78135_MATERIALDEESTUDIOPARTEIDiap1-76
description
Transcript of 78135_MATERIALDEESTUDIOPARTEIDiap1-76
-
1INTERCADECONSULTANCY & TRAINING
www.intercade.org
CARACTERIZACION Y CORRELACION ESTADISTICA
DE DATOS GEOLOGICOS
MSc. Samuel Canchaya MoyaConsultor Intercade
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
2
CONTENIDO GENERAL TEORIA:
Caracterizacin estadstica. Distribuciones log-normales con efecto proporcional Correlacin entre dos variables y Anlisis de regresin lineal y sus aplicaciones. Tratamiento de valores errticos. Secciones longitudinales contornadas (SLC) y de cociente metlicos. Su aplicacin en
vetas y en bancos de cuerpos tridimensionales. Anlisis multivariable y sus aplicaciones en exploracin. Relaciones Tonelaje-Ley. Clasificacin de recursos y reservas.
PARTE PRACTICA: Ejemplo 1.- Tratamiento de poblaciones log-normales, con efecto proporcional. Ejemplo 2.- Correlacin lineal entre dos variables. Efecto de los valores errticos. Ejemplo 3.- SLC de cocientes metlicos; determinacin de flujos mineralizantes. Ejemplo 4.- Anlisis multivariable aplicado a data de exploracin.
-
2INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
3
CONTENIDO PARTE I
Caracterizacin estadstica. Distribuciones log-normales con efecto proporcional Correlacin entre dos variables. Tratamiento de valores errticos.
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
4
CARACTERIZACION ESTADISTICA
-
3INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
5
CARACTERIZACION ESTADISTICA
Se entiende por CARACTERIZACION ESTADISTICA (CE), la determinacin e interpretacin de los principales parmetros y tipos de distribucin de un determinado conjunto de datos o data.
Bsicamente de cada data se calcula: media, valor mximo, valor mnimo, mediana, moda, varianza, desviacin estndar, sesgo y kurtosis.
Estos datos se pueden entregar en forma de cuadros o grficamente por medio del denominado box plot
Tambin se plotea el respectivo histograma y curva de acumulacin de frecuencias.
La interpretacin de toda esta informacin constituye la CE Cualquier aplicacin geomatemtica o geoestadstica debe estar
siempre precedida de una CE.
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
6
ESTADISTICOS PRINCIPALESMedia
Desviacin estndar
Sesgo.- Mide el grado de asimetra de una distribucin.Cola ms larga a la derecha: sesgo positivo; al revsnegativo.
Kurtosis.- Es el grado de espigamiento de una distribucin.Leptocrtica si es muy apuntada; Planocrtica si es muyaplanada; y Mesocrtica si se trata de una situacinintermedia.
Estadstico ValorMedia 1.966
Mediana 1.94Moda 1.92
Desviacin estndar
0.192
Varianza 0.03698Kurtosis -0.45Sesgo 0.28Rango 0.86Mnimo 1.57Mximo 2.43
n 124
Moda.- El intervalo de clase con la mayor frecuencia
Mediana.- La mitad de toda la distribucin de frecuencias
Varianza
Mediana
x - mods
ModaMedianaMediana
1
-
4INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
7QUARTILES
Q1 Q2 Q3
1.500.0
25.0
50.0
75.0
100.0
1.75 2.00 2.25 2.50
Cum
ula
tive
Pc
tAcum. Frecs. mmt
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
8
HISTOGRAMAS TIPICOS Y SUS CURVAS DE ACUMULACION DE
FRECUENCIAS (CAF)
Histogramas Curvas de acumulac. de frecuencias
-
5INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
9
PRESENTACION SUMARIA DE ESTADISTICOS: BOX-PLOT (DIAGRAMA DE CAJA)
Swelling clays
3.2
3.0
2.8
2.6
2.4
2.2
2.0
1.8
1.6
Boxplot of Swelling clays
Valor mnimo
Primer Quartil
Mediana
TercerQuartil
Valor mximo
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
10PRESENTACION SUMARIA DE LA CARACTERIZACIN ESTADISTICA
6005004003002001000
Median
Mean
5045403530
A nderson-Darling Normality Test
V ariance 2122.025
Skewness 4.6149
Kurtosis 42.6063
N 724
Minimum 3.000
A -Squared
1st Q uartile 15.200
Median 31.450
3rd Q uartile 57.625
Maximum 632.000
95% C onfidence Interv al for Mean
40.771
41.60
47.493
95% C onfidence Interv al for Median
29.070 34.000
95% C onfidence Interv al for StDev
43.809 48.569
P-V alue < 0.005
Mean 44.132
StDev 46.065
95% Confidence Intervals
Summary for Cu_ppm
-
6INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
11
EJEMPLO DE DISTRIBUCION NORMAL
424140393837
Median
Mean
39.239.139.038.938.8
Anderson-Darling Normality Test
V ariance 1.005
Skewness 0.152379
Kurtosis -0.253495
N 180
Minimum 36.600
A -Squared
1st Q uartile 38.300
Median 39.100
3rd Q uartile 39.700
Maximum 41.900
95% C onfidence Interv al for Mean
38.911
0.29
39.206
95% C onfidence Interv al for Median
38.800 39.200
95% C onfidence Interv al for StDev
0.909 1.118
P-V alue 0.600
Mean 39.059
StDev 1.003
95% Confidence Intervals
Summary for Cu gpl
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
12
VERIFICACION DE LA NORMALIDAD DE LA DISTRIBUCION
424140393837
Median
