MATERIALDEESTUDIOPARTEIDiap1-76

1
CARACTERIZACION Y
CORRELACION ESTADISTICA
DE DATOS GEOLOGICOS
MSc. Samuel Canchaya Moya
Consultor Intercade
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.
MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade
INTERCADE
CONSULTANCY & TRAINING
www.intercade.org
2
3
CONTENIDO PARTE I
Caracterizacin estadstica.
Distribuciones log-normales con efecto proporcional
Correlacin entre dos variables.
Tratamiento de valores errticos.
CARACTERIZACION
ESTADISTICA
INTERCADE
www.intercade.org
3
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.
ESTADISTICOS PRINCIPALES
Media
.- El intervalo de clase con la mayor frecuencia

Mediana.- La mitad de toda la distribucin de frecuencias
Moda
Sesgo.- Mide el grado de asimetra de una distribucin.

Cola ms larga a la derecha: sesgo positivo; al revs
negativo.
Kurtosis.- Es el grado de espigamiento de una distribucin.
Leptocrtica si es muy apuntada; Planocrtica si es muy
aplanada; y Mesocrtica si se trata de una situacin
intermedia.
Varianza
Mediana
Estadstico
Valor
Media
1.966
Mediana
1.94
Moda
1.92
Desviacin
estndar
0.192
Varianza
0.03698
Kurtosis
-0.45
Sesgo
0.28
Rango
0.86
Mnimo
1.57
Mximo
2.43
124
Mediana
Moda
Mediana
x - mod
s
Desviacin estndar
INTERCADE
www.intercade.org
4
7
QUARTILES
Cumulative Pct
Acum. Frecs. mmt

100.0
75.0
50.0
25.0
Q1
0.0
1.50
1.75
Q2
Q3
2.00
2.25
2.50
HISTOGRAMAS TIPICOS Y SUS

CURVAS DE ACUMULACION DE
FRECUENCIAS (CAF)
Histogramas
Curvas de acumulac. de frecuencias
INTERCADE
www.intercade.org
5
9
PRESENTACION SUMARIA DE ESTADISTICOS:

BOX-PLOT (DIAGRAMA DE CAJA)
Boxplot of Swelling clays
3.2
Tercer
Quartil
Valor
mximo
3.0
Swelling clays
2.8
2.6
2.4
Mediana
2.2
2.0
Primer
Quartil
1.8
1.6
Valor mnimo
PRESENTACION SUMARIA DE LA
CARACTERIZACIN ESTADISTICA
10
Summary for Cu_ppm

A nderson-D arling N ormality Test
100
200
300
400
500
A -S quared
P -V alue <
41.60
0.005
M ean
StD ev
V ariance
Skew ness
Kurtosis
N
44.132
46.065
2122.025
4.6149
42.6063
724
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
600
3.000
15.200
31.450
57.625
632.000
95% C onfidence Interv al for M ean

40.771
47.493
95% C onfidence Interv al for M edian

29.070
34.000
95% C onfidence Interv al for StD ev

9 5 % C onfidence Inter vals
43.809
48.569
Mean
Median
30
35
40
45
50
INTERCADE
www.intercade.org
6
11
EJEMPLO DE DISTRIBUCION
NORMAL
Summary for Cu gpl
37
38
39
40
41
42
A -S quared
P -V alue
0.29
0.600
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
39.059
1.003
1.005
0.152379
-0.253495
180
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
36.600
38.300
39.100
39.700
41.900

38.911
39.206

38.800
39.200
95% C onfidence Interv al for S tD ev

0.909
1.118
Mean
Median
38.8
38.9
39.0
39.1
39.2
12
VERIFICACION DE LA NORMALIDAD
DE LA DISTRIBUCION
p > Distribuc. normal
Summary for Cu gpl
37
38
39
40
41
42
A -S quared
P -V alue
0.29
0.600
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
39.059
1.003
1.005
0.152379
-0.253495
180
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
36.600
38.300
39.100
39.700
41.900

38.911
39.206

38.800
39.200

0.909
1.118
Mean
Median
38.8
38.9
39.0
39.1
39.2
INTERCADE
www.intercade.org
7
13
TEST DE NORMALIDAD
Buen ajuste a recta
p > Distribuc. normal
Probability Plot of Cu gpl

Normal
99.9
Mean
StDev
N
AD
P-Value
99
Percent
95
90
39.06
1.003
180
0.293
0.600
80
70
60
50
40
30
20
10
5
1
0.1
36
37
38
39
40
Cu gpl
41
42
43
14
DISTRIBUCION NORMAL
DE LOS ERRORES:
rea bajo
la curva
99.73%
995.46%
67.45%
Si no existe sesgo, en general los errores siguen

una distribucin normal como la mostrada en el
grfico
P [-2 < < +2] = 0.95
donde: e es error y s2 su varianza
Lo cual significa que:
el error e caer dentro del rea
comprendida entre -2s y + 2s con un
intervalo de confianza de 0.95
Dicho de otra manera:
el riesgo a equivocarnos ser de 5%
= +/- s
intervalo de confianza de 68%
-3
-2
-1
f (x) =
intervalo de confianza de 95%
e = +/- 3s
99.7%
intervalo de confianza de
2
1 x2
= +/- 1.645 s intervalo de confianza de 90%

