Documente Academic
Documente Profesional
Documente Cultură
1
Continuación…
TEMA TITULO Contenido Fecha
Estructura y aditividad de los errores en la cadena del muestreo. Muestreo primario,
Aseguramiento de la secundario y análisis. La importancia del Muestreo Primario. Lo más importante: 14
8
calidad Aseguramiento de la calidad del Muestreo Primario. Aseguramiento de la calidad del muestreo May
secundario y análisis.
Interpretación de
Variogramas. Características e interpretación de los variogramas: efecto pepita, alcance, meseta, “drift”, etc. 25
13
Estimadores lineales Los estimadores lineales. Interpolación con kriging. Jun
y Kriging
Dimensionamiento óptimo del muestreo: distancia óptima de muestreo, mallas óptimas de
Principales muestreo, etc. Relación entre malla de perforación, costo y error asociado. Dimensionamiento
aplicaciones de la óptimo del muestreo: distancias óptimas de muestreo, implantación de mallas de muestreo,
14
geoestadística en el gestión óptima de programas de perforación, uso del variograma y del kriging para la
02 Jul
muestreo programación de taladros de relleno (“infill”) y nuevos taladros de exploración. Otras
aplicaciones.
EXAMEN FINAL 09 Jul
3
EXAMEN SUSTITUTORIO 16 Jul
PROGRAMA DE PRÁCTICAS
PRÁCTICA Contenido Fecha
2
5
Sesgo % Error
Fase Actividad
% relativo
Muestreo 100 a 1,000
Muestreo
1000 Transporte y
primario 1 a 100
almacenamiento
Preparación mecánica,
Muestreo 10 a 100 QA/QC
QA/QC 50 reducción correcto
secundario
actual Preparación química 5 a 20
0.1 a 1 Análisis Análisis 0.1 a 5
Según: Gy (1999:10) Compilado a partir de: Gy (1999:10); Gy & Francois-
Bongarson (1999) y Paski (2006)
3
Proporción recomendable de
muestras de control
%
Tipo de muestras
recomendado
La única referida
Duplicados de campo 2 al Muestreo Primario
Duplicados gruesos 2
Duplicados de pulpa 2
Estándar bajo 2
Estándar medio 2
Estándar alto 2
Blancos gruesos 2
Blancos finos 2
Duplicados externos 4
TOTAL 20
7
Modificado a partir de Simon (2007)
4
Distribución promedio de tiempo en las tareas
asociadas a aplicaciones geomatemáticas
• Validación de la Data
• Tratamiento de valores bajos
no significativos
• Identificación y tratamiento
35% 25%
de altos erráticos
• Compatibilización de datas
10% distintas
• Promedio, Desv.estándar,
15% 15% Varianza, Sesgo, Kurtosis, etc.
• Histograma
• Curva de acumulación de
Data frecuencias
C.Estad • Cálculo y ploteo de Variogramas
C. Geoestad • Anisotropias geométricas y zonales
• Análisis estructural geoestadístico
Process
• Interpretación de variogramas
Interpret • Etc.
10
Intervalos de Confianza 99.7 % Área bajo
95.0 % la curva
Distribución normal 68.0 %
de los errores:
Si no existe sesgo, en general los errores siguen una
distribución normal como la mostrada en el gráfico
P [-2s < e < +2s] = 0.95
donde: e es error y s2 su varianza
Lo cual significa que:
el error e caerá dentro del área comprendida entre
-2s y + 2s con un intervalo de confianza de 0.95
5
ss Es como plantearse un intervalo de
El concepto de s
confianza de : 99.99966 %
ss
Lo cual significa que se aspira a tener un
six sigma porcentaje de 99.99966 libre de defectos;
s o sólo 3.4 DPMO.