Mean
39.239.139.038.938.8
Anderson-Darling Normality Test
V ariance 1.005
Skewness 0.152379
Kurtosis -0.253495
N 180
Minimum 36.600
A -Squared
1st Q uartile 38.300
Median 39.100
3rd Q uartile 39.700
Maximum 41.900
95% C onfidence Interv al for Mean
38.911
0.29
39.206
95% C onfidence Interv al for Median
38.800 39.200
95% C onfidence Interv al for StDev
0.909 1.118
P-V alue 0.600
Mean 39.059
StDev 1.003
95% Confidence Intervals
Summary for Cu gpl
p > Distribuc. normal
-
7INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
13
TEST DE NORMALIDADBuen ajuste a recta
p > Distribuc. normal
Cu gpl
Percent
4342414039383736
99.9
99
95
90
80
7060504030
20
10
5
1
0.1
Mean
0.600
39.06
StDev 1.003
N 180
AD 0.293
P-Value
Probability Plot of Cu gplNormal
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
14
DISTRIBUCION NORMALDE LOS ERRORES:
Si no existe sesgo, en general los errores siguenuna distribucin normal como la mostrada en elgrfico
donde: e es error y s2 su varianza
P [-2 +2] = 0.95
-
8INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
15
EL CONCEPTO DE SIX SIGMA
VARIAS DENOMINACIONES:Six sigma6 s6 sigma6 s
DPMO: Defectos por milln de oportunidades
Ms all de los dgitos, six sigma es una filosofa de negocios enfocada en laMEJORA CONTINUA, optimizando procesos a partir de las necesidades de losclientes.
Es como plantearse un intervalo deconfianza de : 99.99966 %Lo cual significa que se aspira a tener unporcentaje de 99.99966 libre de defectos;o slo 3.4 DPMO.
Si furamos menos exigentes; v.gr. slo 99.9%; esto significaracatstrofes como:
96 accidentes areos por cada 100,000 vuelos. Por lo menos 20,000 prescripciones mdicas errneas por ao. Corte de servicio de celular por 10 minutos cada semana.
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
16
EXACTITUD Y PRECISION
Exactitud: Cuando la media es insesgada Precisin: La varianza del error debe ser pequea
Exactitudsin Precisin
Precisinsin Exactitud
Exactitudy Precisin
Ninguno
-
9INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
17
MUESTRA IDEAL: EQUIPROBABLE Y DE VARIANZA PEQUEA
Exactitud: Cuando la media es insesgada
Precisin: La varianza del error debe ser pequea
Media
MediaMedia
Media
SesgadoVarianza grande
InsesgadoVarianza grande
InsesgadoVarianza pequea
SesgadoVarianza pequea
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
18
DISTRIBUCIONES LOG-NORMALES Y EL EFECTO PROPORCIONAL
-
10
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
19
TIPICA DISTRIBUCION LOG-NORMAL DEL AUEN UN YACIMIENTO EPITERMAL DE HS
Moda
Mediana
Media
Valores bajos no significativos
Altos errticos
1102
882
661
Freq
uen
cy Co
unt
441
220
0 250.000 600.000 750.000 000.000 250.000
Au ppb
750.000500.000 200.000
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
20
VERIFICACION PRACTICA DE LA LOG-NORMALIDAD
Obviamente se rechaza la hiptesis de normalidad:
p-value
-
11
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
21
COMPROBACION GRAFICA DEL EFECTO PROPORCIONAL
0
250
500
750
1000
1250
1500
0 250 500 750 1000 1250 1500 1750 2000 2250 2500
Ley m
edi
a de
l oro
(p
pb)
Desviacin estndar
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
22
EJEMPLO DE DISTRIBUCIONES LOG-NORMALES CON EFECTO PROPORCIONAL:
CASO DEL CU
1390
9
19
28
37
3213 6286 9360 12433
Freq
uen
cy
Histograma Cu DDH 107
Cuppm
-
12
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
23
EJEMPLO DE DISTRIBUCIONES LOG-NORMALES CON EFECTO PROPORCIONAL:
CASO DEL CU
0
1000
2000
3000
4000
5000
6000
0 2000 4000 6000Media
GRAFICO MEDIA VS DESVIACION ESTANDAR CUT
Desv
. es
tn
dar
1390
9
19
28
37
3213 6286 9360 12433
Fre
que
ncy
Histograma Cu DDH 107
Cuppm
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
24
EJEMPLO DE DISTRIBUCIONES LOG-NORMALES CON EFECTO
PROPORCIONAL: CASO DEL MO
800
11
22
33
44
224 369 513 657
Fre
que
ncy
Histograma Mo ppm DDH 108
Mo ppm
-
13
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
25
EJEMPLO DE DISTRIBUCIONES LOG-NORMALES CON EFECTO
PROPORCIONAL: CASO DEL MO
050
100150200250300
Media
Grfico Media vs Desv. Estndar MoDe
sv. es
tn
dar
800
11
22
33
44
224 369 513 657
Fre
que
ncy
Histograma Mo ppm DDH 108
Mo ppm
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
26
COMO SE REFLEJA EL EFECTO PROPORCIONAL EN LOS VARIOGRAMAS
0
500000
1000000
1500000
2000000
2500000
6 20 35 50 60 75 90 105
120
130
145
160
175
Paso (h)
A67A86A22A129
Tomado de Canchaya (2004)
-
14
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
27DISCUSION
En la bibliografa se encuentra recomendaciones controversiales para tratar estetipo de distribuciones. Por ejemplo se recomienda dividir los valores gamma, decada variograma, por su respectiva media al cuadrado; as se obtiene el llamadovariograma relativo.