= +/- 2s
Pr(X < c) =
f ( x) dx = F (c )
A medida que aumenta la confianza el error aumenta;

mientras que el riesgo de equivocarnos disminuye .
INTERCADE
www.intercade.org
8
15
EL CONCEPTO DE SIX SIGMA
VARIAS DENOMINACIONES:
Six sigma
6s
6 sigma
6s
DPMO: Defectos por milln de oportunidades
Es como plantearse un intervalo de

confianza de : 99.99966 %
Lo cual significa que se aspira a tener un
porcentaje de 99.99966 libre de defectos;
o slo 3.4 DPMO.
Si furamos menos exigentes; v.gr. slo 99.9%; esto significara

catstrofes 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.
Ms all de los dgitos, six sigma es una filosofa de negocios enfocada en la
MEJORA CONTINUA, optimizando procesos a partir de las necesidades de los
clientes.
16
EXACTITUD Y PRECISION
Exactitud
sin Precisin
Exactitud
y Precisin
Precisin
sin Exactitud
Ninguno
Exactitud: Cuando la media es insesgada

Precisin: La varianza del error debe ser pequea
INTERCADE
www.intercade.org
9
17
MUESTRA IDEAL:
EQUIPROBABLE Y DE VARIANZA PEQUEA
Sesgado
Varianza grande
Insesgado
Varianza pequea
Media
Media
Insesgado
Varianza grande
Media
Media
Sesgado
Varianza pequea
Exactitud: Cuando la media es insesgada

Precisin: La varianza del error debe ser pequea
18
DISTRIBUCIONES LOG-NORMALES
Y EL EFECTO PROPORCIONAL
INTERCADE
www.intercade.org
10
19
TIPICA DISTRIBUCION LOG-NORMAL DEL AU

EN UN YACIMIENTO EPITERMAL DE HS
Valores bajos no significativos
Moda
1102
Mediana
Frequency Count
882
661
Altos errticos
Media
441
220
250.000
600.000
750.000
000.000
250.000
500.000
750.000
200.000
Au ppb
20
VERIFICACION PRACTICA DE LA
LOG-NORMALIDAD
Summary Statistics for Cu ppm
Anderson-Darling Normality Test
A-Squared
P-Value <
Obviamente se rechaza la
hiptesis de normalidad:
p-value << a
3000
6000
9000
12000
15000
18000
Mean
StDev
Variance
Skewness
Kurtosis
N
Minimum
1st Quartile
Median
3rd Quartile
Maximum
95% Confidence Intervals

Mean
14.69
0.005
2473.2
3225.6
10404234.4
2.68188
8.95936
169
118.0
440.0
1130.0
3562.0
19342.0
95% Confidence Interval for Mean
Median
1000
1500
2000
2500
3000
1983.4
2963.0
Probability Plot of Cu ppm

Lognormal - 95% CI
99.9
Percent
99
95
90
80
70
60
50
40
30
20
10
5
Loc
7.115
Scale
1.219
N
169
AD
1.159
P-Value <0.005
1
0.1
10
100
1000
Cu ppm
10000
Los logs de los valores de Cu trazados

en un grfico de acumulacin ploteado
en un grfico probabilstico se ajustan a
una recta.
100000
INTERCADE
www.intercade.org
11
21
COMPROBACION GRAFICA DEL

EFECTO PROPORCIONAL
Ley media del oro (ppb)
1500
1250
1000
750
500
250
0
0
250 500 750 1000 1250 1500 1750 2000 2250 2500
Desviacin estndar
22
EJEMPLO DE DISTRIBUCIONES LOGNORMALES CON EFECTO PROPORCIONAL:

CASO DEL CU
Histograma Cu DDH 107
Frequency
37
28
19
9
0
139
3213
6286
9360
12433
Cuppm
INTERCADE
www.intercade.org
12
23
EJEMPLO DE DISTRIBUCIONES LOGNORMALES CON EFECTO PROPORCIONAL:

CASO DEL CU
GRAFICO MEDIA VS DESVIACION
ESTANDAR CUT
6000
Histograma Cu DDH 107
Desv. estndar
5000
3000
2000
37
Frequency
4000
28
19
9
0
1000
139 3213
6286
9360
12433
Cuppm
2000
4000
6000
Media
EJEMPLO DE DISTRIBUCIONES
LOG-NORMALES CON EFECTO
PROPORCIONAL: CASO DEL MO
24
Histograma Mo ppm DDH 108
Frequency
44
33
22
11
0
80
224
369
513
657
Mo ppm
INTERCADE
www.intercade.org
13
25
EJEMPLO DE DISTRIBUCIONES
LOG-NORMALES CON EFECTO
PROPORCIONAL: CASO DEL MO
Grfico Media vs Desv. Estndar Mo
300
Histograma Mo ppm DDH 108
Desv. estndar
250
150
100
50
44
Frequency
200
33
22
11
0
80
224
369
513
657
Mo ppm
100
200
300
Media
26
COMO SE REFLEJA EL EFECTO