VARIAS DENOMINACIONES:
Six sigma
6s
6 sigma
6s
DPMO: Defectos por millón de oportunidades
11
6
Caracterización estadística
14
Mediana Moda
Promedio
Estadísticos
principales
Mediana
Promedio
Estadístico Valor
Moda.- El intervalo de clase con la mayor frecuencia Promedio 1.966
14
7
Quartiles
Q1 Q2 Q3
15
2.6
Swelling clays
2.4
2.2 Mediana
2.0
Primer
1.8
Quartil
1.6
Valor mínimo
16
8
Presentación sumaria de la
Caracterización Estadística
Summary for Cu_ppm
A nderson-D arling N ormality Test
A -S quared 41.60
P -V alue < 0.005
M ean 44.132
S tD ev 46.065
V ariance 2122.025
S kew ness 4.6149
Kurtosis 42.6063
N 724
M inimum 3.000
1st Q uartile 15.200
M edian 31.450
3rd Q uartile 57.625
0 100 200 300 400 500 600
M aximum 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 S tD ev
9 5 % C onfidence Inter vals
43.809 48.569
Mean
Median
30 35 40 45 50
17
Verificación de la “normalidad”
p > a Distribuc. normal
de una distribución
Summary for Cu gpl
A nderson-D arling N ormality Test
A -S quared 0.29
P -V alue 0.600
M ean 39.059
S tDev 1.003
V ariance 1.005
S kew ness 0.152379
Kurtosis -0.253495
N 180
M inimum 36.600
1st Q uartile 38.300
M edian 39.100
3rd Q uartile 39.700
37 38 39 40 41 42
M aximum 41.900
95% C onfidence Interv al for M ean
38.911 39.206
95% C onfidence Interv al for M edian
38.800 39.200
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
0.909 1.118
Mean
Median
18
9
Buen ajuste a recta
Test de normalidad p > a Distribuc. normal
60
50
40
30
20
10
5
0.1
36 37 38 39 40 41 42 43
Cu gpl
19
Identificación y Tratamiento de
Valores Bajos No significativos
10
Valores bajos y/o No significativos
21
Identificación y Tratamiento de
Valores Altos Erráticos
11
Definición de
valores altos
erráticos
La ocurrencia aislada de
valores altos merece atención y
un tratamiento especial.
M ean 44.132
S tDev 46.065
Con todos los datos V ariance 2122.025
S kew ness 4.6149
Kurtosis 42.6063
N 724
M inimum 3.000
1st Q uartile 15.200
Identificación de valores M edian
3rd Q uartile
31.450
57.625
0 100 200 300 400 500 600
altos erráticos M aximum 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 S tDev
9 5 % C onfidence Inter vals
43.809 48.569
Mean
30 arling N ormality
A nderson-D 35 Test 40 45 50
A -S quared 27.43
P -V alue < 0.005
Eliminando los altos erráticos: M ean 41.560
> 200 ppm Cu S tDev 34.626
V ariance 1198.994
S kew ness 1.45774
Kurtosis 2.12815
N 718
M inimum 3.000
1st Q uartile 15.175
M edian 31.200
Median
12
Diagramas de caja para visualizar
valores erráticos
FILOSILICATOS COMPÓSITOS DIARIOS CHANCADORA TERCIARIA
9 9.03
8
7.18
7 6.94
6
5.52
5.23
5.17
5
Data
4.15
4 4
3 3.12
2.94
2.9
0 0.12
25
26
13
Scatterplot of kao vs prf
Comparación de nubes de 9
8
correlación con y sin altos 7
erráticos r = 0.54
6
kao
4
0
0 1 2 3 4 5
prf
Scatterplot of kao vs prf
8
7
r = 0.61
6
5
prf = - 0.022 + 0.506 kao
kao
1
0 1 2 3 4
27
prf
3.50
3.00
Efecto de altos erráticos
2.50
2.00
en el coeficiente de
prf
1.50
y = 0.069x + 1.204
regresión lineal
1.00 r² = 0.182
0.50 r = 0.427
0.00
0.00 5.00 10.00 15.00 20.00
mmt
2.00
1.50
prf
1.00
y = -0.646x + 2.687
r² = 0.769
0.50 r = - 0.877
0.00
0.00 0.50 1.00 1.50 2.00 2.50 3.00 3.50
mmt
14
Nube de correlación mmt vs prf
2.50
0.00
0.00 5.00 10.00 15.00 20.00
mmt
1.60
1.40
1.20
1.00
prf
0.80
0.60 y = -0.017x + 1.199
0.40 r² = 0.006
r = 0.077
0.20
0.00
0.00 0.50 1.00 1.50 2.00 2.50 3.00 3.50
mmt
CORTES ESTADÍSTICOS.-
Utilizando gráficos probabilísticos de frecuencia acumulada, donde los altos
erráticos se
discriminan fácilmente, para luego ser reducidos a un valor determinado.