Hay que hacer notar que al dividir los gamma por la media al cuadrado, los valoresresultantes son adimensionales (no tienen unidades). Para convertirlos en dgitossignificativos nuevamente debern ser multiplicados por el cuadrado de larespectiva media.
David (1977; pg. 173) y otros autores muestran ejemplos donde los variogramasrelativos llegan a coincidir, haciendo desaparecer el efecto proporcional, lo cualno siempre ocurre; incluso recomiendan reemplazar todos los variogramas por unopromedio para poder modelar todo el depsito.
Adems esta forma de trabajo es cuestionable, ya que cuando se trata decomprobar localmente los valores que reproducen el modelo variogrficorelativo, se encuentra valores errneos.
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
28VARIOGRAMAS RELATIVOS EN DISTRIBUCIONES CON EFECTO
PROPORCIONAL
0.000.200.400.600.801.001.201.401.60
Paso (h)
A67
A86
A22
A129
-
15
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
29
RECOMENDACIONES
Lo ms recomendable es tratar de sub-dividir el dominio total de datosen sub-dominios de alta, intermedia y baja ley o por percentiles; ytratar cada sub-dominio por separado.
En el caso de oro en vetas, donde tambin es frecuente el efectoproporcional, es recomendable comparar sub-dominios por niveles osubniveles.
Hay que estar atento a la ocurrencia del efecto proporcional an enotros tipos de variables, por ejemplo Cu y Mo en yacimientosporfirticos.
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
30
REFERENCIAS BIBLIOGRAFICAS
Canchaya S. (2004) Log-normalidad y efecto proporcional.Caractersticasfrecuentes en los yacimientos de oro.- XII Congr. Peruano Geol.; 4p.
David, M. (1977) Geostatistical Ore Reserve Estimation.- ElsevierScientificPublishing Co.; 364 p.
Journel, A. G. & Huijbregths Ch. J. (1978) Mining Geostatistics.-Academic Press;600 p.
Krige, D. G. (1981) Lognormal-de Wijsian Geostatistcs for OreEvaluation.- SouthAfrican Inst. Min. Metall; 51.
-
16
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
31
CORRELACION ENTRE DOS VARIABLES Y ANALISIS DE REGRESION LINEAL Y
SUS APLICACIONES
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
32
CORRELACION ENTRE DOS VARIABLES
yx SS
yxCovr
*
),(=
La correlacin entre dos variables puede ser definida como lafuerza de asociacin entre dos variables; la misma que escuantificada por el Coeficiente de Correlacin r:
yx SyS
]1,1[ +r
Tambin se usa r2 que se relaciona con la varianza total de x y y. Por ejemplo: para r = 0.88; entonces r2 = 0.77; lo cual significa que el 77 % de la varianza total se puede explicar por una relacin lineal.
=
=
n
i
yyixxinyxCov
1
))(()/1(),(
Donde: Cov es la covarianza Las desviaciones estndar
de x y y respectivamente
-
17
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
33
EJEMPLOS DE NUBES DE CORRELACION
]1,1[ +rx
yx
y
x
y
x
y
r = 0.94 r = 0.54
r = 0.09
r = - 0.94
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
34
EJEMPLO DE USO DE LA CORRELACION LINEAL: COMPROBACION GRAFICA DEL
EFECTO PROPORCIONAL
0
250
500
750
1000
1250
1500
0 250 500 750 1000 1250 1500 1750 2000 2250 2500
Ley m
edi
a de
l oro
(p
pb)
Desviacin estndar
-
18
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
35
prf
kao
43210
8
7
6
5
4
3
2
1
Scatterplot of kao vs prf
EJEMPLO DE NUBES DE CORRELACION ENTRE FILOSILICATOS
r = 0.61
prf = -0.022 + 0.506 kao
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
36
RESIDUALES EN LA REGRESION LINEAL
y = b + m xY
X
residual 6
residual 1
-
19
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
37
ANALISIS DE RESIDUALES
Residual
Percent
10-1-2
99.9
99
90
50
10
1
0.1
Fitted Value
Residual
4321
1
0
-1
-2
Residual
Frequency
1.00.50.0-0.5-1.0-1.5
80
60
40
20
0
Observation OrderResidual
140
130
120
110
1009080706050403020101
1
0
-1
-2
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
Histogram of the Residuals Residuals Versus the Order of the Data
Residual Plots for prf
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
38
FILOSILICATOS EN CHANCADORA TERCIARIA
y = 1.612x + 0.5r = 0.918r = 0.96
0.000.501.001.502.002.503.003.504.00
0.00 0.50 1.00 1.50 2.00 2.50
Cao
linita
Pirofilita
Nube de correlacin kao vs. prfy = -0.646x + 2.687
r = 0.769r = 0.88
0.000.501.001.502.002.50
0.00 1.00 2.00 3.00 4.00
Piro
filita
Montmorillonita
Nube de correlacin prf vs mmt
1.75
3.32y = m x + b
kao = 1.612 (prf) + 0.5
kao = 1.612 (1.75) + 0.5
kao = 3.32
Nubes de correlacin con regresin lineal
-
20
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
39
TRATAMIENTO DE VALORES ERRATICOS
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
40
DEFINICION DE VALORES ALTOS ERRATICOS
La ocurrencia aislada devalores altos merece atencin yun tratamiento especial.