PROPORCIONAL EN LOS VARIOGRAMAS
2500000
A67
2000000
A86
A22
1500000
A129
1000000
500000
175
160
145
130
120
105
90
75
60
50
35
20
Paso (h)
Tomado de Canchaya (2004)

INTERCADE
www.intercade.org
14
27
DISCUSION
En la bibliografa se encuentra recomendaciones controversiales para tratar este
tipo de distribuciones. Por ejemplo se recomienda dividir los valores gamma, de
cada variograma, por su respectiva media al cuadrado; as se obtiene el llamado
variograma relativo.
Hay que hacer notar que al dividir los gamma por la media al cuadrado, los valores
resultantes son adimensionales (no tienen unidades). Para convertirlos en dgitos
significativos nuevamente debern ser multiplicados por el cuadrado de la
respectiva media.
David (1977; pg. 173) y otros autores muestran ejemplos donde los variogramas
relativos llegan a coincidir, haciendo desaparecer el efecto proporcional, lo cual
no siempre ocurre; incluso recomiendan reemplazar todos los variogramas por uno
promedio para poder modelar todo el depsito.
Adems esta forma de trabajo es cuestionable, ya que cuando se trata de
comprobar localmente los valores que reproducen el modelo variogrfico
relativo, se encuentra valores errneos.
VARIOGRAMAS RELATIVOS EN
DISTRIBUCIONES CON EFECTO
PROPORCIONAL
28
1.60
1.40
1.20
1.00
0.80
0.60
0.40
0.20
0.00
A67
A86
A22
A129
Paso (h)
INTERCADE
www.intercade.org
15
29
RECOMENDACIONES
Lo ms recomendable es tratar de sub-dividir el dominio total de datos
en sub-dominios de alta, intermedia y baja ley o por percentiles; y
tratar cada sub-dominio por separado.
En el caso de oro en vetas, donde tambin es frecuente el efecto
proporcional, es recomendable comparar sub-dominios por niveles o
subniveles.
Hay que estar atento a la ocurrencia del efecto proporcional an en
otros tipos de variables, por ejemplo Cu y Mo en yacimientos
porfirticos.
30
REFERENCIAS BIBLIOGRAFICAS
Canchaya S. (2004) Log-normalidad y efecto proporcional.
Caractersticas
frecuentes en los yacimientos de oro.- XII Congr. Peruano Geol.; 4p.
David, M. (1977) Geostatistical Ore Reserve Estimation.- Elsevier
Scientific
Publishing 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 Ore
Evaluation.- South
African Inst. Min. Metall; 51.
INTERCADE
www.intercade.org
16
31
CORRELACION ENTRE DOS VARIABLES

Y ANALISIS DE REGRESION LINEAL Y
SUS APLICACIONES
32
CORRELACION ENTRE DOS VARIABLES

La correlacin entre dos variables puede ser definida como la
fuerza de asociacin entre dos variables; la misma que es
cuantificada por el Coeficiente de Correlacin r:
r=
Cov ( x, y )
Sx * Sy
Sx y Sy
Cov( x, y ) = (1 / n)
( xi x)( yi y)
i =1
Donde:
Cov es la covarianza
Las desviaciones estndar
de x y y respectivamente
r [1, +1]
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.
INTERCADE
www.intercade.org
17
33
EJEMPLOS DE NUBES DE CORRELACION

r [1, + 1]
r = 0.54
r = 0.94
y
x
x
r = - 0.94
r = 0.09
y
34
EJEMPLO DE USO DE LA CORRELACION

LINEAL: COMPROBACION GRAFICA DEL
EFECTO PROPORCIONAL
Ley media del oro (ppb)
1500
1250
1000
750
500
250
0
0
250 500 750 1000 1250 1500 1750 2000 2250 2500
Desviacin estndar
INTERCADE
www.intercade.org
18
35
EJEMPLO DE NUBES DE CORRELACION

ENTRE FILOSILICATOS
Scatterplot of kao vs prf
8
7
6
prf = -0.022 + 0.506 kao
kao
r = 0.61
4
3
2
1
0
2
prf
36
RESIDUALES EN LA REGRESION LINEAL

