacio puede variar segn la direccin en que nos movamos (anisotropa). De ah que sea importante realizar estas operaciones en al menos tres direcciones en un plano XY: N-S, E-W, y NW-SE, para comprobar el grado de anisotropa del sistema. El uso de paquetes informticos modernos permite realizar estas operaciones con mucha facilidad en ordenadores tipo PC (entorno Windows), y un nmero de ellos, entrega por default el denominado variograma omnidireccional, esto es, un promedio de los distintos posibles variogramas que se pueden realizar para diferentes direcciones. Aunque algunos programas como Surfer8 determinan adems el grado y direccin de la anisotropa, conviene no obstante cerciorase geolgicamente de la validez del variograma omnidireccional, esto es, determinar si la anisotropa (o ausencia de esta) detectada tiene o no sentido. En otras palabras, un programa ser tan bueno o tan malo como quien lo utilice. Cabe destacar no obstante, que programas como Surfer8 permiten adems realizar variogramas experimentales en direcciones concretas fijadas por el operador. De cualquier manera, todo esto es algo ms que pasar los datos (XYZ) a un archivo Excel y pedirle al programa que nos proyecte los datos de la funcin (h). Una vez que aparezcan los datos en el grfico (variograma experimental), deberemos seleccionar el modelo que mejor se ajuste a nuestros datos. Ya hemos visto al comienzo la representacin del denominado modelo esfrico (con efecto pepita: nugget). Aunque este suele ajustarse bastante bien a muchos casos en minera o geoqumica, conviene que conozcamos otros modelos:

Otros modelos de variograma. Esta fase del trabajo es muy importante, ya que el trabajo de kriging depende totalmente de: 1) del modelo a utilizar; y 2) del grado y direccionalidad de la anisotropa. En otras palabras, el kriging ser

tan bueno o tan malo como el ajuste previo que hayamos realizado en el variograma. Pero qu es kriging exactamente? al comienzo de esta seccin lo definimos como un mtodo de interpolacin, aunque como veremos, el kriging aplicado a la estimacin de leyes y reservas (o a tendencias geoqumicas en trabajos ambientales), es mucho ms que esto. Consideremos el siguiente problema, tenemos varios puntos de muestreo, con sus respectivos valores, y deseamos estimar el valor del punto A:

Se nos ofrecen mltiples posibilidades, empezando por decidir que el punto 1 tendr ms influencia que, digamos, el punto 5. Sin embargo cunta ms influencia debera tener? Aqu entramos en el problema de la ponderacin y los mtodos matemticos clsicos de interpolaciones (inversas de la distancia, inversas de los cuadrados de la distancia, etc.). Si recordamos el caso de la estimacin de leyes mediante el mtodo de los polgonos, dijimos que un procedimiento comn era asignar el 50 % del valor final al punto central y otro 50 % a los puntos situados en la periferia. En el ejemplo de abajo esto sera 50 % al sondeo del centro y 50 % a los cinco restantes (10 % a cada uno).

Como en todas las cosas de la vida si funciona no lo cambies (o en ingls: never change a winning game), pero y qu pasa si nuestra estimacin de leyes no est siendo la mejor posible o es claramente mala? Ahora es cuando deberamos recurrir a los mtodos geoestadsticos, y en particular al variograma, nuestra herramienta bsica. Existen dos razones principales para hacer esto: 1) el variograma nos da una medida del alcance (range) de las muestra, esto es, nos dice hasta adonde en el espacio los valores de estas son significativos; y 2) nos da una idea de la variabilidad de los valores en el espacio, esto es, si el sistema es fuertemente anisotrpico, las muestras pueden tener una mejor correlacin en una direccin que en otra. En otras palabras, el alcance ser dependiente de la direccin. Si nuestro caso corresponde a un prfido cuprfero, el comportamiento (dado el tipo geomtrico de mineralizacin) ser ms bien isotrpico, pero si el ejemplo corresponde a un filn, intuitivamente podemos pensar que la anisotropa en el sistema ser mayor. Por ejemplo, esperaremos una mayor continuidad a lo largo de la direccin del filn que de su buzamiento. Por otra parte, la cada de las leyes ser bastante abrupta cuando salgamos de la estructura mineralizada. Volvamos al ejemplo de arriba introduciendo las distancias entre los puntos:

Cmo determinamos entonces la ley en el punto A? Ahora es cuando todo empieza a tener ms sentido: necesitamos el variograma para determinar que muestras pueden tener una influencia real en la estimacin de la ley (o cualquier otra variable que estemos considerando), ya que el alcance (Rango a) nos da una idea de hasta que distancia existe una relacin entre las muestras. Por ejemplo, si el alcance determinado por la modelizacin del variograma fuera de a = 100 m, la muestra 5 tendra que ser descartada (est a unos 134 m de distancia del punto A). A efectos prcticos, todos los clculos son realizados hoy en da por programas especializados, algunos de los cuales pueden ser muy caros (miles de euros). Opciones relativamente econmicas son programas como Surfer8 o EcoSSe, que como contrapartida no permiten el diseo y estudio de bloques (donde realizar la estimacin: block kriging en el sentido minero del trmino), aunque se puede realizar una buena modelizacin de variogramas experimentales y desarrollar kriging puntual. De esta manera se pueden obtener mapas donde la interpolacin de valores en el espacio XY est controlada por la funcin (h). Volvamos a uno de los ejemplos del principio (datos 2) trabajando con Surfer8:

Representacin de los datos del conjunto 2. Esta vez hemos puesto sobre cada punto, el valor real Z (fichero Excel). Con estos valores y sus respectivas posiciones en el espacio XY desarrollamos el variograma experimental, y a partir de este, buscamos el modelo que mejor se ajuste a la distribucin.

Sin modelizar no tenemos ningn efecto de anisotropa (ver circulo perfecto a la derecha). La primera funcin que decide el programa en este caso es una de tipo lineal, la que no se ajusta adecuadamente a la distribucin de puntos.

Pero dado que observamos que existe una tendencia de los puntos hacia el origen del sistema, con un desarrollo de sill hacia la derecha, modelizamos a un variograma esfrico (el ejemplo no es perfecto, pero), y ah empezamos detectar la fuerte anisotropa del sistema (ver elipse y su orientacin: direccionalidad de los datos). En este caso, vemos que los datos muestran una tendencia hacia el origen (X = 0; Y = 0), por lo cual descartamos la presencia del efecto pepita (nugget). Dado que los datos crecen hasta un determinado punto (alcance = 11.6) y a partir de ah no existe un claro incremento, podemos modelizar el variograma al tipo esfrico, y determinar la anisotropa del sistema. Con el modelo, el grado de anisotropa (anisotropy ratio = 2), y la direccin de la misma (32.51 N57.49), podemos pasar a los clculos de kriging puntual introduciendo estos datos en el programa:

En la ventana de kriging, seleccionamos opciones avanzadas (izquierda), y una vez en estas, seleccionamos desde pantalla el variograma modelizado. El resultado final que se obtiene es un mapa de interpolacin donde nuestros valores Z, se ajustan a los parmetros introducidos:

Mapa obtenido para el conjunto de datos 2, con los siguientes parmetros: modelo de variograma: esfrico; anisotropy ratio: 2; direccin N57.49 (32.51). Lo importante es que ahora podemos estimar el valor de Z en cualquiera de los nodos de la red:

Archivo GRD donde podemos estimar el valor de Z en cualquiera de los nodos generados por el programa. Por ejemplo, el punto rojo arriba a la izquierda tiene un valor estimado de 0.139.

Bibliografa
Annels, A.E. 1991. Mineral deposit evaluation: a practical approach. Chapman & Hall, London, 435 pp. Clark, I. 1979. Practical geostatistics. Applied Science Publishers LTD, Essex, 129 pp. Clark, I. & Harper, W.V. 2001. Practical geostatistics 2000. Ecosse North America Llc., Columbus, 342 pp. McKinstry, H.E. 1970. Geologa de minas. Omega S.A., Barcelona, 671 pp Stone, J.G. & Dunn, P.G. 1993. Ore reserve estimates in the real world. Society of Economic Geologists, Special Publication no. 3, 150 pp.