Lo ms crtico es definir si setrata de valores altosERRATICOS.
Estos valores son fcilmenteidentificables en loshistogramas y grficos defrecuencia acumulada.
Estos casos son especialmentefrecuentes en los yacimientosde baja ley y/o de mineralespreciosos.
Por lo general representan menos del 5% del total de lapoblacin, y por ende del tonelaje; sin embargo, debidoa su alto valor, aportan sensiblemente en el valormetlico global, en proporciones entre 20 y 40%.
Por lo tanto, influyen y juegan un rol crucial en laeconoma del yacimiento.
-
21
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
41
6005004003002001000
Median
Mean
5045403530
A nderson-Darling Normality Test
V ariance 2122.025
Skewness 4.6149
Kurtosis 42.6063
N 724
M inimum 3.000
A -Squared
1st Q uartile 15.200
Median 31.450
3rd Q uartile 57.625
Maximum 632.000
95% C onfidence Interv al for Mean
40.771
41.60
47.493
95% Confidence Interval for Median
29.070 34.000
95% C onfidence Interv al for StDev
43.809 48.569
P-V alue < 0.005
Mean 44.132
StDev 46.065
95% Confidence Intervals
Summary for Cu_ppm
1801501209060300
Median
Mean
45.042.540.037.535.032.530.0
A nderson-Darling Normality Test
V ariance 1198.994
Skewness 1.45774
Kurtosis 2.12815
N 718
M inimum 3.000
A -Squared
1st Q uartile 15.175
Median 31.200
3rd Q uartile 56.825
Maximum 187.000
95% C onfidence Interv al for Mean
39.023
27.43
44.097
95% C onfidence Interv al for Median
29.000 33.675
95% C onfidence Interv al for S tDev
32.923 36.517
P-V alue < 0.005
Mean 41.560
StDev 34.626
95% Confidence Intervals
Summary for Cu_ppm
Con todos los datos
Eliminando los altos errticos:
> 200 ppm Cu EN AMBOS CASOS SE RECHAZA LA HIPTESIS DE NORMALIDAD
PORQUE: P < @
IDENTIFICACION DE VALORES ALTOSERRATICOS
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
42
DIAGRAMAS DE CAJA PARA VISUALIZAR VALORES ERRATICOSFILOSILICATOS COMPOSITOS DIARIOS CHANCADORA TERCIARIA
9
8
7
6
5
Data
4*4.15*4*3.12
*2.94
*0.12
*9.03
*7.18*6.94
*5.52*5.23*5.17
3
2
1
0
prf mmt kao
-
22
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
43
MONITOREO DE LA DATA PARA DEFINIR VERDADEROS ALTOS ERRATICOS
Da kao27 2.8428 3.3929 3.5430 3.5831 2.6732 9.0333 2.7734 2.2735 2.6336 3.4337 3.54
Estadsticos de kao:x = 2.88s = 1.18
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
44
MONITOREO DE LA DATA PARA DEFINIR VERDADEROS ALTOS ERRATICOS
Da kao27 2.8428 3.3929 3.5430 3.5831 2.6732 9.0333 2.7734 2.2735 2.6336 3.4337 3.54
Da kao27 2.8428 3.3929 3.5430 3.5831 2.6732 5.2433 2.7734 2.2735 2.6336 3.4337 3.54
x + 2s = 2.88 + 2.36
ALTO ERRATICO
Estadsticos de kao:x = 2.88s = 1.18
-
23
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
45
MONITOREO DE LA DATA PARA DEFINIR VERDADEROS ALTOS ERRATICOS
Da kao27 2.8428 3.3929 3.5430 3.5831 2.6732 9.0333 2.7734 2.2735 2.6336 3.4337 3.54
Da kao116 2.58117 2.40118 3.54119 5.17120 4.28121 7.18122 5.52123 2.80124 2.75125 1.47126 1.79
Da kao27 2.8428 3.3929 3.5430 3.5831 2.6732 5.2433 2.7734 2.2735 2.6336 3.4337 3.54
Estadsticos de kao:x = 2.88s = 1.18
x + 2s = 2.88 + 2.36
ALTO ERRATICO
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
46
MONITOREO DE LA DATA PARA DEFINIR VERDADEROS ALTOS ERRATICOS
Da kao27 2.8428 3.3929 3.5430 3.5831 2.6732 9.0333 2.7734 2.2735 2.6336 3.4337 3.54
Da kao116 2.58117 2.40118 3.54119 5.17120 4.28121 7.18122 5.52123 2.80124 2.75125 1.47126 1.79
Da kao27 2.8428 3.3929 3.5430 3.5831 2.6732 5.2433 2.7734 2.2735 2.6336 3.4337 3.54
Estadsticos de kao:x = 2.88s = 1.18