Y
y=b+mx
residual 6
residual 1
INTERCADE
www.intercade.org
19
37
ANALISIS DE RESIDUALES
Residual Plots for prf
Normal Probability Plot of the Residuals
Residuals Versus the Fitted Values
99.9
99
1
Residual
Percent
90
50
10
0
-1
-2
0.1
-2
-1
0
Residual
Histogram of the Residuals
2
Fitted Value
Residuals Versus the Order of the Data
80
Residual
Frequency
1
60
40
20
0
0
-1
-2
-1.5
-1.0
-0.5
0.0
Residual
0.5
1.0
1 1 0 2 0 30
90 10 0 11 0 1 2 0 1 30 1 40
40 5 0 6 0 7 0 80
Observation Order
38
FILOSILICATOS EN CHANCADORA
TERCIARIA
Nube de correlacin prf vs mmt
Pirofilita
Nubes de correlacin
con regresin lineal
2.50
2.00
1.50
1.00
0.50
0.00
0.00
Nube de correlacin kao vs. prf
1.00
y = -0.646x + 2.687
r = 0.769
r = 0.88
4.00
3.50
3.00
3.32 2.50
2.00
1.50
1.00
0.50
0.00
Caolinita
y =
2.00
3.00
4.00
Montmorillonita
x + b
kao = 1.612 (prf) + 0.5

kao = 1.612 (1.75) + 0.5
0.00
y = 1.612x + 0.5
r = 0.918
r = 0.96
0.50
1.00
1.50
2.00
2.50
kao = 3.32
Pirofilita
1.75
INTERCADE
www.intercade.org
20
39
TRATAMIENTO DE VALORES
ERRATICOS
40
DEFINICION DE VALORES ALTOS

ERRATICOS
La ocurrencia aislada de
valores altos merece atencin y
un tratamiento especial.
Lo ms crtico es definir si se
trata de valores altos
ERRATICOS.
Estos valores son fcilmente
identificables en los
histogramas y grficos de
frecuencia acumulada.
Estos casos son especialmente
frecuentes en los yacimientos
de baja ley y/o de minerales
preciosos.
Por lo general representan menos del 5% del total de la

poblacin, y por ende del tonelaje; sin embargo, debido
a su alto valor, aportan sensiblemente en el valor
metlico global, en proporciones entre 20 y 40%.
Por lo tanto, influyen y juegan un rol crucial en la
economa del yacimiento.
INTERCADE
www.intercade.org
21
41
Summary for Cu_ppm
Con todos los datos
IDENTIFICACION DE VALORES
ALTOSERRATICOS
0
100
200
300
400
500
A -S quared
P -V alue <
41.60
0.005
M ean
S tD ev
V ariance
S kew ness
Kurtosis
N
44.132
46.065
2122.025
4.6149
42.6063
724
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
600
3.000
15.200
31.450
57.625
632.000
95% C onfidence Interv al for Mean

40.771
47.493

29.070
34.000

43.809
48.569
Mean
Median
30
35
40
45
50
Summary for Cu_ppm

A nderson-Darling Normality Test
Eliminando los altos errticos:

> 200 ppm Cu
30
60
90
120
150
A -Squared
P -V alue <
27.43
0.005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
41.560
34.626
1198.994
1.45774
2.12815
718
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
180
3.000
15.175
31.200
56.825
187.000
EN AMBOS CASOS SE RECHAZA LA

HIPTESIS DE NORMALIDAD
PORQUE: P < @

39.023
44.097

29.000
33.675
95% C onfidence Interv al for S tDev

9 5 % Confidence Inter vals
32.923
36.517
Mean
Median
30.0
32.5
35.0
37.5
40.0
42.5
45.0
DIAGRAMAS DE CAJA PARA

VISUALIZAR VALORES ERRATICOS
42
FILOSILICATOS COMPOSITOS DIARIOS CHANCADORA TERCIARIA

*9.03
9
8
*7.18
*6.94
Data
*5.52
*5.23
*5.17
5
4
3
*4.15
*4
*3.12
*2.94
2
1
0
*0.12
prf
mmt
kao
INTERCADE
www.intercade.org
22
43
MONITOREO DE LA DATA PARA DEFINIR

VERDADEROS ALTOS ERRATICOS
Da
27
28
29
30
31
32
33
34
35
36
37
kao
2.84
3.39
3.54
3.58
2.67
9.03
2.77
2.27
2.63
3.43
3.54
Estadsticos de kao:
x = 2.88
s = 1.18
44

Da
27
28
29
30
31
32
33
34
35
36
37
kao
2.84
3.39
3.54
3.58
2.67
9.03
2.77
2.27
2.63
3.43
3.54
Estadsticos de kao:
x = 2.88
s = 1.18
ALTO ERRATICO
x + 2s = 2.88 + 2.36
Da
27
28
29
30
31
32
33
34
35
36
37
kao
2.84
3.39
3.54
3.58
2.67
5.24
2.77
2.27
2.63
3.43
3.54
INTERCADE
www.intercade.org
23
45