Usando “Control charts” (ver diapositivas siguientes)
30
15
Caracterizac. estadística kao (%)
Anderson-Darling Normality Test
Minimum 1.0700
1st Quartile 2.2550
Median 2.6500
Típico alto errático 95% Confidence Intervals
3rd Quartile 3.2450
Mean
Maximum 9.0300
Median
9
1 x s x + s x+2s x+3s
1 2.876 1.18 4.055 5.235 6.414
8
1
7
6.414 ALTERNATIVAS MAS USADAS:
Individual Value
6 1 1
1 1
5
1 1
5.235 Eliminar el alto errático
UCL=4.730
4 4.055 Reemplazarlo por la media más 1s, o
_ 2s o 3s
3 X=2.876
Reducción por la regla del tercio
2
menos tercio.
1 LCL=1.021
0
1 15 29 43 57 71 85 99 113 127 141
31
Observation
32
16
Tabla para la estimación del factor de Sichel (fcS)
V n
2.34 2.727
33
34
17
Correlación lineal entre dos
variables
35
La correlación entre dos variables es el tipo de asociación que existe entre ambas;
la misma que es cuantificada por el denominado Coeficiente de Correlación “r”:
Donde: n
( xi x)( yi y)
Cov ( x, y )
r= • Cov es la covarianza: Cov( x, y ) = (1 / n)
Sx * Sy
i =1
18
37
r = 0.94 r = 0.54
y
y
x x
r = - 0.94
r = 0.09
y y
7
prf = -0.022 + 0.506 kao
6
5
r = 0.61
kao
1
0 1 2 3 4
prf
38
19
Residuales en la regresión lineal
Y
y=b+mx
residual 6
residual 1
X
39
40
Análisis de “residuales”
0
50
10 -1
1
0.1 -2
-2 -1 0 1 1 2 3 4
Residual Fitted Value
Residual
0
40
-1
20
0 -2
-1.5 -1.0 -0.5 0.0 0.5 1.0 1 1 0 2 0 30 40 5 0 6 0 7 0 80 90 10 0 11 0 1 2 0 1 30 1 40
Residual
Observation Order
20
Distribuciones sesgadas, Log-normales
y el Efecto Proporcional
Mediana
Altos erráticos
Media
Au ppb 42
Tomado de Canchaya (2004)
21
Summary Statistics for Cu ppm
Verificación Anderson-Darling Normality Test
A-Squared 14.69
práctica de la P-Value < 0.005
Mean 2473.2
log-normalidad StDev
Variance
3225.6
10404234.4
Skewness 2.68188
Kurtosis 8.95936
0 3000 6000 9000 12000 15000 18000
Obviamente se rechaza la hipótesis N 169
99
95 Los logs de los valores de Cu
90
80 trazados en un gráfico de
70
Percent
60
50
40
Loc 7.115 acumulación ploteado en un
30 Scale 1.219
20 N 169
gráfico probabilístico se ajustan a
10
5 AD 1.159 una recta.
P-Value <0.005
1
0.1
10 100 1000 10000 100000 43
Cu ppm
1250
Ley media del oro (ppb)
1000
750
500
250
0
0 250 500 750 1000 1250 1500 1750 2000 2250 2500
Desviación estándar
44
Tomado de Canchaya (2004)
22
Referencias bibliográficas
Canchaya S. (2004) Log-normalidad y efecto proporcional. Características frecuentes en los yacimientos
de oro.- XII Congr. Peruano Geol.; 4p.
Canchaya S. (2013) Sampling of Variables with Proportional Effect.- GEOMET 2012; Sgo. de Chile Dic.
2012 y GEOMIN 2013; Sgo. de Chile Jul. 2013.
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).
45
23