Da kao116 2.58117 2.40118 3.54119 5.17120 4.28121 7.18122 5.52123 2.80124 2.75125 1.47126 1.79
x + 2s = 2.88 + 2.36
ALTO ERRATICO
ALTO NO ERRATICO
-
24
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
47
prf
kao
543210
9
8
7
6
5
4
3
2
1
0
Scatterplot of kao vs prf
prf
kao
43210
8
7
6
5
4
3
2
1
Scatterplot of kao vs prf
COMPARACION DE NUBES DE CORRELACION CON Y SIN ALTOS ERRATICOS
r = 0.54
r = 0.61
prf = 0.134 + 0.452 kao
prf = -0.022 + 0.506 kao
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
48
COMPARACION DE RESIDUALES DE LA DATA CON Y SIN ALTOS ERRATICOS
Residual
Percent
3.01.50.0-1.5-3.0
99.9
99
90
50
10
1
0.1
Fitted Value
Residual
4321
3.0
1.5
0.0
-1.5
-3.0
Residual
Frequency
3210-1-2
100
75
50
25
0
Observation Order
Residual
140
130
120
110
1009080706050403020101
3.0
1.5
0.0
-1.5
-3.0
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
Histogram of the Residuals Residuals Versus the Order of the Data
Residual Plots for prf
Residual
Percent
10-1-2
99.9
99
90
50
10
1
0.1
Fitted Value
Residual
4321
1
0
-1
-2
Residual
Frequency
1.00.50.0-0.5-1.0-1.5
80
60
40
20
0
Observation Order
Residual
140
130
120
110
1009080706050403020101
1
0
-1
-2
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
Histogram of the Residuals Residuals Versus the Order of the Data
Residual Plots for prf
-
25
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
49
EFECTO DE ALTOS ERRATICOS EN EL COEFICIENTE DE REGRESION LINEAL
y = 0.069x + 1.204r = 0.182r = 0.427
0.00
0.50
1.00
1.50
2.00
2.50
3.00
3.50
0.00 5.00 10.00 15.00 20.00
prf
mmt
Nube de correlacin prf vs mmtMayo
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
50
EFECTO DE ALTOS ERRATICOS EN EL COEFICIENTE DE REGRESION LINEAL
y = 0.069x + 1.204r = 0.182r = 0.427
0.00
0.50
1.00
1.50
2.00
2.50
3.00
3.50
0.00 5.00 10.00 15.00 20.00
Nube de Correlacin prf vs mmtMayo
0.00
0.50
1.00
1.50
2.00
2.50
0.00 1.00 2.00 3.00 4.00
prf vs mmt Sin Altos ErrticosMayo
prf
mmt mmt
y = -0.646x + 2.687r = 0.769r = 0.877
-
26
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
51
EFECTO DE ALTOS ERRATICOS EN EL COEFICIENTE DE REGRESION LINEAL
y = 0.073x + 1.013r = 0.716r = 0.846
0.00
0.50
1.00
1.50
2.00
2.50
0.00 5.00 10.00 15.00 20.00
prf
mmt
Nube de Correlacin mmt vs prfJunio
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
52
EFECTO DE ALTOS ERRATICOS EN EL COEFICIENTE DE REGRESION LINEAL
y = 0.073x + 1.013r = 0.716r = 0.846
0.00
0.50
1.00
1.50
2.00
2.50
0.00 5.00 10.00 15.00 20.00
prf
Nube de Correlacin mmt vs prfJunio
y = -0.017x + 1.199r = 0.006r = 0.077
0.000.200.400.600.801.001.201.401.60
0.00 1.00 2.00 3.00 4.00
prf
mmt
mmt vs. prf Sin Altos ErrticosJunio
mmt
-
27
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
53
TRATAMIENTO DE VALORES ALTOS ERRATICOS
CORTES (CUTTINGS) EMPIRICOS.- Cut off alto fijo.- V. gr. todos los outliers se reducen
a 1 oz/t Au. Cut off alto variable: regla del 1/3 1/3.- V. gr. 1.5
oz/t Au se reduce a:0.33 + 0.33*(1.5 - 0.33) = 0.72 oz/t Au
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
54
TRATAMIENTO DE VALORES ALTOS ERRATICOS
CORTES (CUTTINGS) EMPIRICOS.- Cut off alto fijo.- V. gr. todos los outliers se reducen a 1
oz/t Au. Cut off alto variable: regla del 1/3 1/3.- V. gr. 1.5 oz/t
Au se reduce a:0.33 + 0.33*(1.5 - 0.33) = 0.72 oz/t Au
CORTES ESTADISTICOS.- Utilizando grficos probabilsticos de frecuencia
acumulada, donde los altos errticos se discriminanfcilmente, para luego ser reducidos a un valordeterminado.
Usando Control charts (ver diapositivas siguientes).