Da
27
28
29
30
31
32
33
34
35
36
37
kao
2.84
3.39
3.54
3.58
2.67
9.03
2.77
2.27
2.63
3.43
3.54
ALTO ERRATICO
Da
27
28
29
30
31
32
33
34
35
36
37
x + 2s = 2.88 + 2.36
Estadsticos de kao:
x = 2.88
s = 1.18
Da
116
117
118
119
120
121
122
123
124
125
126
kao
2.58
2.40
3.54
5.17
4.28
7.18
5.52
2.80
2.75
1.47
1.79
kao
2.84
3.39
3.54
3.58
2.67
5.24
2.77
2.27
2.63
3.43
3.54
46

Da
27
28
29
30
31
32
33
34
35
36
37
kao
2.84
3.39
3.54
3.58
2.67
9.03
2.77
2.27
2.63
3.43
3.54
Da
kao
116
2.58
117
2.40
118
3.54
119
120
5.17
4.28
121
7.18
122
5.52
123
2.80
124
2.75
125
1.47
126
1.79
ALTO ERRATICO
x + 2s = 2.88 + 2.36
Da
116
117
118
119
120
121
122
123
124
125
126
kao
2.58
2.40
3.54
5.17
4.28
7.18
5.52
2.80
2.75
1.47
1.79
Da
27
28
29
30
31
32
33
34
35
36
37
kao
2.84
3.39
3.54
3.58
2.67
5.24
2.77
2.27
2.63
3.43
3.54
Estadsticos de kao:
x = 2.88
s = 1.18
ALTO NO ERRATICO
INTERCADE
www.intercade.org
24
47
COMPARACION DE NUBES DE CORRELACION

CON Y SIN ALTOS ERRATICOS
9
8
r = 0.54
7
6
5
kao
prf = 0.134 + 0.452 kao
4
3
2
1
prf
r = 0.61
kao
5
4
prf = -0.022 + 0.506 kao
3
2
1
0
2
prf
48
COMPARACION DE RESIDUALES DE LA
DATA CON Y SIN ALTOS ERRATICOS

Normal Probabilit y Plot of the Residuals
Normal Probability Plot of the Residuals
Residuals Versus t he Fitted Values
10
0
-1
90
Residual
50
Percent
Residual
Percent
90
3.0
99
99
50
10
1.5
0.0
-1.5
1
0.1
Residuals Versus t he Fitted Values
99.9
99.9
-2
-2
-1
0
Residual
-3.0
0.1
2
Fitted Value
-3.0
-1.5
0.0
Residual
1.5
3.0
Residuals Versus t he Order of t he Data
80
2
3
Fitted Value
Residuals Versus the Order of the Data
100
3.0
75
1.5
20
0
0
-1
-1.0
-0.5
0.0
Residual
0.5
1.0
50
1 1 0 2 0 30
40 5 0 60 7 0 80
90 10 0 11 0 1 2 0 1 30 1 40
0.0
-1.5
25
0
-2
-1.5
Residual
40
Frequency
Residual
Frequency
1
60
-3.0
-2
-1
0
1
Residual
Observation Order
1 1 0 2 0 30 40 50 6 0 70 80 90 00 1 0 2 0 30 40
1 1 1 1 1
Observation Order
INTERCADE
www.intercade.org
25
49
EFECTO DE ALTOS ERRATICOS EN EL

COEFICIENTE DE REGRESION LINEAL
Nube de correlacin prf vs mmt
Mayo
3.50
3.00
prf
2.50
2.00
1.50
y = 0.069x + 1.204
r = 0.182
r = 0.427
1.00
0.50
0.00
0.00
5.00
10.00
15.00
20.00
mmt
50

prf vs mmt Sin Altos Errticos
Mayo
Nube de Correlacin prf vs mmt

Mayo
3.50
2.50
prf
3.00
2.50
2.00
2.00
1.50
1.50
y = 0.069x + 1.204
r = 0.182
r = 0.427
1.00
0.50
0.00
1.00
y = -0.646x + 2.687
r = 0.769
r = 0.877
0.50
0.00
0.00
5.00
10.00
mmt
15.00
20.00
0.00
1.00
2.00
mmt
3.00
4.00
INTERCADE
www.intercade.org
26
51

Nube de Correlacin mmt vs prf
Junio
2.50
prf
2.00
1.50
y = 0.073x + 1.013
r = 0.716
r = 0.846
1.00
0.50
0.00
0.00
5.00
10.00
15.00
20.00
mmt
52

Nube de Correlacin mmt vs prf
Junio
mmt vs. prf Sin Altos Errticos

Junio
2.50
1.60
1.40
1.20
1.00
1.50
prf
prf
2.00
1.00
y = 0.073x + 1.013
r = 0.716
r = 0.846
0.50
0.80
y = -0.017x + 1.199
r = 0.006
r = 0.077
0.60
0.40
0.20
0.00
0.00
0.00
5.00
10.00
15.00
20.00
0.00
mmt
1.00
2.00
3.00
4.00
mmt
INTERCADE
www.intercade.org
27
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
54

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 discriminan
fcilmente, para luego ser reducidos a un valor
determinado.
Usando Control charts (ver diapositivas siguientes).
INTERCADE
www.intercade.org
28
55
VALORES ERRATICOS EN CONTROL

CHARTS
Caracterizac. estadstica kao (%)
Control Chart of kao (%)
A-Squared
P-Value <
Individual Value
7
6
UCL=4.730
1.5
3.0
4.5
6.0
7.5
9.0
_
X=2.876
Minimum
1st Quartile
Median
3rd Quartile
Maximum
LCL=1.021

Mean
0
1
15
29
43
57
71
85
Observation
99
113
127
Median
141
2.6
2.7
2.8
% kao
2.9
Mean
StDev
Variance
Skewness
Kurtosis
N
3.0
3.1
5.43
0.005
2.8756
1.1795
1.3913
2.12283
7.40478
144
1.0700
2.2550
2.6500
3.2450
9.0300

2.6813
3.0699
56

CHARTS
Tpico Alto Errtico
A-Squared
P-Value <
Individual Value
7
6
1
1
1
UCL=4.730
1.5
3.0
4.5
6.0
7.5
9.0
_
X=2.876
Minimum
1st Quartile
Median
3rd Quartile
Maximum
LCL=1.021

Mean
0
1
15
29
43
57
71
85
Observation
99
113
127
141
Median
2.6
2.7
2.8
% kao
2.9
Mean
StDev
Variance
Skewness
Kurtosis
N
3.0
3.1
5.43
0.005
2.8756
1.1795
1.3913
2.12283
7.40478
144
1.0700
2.2550
2.6500
3.2450
9.0300

2.6813
3.0699
INTERCADE
www.intercade.org
29
57

CHARTS
x
2.876
s
1.18
x+s
4.055
Tpico Alto Errtico

A-Squared
P-Value <
5.43
0.005
Mean
StDev
Variance
Skewness
Kurtosis
N
Individual Value
7
6
1
1
1
UCL=4.730
1.5
3.0
4.5
6.0
7.5
9.0
_
X=2.876
Minimum
1st Quartile
Median
3rd Quartile
Maximum
LCL=1.021

Mean
0
1
15
29
43
57
71
85
Observation
99
113
127
Median
141
2.6
4.055
2.7
2.8
% kao
2.9
3.0
3.1
2.8756
1.1795
1.3913
2.12283
7.40478
144
1.0700
2.2550
2.6500
3.2450
9.0300

2.6813
3.0699
58

CHARTS
x
2.876
Tpico Alto Errtico
s
1.18
x+s
4.055
x+2s
5.235

A-Squared
P-Value <
Individual Value
7
6
1
1
1
UCL=4.730
1.5
3.0
4.5
6.0
7.5
9.0
_
X=2.876
Minimum
1st Quartile
Median
3rd Quartile
Maximum
LCL=1.021

Mean
0
1
15
29
43
57
71
85
Observation
99
113
127
141
Median
5.235
2.6
2.7
2.8
% kao
2.9
Mean
StDev
Variance
Skewness
Kurtosis
N
3.0
3.1
5.43
0.005
2.8756
1.1795
1.3913
2.12283
7.40478
144
1.0700
2.2550
2.6500
3.2450
9.0300

2.6813
3.0699
4.055
INTERCADE
www.intercade.org
30
59

CHARTS
x
2.876
s
1.18
x+s
4.055
x+2s
5.235
x+3s
6.414
Tpico Alto Errtico

Individual Value
7
6
1
UCL=4.730
6.414
1.5
_
X=2.876
5.235
LCL=1.021
4.055
3.0
4.5
6.0
7.5
9.0

Mean
0
1
15
29
43
57
71
85
Observation
99
113
127
Median
141
2.6
2.7
2.8
% kao
5.43
0.005
Mean
StDev
Variance
Skewness
Kurtosis
N
2.8756
1.1795
1.3913
2.12283
7.40478
144
Minimum
1st Quartile
Median
3rd Quartile
Maximum
2
1
A-Squared
P-Value <
2.9
3.0
3.1
1.0700
2.2550
2.6500
3.2450
9.0300

2.6813
3.0699
60

CHARTS
x
2.876
Tpico Alto Errtico
s
1.18
A-Squared
P-Value <
Individual Value
7
6
1
1
1
UCL=4.730
6.414
1.5
_
X=2.876
3
2
LCL=1.021
3.0
4.5
6.0
7.5
9.0
5.235
Mean
29
43
57
71
85
Observation
99
113
127
141
Median
2.6
2.7
2.8
% kao
2.9
Mean
StDev
Variance
Skewness
Kurtosis
N
Minimum
1st Quartile
Median
3rd Quartile
Maximum
4.055
0
15
x+3s
6.414

1
x+2s
5.235

1
x+s
4.055
3.0
3.1
5.43
0.005
2.8756
1.1795
1.3913
2.12283
7.40478
144
1.0700
2.2550
2.6500
3.2450
9.0300

2.6813
3.0699
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.
INTERCADE
www.intercade.org
31
61