-
28
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
55
VALORES ERRATICOS EN CONTROL CHARTS
9.07.56.04.53.01.5
% kao
Median
Mean
3.13.02.92.82.72.6
Anderson-Darling Normality Test
Variance 1.3913
Skewness 2.12283
Kurtosis 7.40478
N 144
Minimum 1.0700
A-Squared
1st Quartile 2.2550
Median 2.6500
3rd Quartile 3.2450
Maximum 9.0300
95% Confidence Interval for Mean
2.6813
5.43
3.0699
P-Value < 0.005
Mean 2.8756
StDev 1.1795
95% Confidence Intervals
Caracterizac. estadstica kao (%)
Observation
Individual Value
141127113998571574329151
9
8
7
6
5
4
3
2
1
0
_X=2.876
UCL=4.730
LCL=1.021
1
1
111
1
11
1
Control Chart of kao (%)
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
56
VALORES ERRATICOS EN CONTROL CHARTS
9.07.56.04.53.01.5
% kao
Median
Mean
3.13.02.92.82.72.6
Anderson-Darling Normality Test
Variance 1.3913
Skewness 2.12283
Kurtosis 7.40478
N 144
Minimum 1.0700
A-Squared
1st Quartile 2.2550
Median 2.6500
3rd Quartile 3.2450
Maximum 9.0300
95% Confidence Interval for Mean
2.6813
5.43
3.0699
P-Value < 0.005
Mean 2.8756
StDev 1.1795
95% Confidence Intervals
Caracterizac. estadstica kao (%)
Observation
Individual Value
141127113998571574329151
9
8
7
6
5
4
3
2
1
0
_X=2.876
UCL=4.730
LCL=1.021
1
1
111
1
11
1
Control Chart of kao (%)
Tpico Alto Errtico
-
29
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
57
VALORES ERRATICOS EN CONTROL CHARTS
9.07.56.04.53.01.5
% kao
Median
Mean
3.13.02.92.82.72.6
Anderson-Darling Normality Test
Variance 1.3913
Skewness 2.12283
Kurtosis 7.40478
N 144
Minimum 1.0700
A-Squared
1st Quartile 2.2550
Median 2.6500
3rd Quartile 3.2450
Maximum 9.0300
95% Confidence Interval for Mean
2.6813
5.43
3.0699
P-Value < 0.005
Mean 2.8756
StDev 1.1795
95% Confidence Intervals
Caracterizac. estadstica kao (%)
Observation
Individual Value
141127113998571574329151
9
8
7
6
5
4
3
2
1
0
_X=2.876
UCL=4.730
LCL=1.021
1
1
111
1
11
1
Control Chart of kao (%)
Tpico Alto Errtico
x s x + s2.876 1.18 4.055
4.055
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
58VALORES ERRATICOS EN CONTROL
CHARTS
9.07.56.04.53.01.5
% kao
Median
Mean
3.13.02.92.82.72.6
Anderson-Darling Normality Test
Variance 1.3913
Skewness 2.12283
Kurtosis 7.40478
N 144
Minimum 1.0700
A-Squared
1st Quartile 2.2550
Median 2.6500
3rd Quartile 3.2450
Maximum 9.0300
95% Confidence Interval for Mean
2.6813
5.43
3.0699
P-Value < 0.005
Mean 2.8756
StDev 1.1795
95% Confidence Intervals
Caracterizac. estadstica kao (%)
Observation
Individual Value
141127113998571574329151
9
8
7
6
5
4
3
2
1
0
_X=2.876
UCL=4.730
LCL=1.021
1
1
111
1
11
1
Control Chart of kao (%)
Tpico Alto Errticox s x + s x+2s
2.876 1.18 4.055 5.235
4.055
5.235
-
30
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
59VALORES ERRATICOS EN CONTROL CHARTS
9.07.56.04.53.01.5
% kao
Median
Mean
3.13.02.92.82.72.6
Anderson-Darling Normality Test
Variance 1.3913
Skewness 2.12283
Kurtosis 7.40478
N 144
Minimum 1.0700
A-Squared
1st Quartile 2.2550
Median 2.6500
3rd Quartile 3.2450
Maximum 9.0300
95% Confidence Interval for Mean
2.6813
5.43
3.0699
P-Value < 0.005
Mean 2.8756
StDev 1.1795
95% Confidence Intervals
Caracterizac. estadstica kao (%)
Observation
Individual Value
141127113998571574329151
9
8
7
6
5
4
3
2
1
0
_X=2.876
UCL=4.730
LCL=1.021
1
1
111
1
11
1
Control Chart of kao (%)
Tpico Alto Errtico
x s x + s x+2s x+3s2.876 1.18 4.055 5.235 6.414
4.055
5.235
6.414
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
60
VALORES ERRATICOS EN CONTROL CHARTS
9.07.56.04.53.01.5
% kao
Median
Mean
3.13.02.92.82.72.6
Anderson-Darling Normality Test
Variance 1.3913
Skewness 2.12283
Kurtosis 7.40478
N 144
Minimum 1.0700
A-Squared
1st Quartile 2.2550
Median 2.6500
3rd Quartile 3.2450
Maximum 9.0300
95% Confidence Interval for Mean
2.6813
5.43
3.0699
P-Value < 0.005
Mean 2.8756
StDev 1.1795
95% Confidence Intervals
Caracterizac. estadstica kao (%)
Observation
Individual Value
141127113998571574329151
9
8
7
6
5
4
3
2
1
0
_X=2.876
UCL=4.730
LCL=1.021
1
1
111
1
11
1
Control Chart of kao (%)
Tpico Alto Errticox s x + s x+2s x+3s
2.876 1.18 4.055 5.235 6.414
4.055
5.235
6.414
ALTERNATIVAS MAS USADAS: Eliminar el alto errtico. Reemplazarlo por la media ms 1s, o 2s o 3s. Reduccin por la regla del tercio menos tercio.