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 discriminan fcilmente, para luego ser reducidos
a un valor determinado.
Usando Control charts (ver diapositivas siguientes)
CORRECCION LOGNORMAL O DE SICHEL (1952).- Se reemplaza el alto errtico por
el exponencial de la media de los logaritmos de los valores adyacentes multiplicados por
un factor de correccin que se obtiene en las tablas de Sichel, el cual es una funcin del
log de la varianza y del nmero de muestras; ver tambin DAVID (1982).
(Ejemplo en las diapositivas sub-siguientes).
62
EJEMPLO DE CORRECCION LOGNORMAL O DE SICHEL

Prof. m
321.29
325.18
327.89
329.90
331.35
333.15
335.12
337.66
339.26
341.18
343.29
Au
g/t
1.02
2.40
1.54
1.00
1.50
35.3
2.70
4.30
1.05
1.47
1.08
Alto errtico: 35.3
INTERCADE
www.intercade.org
32
63

Prof. m
321.29
325.18
327.89
329.90
331.35
333.15
335.12
337.66
339.26
341.18
343.29
Au
g/t
1.02
2.40
1.54
1.00
1.50
35.3
2.70
4.30
1.05
1.47
1.08
Alto errtico: 35.3

Seleccin de dos valores contiguos
a ambos lados n = 5
Media aritmtica = 8.96
64

Prof. m
321.29
325.18
327.89
329.90
331.35
333.15
335.12
337.66
339.26
341.18
343.29
Au
g/t
1.02
2.40
1.54
1.00
1.50
35.3
2.70
4.30
1.05
1.47
1.08
Log Au
0.00
0.41
3.56
0.99
1.46
Alto errtico: 35.3

a ambos lados n = 5
Clculo del log de los valores
INTERCADE
www.intercade.org
33
65

Prof. m
321.29
325.18
327.89
329.90
331.35
333.15
335.12
337.66
339.26
341.18
343.29
Au
g/t
1.02
2.40
1.54
1.00
1.50
35.3
2.70
4.30
1.05
1.47
1.08
log Au
Alto errtico: 35.3

a ambos lados n = 5
Clculo del log de los n valores
Media de los logs = 0.56
e media logs = 3.63
Log de la varianza = 2.34
0.00
0.18
1.55
0.43
0.63
media
8.96
0.56
var.
218.4
2.34
TABLA PARA LA ESTIMACION DEL FACTOR DE

SICHEL (FCS)
n
2.34
2,124
2,201
2,280
2,177
2,260
2,347
2,214
2,303
2,395
2,243
2,336
2,431
2,265
2,361
2,460
2,360
2,442
2,526
2,612
2,699
2,435
2,526
2,618
2,714
2,812
2,489
2,586
2,686
2,788
2,894
2,530
2,632
2,737
2,846
2,957
2,563
2,669
2,778
2,891
3,008
2,789
2,880
2,973
3,068
2,912
3,015
3,120
3,228
3,003
3,114
3,229
3,347
3,073
3,191
3,314
3,440
3,128
3,253
3,382
3,514
66
2.727
INTERCADE
www.intercade.org
34
67

Prof. m
321.29
325.18
327.89
329.90
331.35
333.15
335.12
337.66
339.26
341.18
343.29
Au
g/t
1.02
2.40
1.54
1.00
1.50
35.3
2.70
4.30
1.05
1.47
1.08
Log Au Au g/t
0.00
0.18
1.55
0.43
0.63
media
8.96
0.56
var.
218.4
2.34
9.899
Alto errtico: 35.3

a ambos lados n = 5
e media logs = 3.63
Factor de correccin (fcS)
de la tabla de Sichel = 2.727
Media de Sichel = fcS * e media logs = 9.899
68

Prof. m
321.29
325.18
327.89
329.90
331.35
333.15
335.12
337.66
339.26
341.18
343.29
Au
g/t
1.02
2.40
1.54
1.00
1.50
35.3
2.70
4.30
1.05
1.47
1.08
Log Au Au g/t
0.00
0.18
1.55
0.43
0.63
media
8.96
0.56
var.
218.4
2.34
1.02
2.40
1.54
1.00
1.50
9.90
2.70
4.30
1.05
1.47
1.08
Alto errtico: 35.3

a ambos lados n = 5
e media logs = 3.63
Factor de correccin (fcS)
de la tabla de Sichel = 2.727
Media de Sichel = fcS * e media logs = 9.899
INTERCADE
www.intercade.org
35
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: 106122; South Afr. Inst. Min. Metall.; Johannesburg. Citado por Rendu
(1981).
70
PLANOS DE CURVAS ISOVALORICAS (CI)