-
31
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
61
TRATAMIENTO DE VALORES ALTOS ERRATICOS
CORTES (CUTTINGS) EMPIRICOS.- Cut off alto fijo.- V. gr. todos los outliers se reducen a 1 oz/t Au Cut off alto variable: regla del 1/3 1/3.- V. gr. 1.5 oz/t Au se reduce a:
0.33 + 0.33*(1.5 - 0.33) = 0.72 oz/t Au
CORTES ESTADISTICOS.- Utilizando grficos probabilsticos de frecuenciaacumulada, donde los altos errticos se discriminan fcilmente, para luego ser reducidosa un valor determinado.Usando Control charts (ver diapositivas siguientes)
CORRECCION LOGNORMAL O DE SICHEL (1952).- Se reemplaza el alto errtico porel exponencial de la media de los logaritmos de los valores adyacentes multiplicados porun factor de correccin que se obtiene en las tablas de Sichel, el cual es una funcin dellog de la varianza y del nmero de muestras; ver tambin DAVID (1982).(Ejemplo en las diapositivas sub-siguientes).
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
62
EJEMPLO DE CORRECCION LOG-NORMAL O DE SICHEL
Prof. m Aug/t321.29 1.02325.18 2.40327.89 1.54329.90 1.00331.35 1.50333.15 35.3335.12 2.70337.66 4.30339.26 1.05341.18 1.47343.29 1.08
Alto errtico: 35.3
-
32
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
63
EJEMPLO DE CORRECCION LOG-NORMAL O DE SICHEL
Prof. m Aug/t321.29 1.02325.18 2.40327.89 1.54329.90 1.00331.35 1.50333.15 35.3335.12 2.70337.66 4.30339.26 1.05341.18 1.47343.29 1.08
Alto errtico: 35.3 Seleccin de dos valores contiguos
a ambos lados n = 5 Media aritmtica = 8.96
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
64
EJEMPLO DE CORRECCION LOG-NORMAL O DE SICHEL
Prof. m Aug/t Log Au321.29 1.02325.18 2.40327.89 1.54329.90 1.00 0.00331.35 1.50 0.41333.15 35.3 3.56335.12 2.70 0.99337.66 4.30 1.46339.26 1.05341.18 1.47343.29 1.08
Alto errtico: 35.3 Seleccin de dos valores contiguos
a ambos lados n = 5 Media aritmtica = 8.96 Clculo del log de los valores
-
33
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
65
EJEMPLO DE CORRECCION LOG-NORMAL O DE SICHEL
Prof. m Aug/t log Au321.29 1.02325.18 2.40327.89 1.54329.90 1.00 0.00331.35 1.50 0.18333.15 35.3 1.55335.12 2.70 0.43337.66 4.30 0.63339.26 1.05341.18 1.47343.29 1.08
Alto errtico: 35.3 Seleccin de dos valores contiguos
a ambos lados n = 5 Media aritmtica = 8.96 Clculo del log de los n valores Media de los logs = 0.56 e media logs = 3.63 Log de la varianza = 2.34
media 8.96 0.56
var. 218.4 2.34
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
66
2,124 2,177 2,214 2,243 2,2652,201 2,260 2,303 2,336 2,3612,280 2,347 2,395 2,431 2,460
2,360 2,435 2,489 2,530 2,5632,442 2,526 2,586 2,632 2,6692,526 2,618 2,686 2,737 2,7782,612 2,714 2,788 2,846 2,8912,699 2,812 2,894 2,957 3,008
2,789 2,912 3,003 3,073 3,1282,880 3,015 3,114 3,191 3,2532,973 3,120 3,229 3,314 3,3823,068 3,228 3,347 3,440 3,514
TABLA PARA LA ESTIMACION DEL FACTOR DE SICHEL (FCS)
nV
2.34 2.727
-
34
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
67
EJEMPLO DE CORRECCION LOG-NORMAL O DE SICHEL
Prof. m Aug/t Log Au Au g/t321.29 1.02325.18 2.40327.89 1.54329.90 1.00 0.00331.35 1.50 0.18333.15 35.3 1.55 9.899335.12 2.70 0.43337.66 4.30 0.63339.26 1.05341.18 1.47343.29 1.08
Alto errtico: 35.3 Seleccin de dos valores contiguos
a ambos lados n = 5 Media aritmtica = 8.96 Clculo del log de los n valores Media de los logs = 0.56 e media logs = 3.63 Log de la varianza = 2.34 Factor de correccin (fcS)
de la tabla de Sichel = 2.727 Media de Sichel = fcS * e media logs = 9.899
media 8.96 0.56var. 218.4 2.34
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
68
EJEMPLO DE CORRECCION LOG-NORMAL O DE SICHEL
Prof. m Aug/t Log Au Au g/t321.29 1.02 1.02325.18 2.40 2.40327.89 1.54 1.54329.90 1.00 0.00 1.00331.35 1.50 0.18 1.50333.15 35.3 1.55 9.90335.12 2.70 0.43 2.70337.66 4.30 0.63 4.30339.26 1.05 1.05341.18 1.47 1.47343.29 1.08 1.08
media 8.96 0.56var. 218.4 2.34
Alto errtico: 35.3 Seleccin de dos valores contiguos
a ambos lados n = 5 Media aritmtica = 8.96 Clculo del log de los n valores Media de los logs = 0.56 e media logs = 3.63 Log de la varianza = 2.34 Factor de correccin (fcS)
de la tabla de Sichel = 2.727 Media de Sichel = fcS * e media logs = 9.899
-
35
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
69
REFERENCIAS BIBLIOGRAFICAS
David M. (1977) Geostatistical Ore Reserve Estimation.- Elsevier New York; 364 p.
Rendu J. M. (1981) An Introduction to Geostatistical Methods of Mineral Evaluation.- South Afr. Inst. Min. Metall.; Johannesburg; 84 p.
Sichel H. S. (1952) New methods in the statistical evaluation of mine sampling data.- Trans. I. M. M., London; 61: 261-288.
Sichel H. S. (1966) The estimation of means and associated confidence limits for smalls samples from lognormal populations.- Symposium on Mathematical Statistics and Computer Applications I Ore Valuation: 106-122; South Afr. Inst. Min. Metall.; Johannesburg. Citado por Rendu (1981).
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
70
PLANOS DE CURVAS ISOVALORICAS (CI) SECCIONES LONGITUDINALES
CONTORNEADAS (SLC) Y DE COCIENTES METALICOS.
SU APLICACION EN VETAS Y BANCOS
-
36
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
71
INTRODUCCION:
El uso de Secciones y Planos de CurvasIsovalricas de Leyes (SCI) tiene comopioneros a CONOLLY (1936) yMcKINSTRY & SVENDSEN (1942).
A pesar de un uso muy extendido, sobretodo a mediados del siglo pasado, hanperdido un poco de vigencia, debidofundamentalmente a varios desaciertos.
El mtodo SCI es una poderosaherramienta, cuando es correctamenteaplicado
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
72
INTRODUCCION:
Principales causas de los desaciertos en su uso : El uso indiscriminado del mtodo, sin la
caracterizacin estadstica previa de lasvariables.
El empleo de variable no aditivas El uso de tcnicas empricas de interpolacin No considerar la heterogeneidad geolgica
de la zona de estudio, ni la natural anisotropade la distribucin de las variables.
Falta de soporte geolgico y mineralgico losuficientemente detallado de la zona de
estudio.
-
37
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
73
DEFINICIONES PRELIMINARES:
Dominio.- Volumen, rea o zona,seleccionada o independizada de lascontiguos, para efectos de estudio.Ejemplos: Zona de mineral primario,zona de endoskarn, zona de alteracinarglica avanzada, volumen queengloba las leyes mayores a 5 g/t Au,etc.
V
dv
Soporte.- Volumen, peso o cantidad de datosque sustenta el valor de una variable. Ejemplos:La potencia de una veta, la longitud del tramo deun DDH, los m3 de una muestra de morrenas, etc.
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
74
DEFINICIONES PRELIMINARES:
Variable aditiva.- Toda variable que tiene un sentido fsicointrnseco o que est ponderada con algn soporte fsico.Ejemplos: Densidad, potencia de una veta, ley ponderada por lapotencia (acumulacin), o por la longitud del tramo muestreado.
Muestra: Parte o porcin representativa de un poblacin o dominio;resultado de un procedimiento de muestreo equiprobable: cuando todoslos componentes tienen la misma probabilidad de ser elegidos.Cuando el muestreo no cumple la condicin de equiprobabilidad slo seobtiene un especmen.
-
38
INTERCADECONSULTANCY & TRAINING
www.intercade.org
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
75
TIPOS DE CURVAS ISOVALORICAS (CI):
C. I. de variables cuantitativas: C. I. de leyes. C. I. de acumulac. o contenido metlico. C. I. de potencias. C. I. de valores en US$. C. I. de cociente metlicos. C. I. de contornos estructurales. C. I. especiales.
C. I. de variables semi-cuantitativas: C. I. mineralgicas. C. I. litolgicas. C. I. de alteraciones. C. I. de densidades. C. I. de densidad de fracturamiento. C. I. especiales.
Cualquier plano o seccinque muestre puntos o zonasisovalricas unidos porcurvas continuas constituyeun plano o seccin de curvasisovalricas.
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
76
Teniendo la data convenientemente tabulada, con sus coordenadas y valores; es fcil plotear todos los puntos en un plano o seccin 2D
Al costado de cada punto ploteado se puede anotar el valor respectivo
Generalmente entre punto y punto muestreado hay vacos sin valores.
Justamente las tcnicas de INTERPOLACION sirven para llenar estos espacios vacos.
Finalmente se unen los isovalores por lneas ms o menos continuas.
Este m.
Cotam.
Auppm
Asppm
276980 4520 762 345276682 4454 1377 564276695 4788 4938 11000276710 4775 1517 13543276720 4722 4798 12000276720 4740 4655 9998279002 4794 449 589279000 4595 98 715279068 4562 1921 2334279020 4510 822 341
PREPARACION DE UNA SECCION O PLANO DE CURVAS ISOVALORICAS
xxx
x
x
x
x
x
x
x
xx x
x
x
x
xx
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
xx
x
x4700
277
276
4600
4500
EW