SECCIONES LONGITUDINALES
CONTORNEADAS (SLC) Y DE COCIENTES
METALICOS.
SU APLICACION EN VETAS Y BANCOS
INTERCADE
www.intercade.org
36
71
INTRODUCCION:
El uso de Secciones y Planos de Curvas
Isovalricas de Leyes (SCI) tiene como
pioneros a CONOLLY (1936) y
McKINSTRY & SVENDSEN (1942).
A pesar de un uso muy extendido, sobre
todo a mediados del siglo pasado, han
perdido un poco de vigencia, debido
fundamentalmente a varios desaciertos.
El mtodo SCI es una poderosa
herramienta, cuando es correctamente
aplicado
72
INTRODUCCION:
Principales causas de los desaciertos en su uso :
El uso indiscriminado del mtodo, sin la
caracterizacin estadstica previa de las
variables.
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 anisotropa
de la distribucin de las variables.
Falta de soporte geolgico y mineralgico lo
suficientemente detallado de la zona de
estudio.
INTERCADE
www.intercade.org
37
73
DEFINICIONES
PRELIMINARES:
V
Soporte.- Volumen, peso o cantidad de datos
que sustenta el valor de una variable. Ejemplos:
La potencia de una veta, la longitud del tramo de
un DDH, los m3 de una muestra de morrenas, etc.
dv
Dominio.- Volumen, rea o zona,
seleccionada o independizada de las
contiguos, para efectos de estudio.
Ejemplos: Zona de mineral primario,
zona de endoskarn, zona de alteracin
arglica avanzada,
volumen que
engloba las leyes mayores a 5 g/t Au,
etc.
74
DEFINICIONES PRELIMINARES:
Variable aditiva.- Toda variable que tiene un sentido fsico
intrnseco o que est ponderada con algn soporte fsico.
Ejemplos: Densidad, potencia de una veta, ley ponderada por la
potencia (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 todos
los componentes tienen la misma probabilidad de ser elegidos.
Cuando el muestreo no cumple la condicin de equiprobabilidad slo se
obtiene un especmen.
INTERCADE
www.intercade.org
38
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 seccin

que muestre puntos o zonas
isovalricas
unidos
por
curvas continuas constituye
un plano o seccin de curvas
isovalricas.
76
PREPARACION DE UNA SECCION O

PLANO DE CURVAS ISOVALORICAS
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.
x
x
x x
x
x
xx
x
x x
x x
x
x
x
x
x
x
x
x x x x x x x
x x
x
x
x
x x
xx
x
Este
m.
276980
276682
276695
276710
276720
276720
279002
279000
279068
279020
Cota
m.
4520
4454
4788
4775
4722
4740
4794
4595
4562
4510
Au
ppm
762
1377
4938
1517
4798
4655
449
98
1921
822
As
ppm
345
564
11000
13543
12000
9998
589
715
2334
341
W
4700
4600
4500
276
277
INTERCADE
www.intercade.org

MATERIALDEESTUDIOPARTEIDiap1-76

Cargado por

Copyright:

Formatos disponibles

MATERIALDEESTUDIOPARTEIDiap1-76

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

MATERIALDEESTUDIOPARTEIDiap1-76

Cargado por

Copyright:

Formatos disponibles

1

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

Anlisis multivariable y sus aplicaciones en exploracin.

Clasificacin de recursos y reservas.

Ejemplo 1.- Tratamiento de poblaciones log-normales, con efecto proporcional.

Ejemplo 3.- SLC de cocientes metlicos; determinacin de flujos mineralizantes.

Ejemplo 4.- Anlisis multivariable aplicado a data de exploracin.

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

.- El intervalo de clase con la mayor frecuencia

Sesgo.- Mide el grado de asimetra de una distribucin.

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

Acum. Frecs. mmt

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

HISTOGRAMAS TIPICOS Y SUS

Curvas de acumulac. de frecuencias

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

PRESENTACION SUMARIA DE ESTADISTICOS:

Summary for Cu_ppm

95% C onfidence Interv al for M ean

95% C onfidence Interv al for M edian

95% C onfidence Interv al for StD ev

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

95% C onfidence Interv al for M ean

95% C onfidence Interv al for M edian

95% C onfidence Interv al for S tD ev

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

95% C onfidence Interv al for M ean

95% C onfidence Interv al for M edian

95% C onfidence Interv al for S tD ev

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

Probability Plot of Cu gpl

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

Si no existe sesgo, en general los errores siguen

intervalo de confianza de 68%

intervalo de confianza de 95%

= +/- 1.645 s intervalo de confianza de 90%

A medida que aumenta la confianza el error aumenta;

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

EL CONCEPTO DE SIX SIGMA

Es como plantearse un intervalo de

Si furamos menos exigentes; v.gr. slo 99.9%; esto significara

Exactitud: Cuando la media es insesgada

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

Exactitud: Cuando la media es insesgada

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

TIPICA DISTRIBUCION LOG-NORMAL DEL AU

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade

95% Confidence Intervals

95% Confidence Interval for Mean

Probability Plot of Cu ppm

Los logs de los valores de Cu trazados

MSc. Samuel Canchaya Moya - [email protected] - Consultor Intercade