Caracterizacion Geoestadistica

1
CARACTERIZACION Y
CORRELACION ESTADISTICA
DE DATOS GEOLOGICOS
MSc. Samuel Canchaya Moya

Consultor Intercade
CONTENIDO GENERAL
TEORIA:
• Caracterización estadística.
• Distribuciones log-normales con efecto proporcional
• Correlación entre dos variables y Análisis de regresión lineal y sus aplicaciones.
• Tratamiento de valores erráticos.
• Secciones longitudinales contornadas (SLC) y de cociente metálicos. Su aplicación en
vetas y en bancos de cuerpos tridimensionales.
• Análisis multivariable y sus aplicaciones en exploración.
• Relaciones Tonelaje-Ley.
• Clasificación de recursos y reservas.
PARTE PRACTICA:
• Ejemplo 1.- Tratamiento de poblaciones log-normales, con efecto proporcional.
• Ejemplo 2.- Correlación lineal entre dos variables. Efecto de los valores erráticos.
• Ejemplo 3.- SLC de cocientes metálicos; determinación de flujos mineralizantes.
• Ejemplo 4.- Análisis multivariable aplicado a data de exploración.
MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
2
3
CONTENIDO PARTE I
Caracterización estadística.
Distribuciones log-normales con efecto proporcional
Correlación entre dos variables.
Tratamiento de valores erráticos.
CARACTERIZACION
ESTADISTICA
3
5
CARACTERIZACION ESTADISTICA
Se entiende por CARACTERIZACION ESTADISTICA (CE), la

determinación e interpretación de los principales parámetros y tipos
de distribución de un determinado conjunto de datos o “data”.
Básicamente de cada “data” se calcula: media, valor máximo, valor
mínimo, mediana, moda, varianza, desviación estándar, sesgo y
kurtosis.
Estos datos se pueden entregar en forma de cuadros o
gráficamente por medio del denominado “box plot”
También se plotea el respectivo histograma y curva de
acumulación de frecuencias.
La interpretación de toda esta información constituye la CE
Cualquier aplicación geomatemática o geoestadística debe estar
siempre precedida de una CE.
6
ESTADISTICOS PRINCIPALES
1
Media Estadístico Valor
Media 1.966
Moda .- El intervalo de clase con la mayor frecuencia Mediana 1.94
Moda 1.92
Mediana.- La mitad de toda la distribución de frecuencias Desviación 0.192
estándar
Varianza 0.03698
Kurtosis -0.45
Sesgo 0.28
Sesgo.- Mide el grado de asimetría de una distribución. Rango 0.86
Cola más larga a la derecha: sesgo positivo; al revés Mínimo 1.57
negativo. Máximo 2.43
Kurtosis.- Es el grado de “espigamiento” de una distribución. n 124
Leptocúrtica si es muy apuntada; Planocúrtica si es muy

Moda
aplanada; y Mesocúrtica si se trata de una situación Mediana Mediana
intermedia. x - mod
Varianza
s
Mediana Desviación estándar
4
7
QUARTILES
Acum. Frecs. mmt
Cumulative Pct
100.0
75.0
50.0
25.0
Q1 Q2 Q3
0.0
1.50 1.75 2.00 2.25 2.50
8
HISTOGRAMAS TIPICOS Y SUS
CURVAS DE ACUMULACION DE
FRECUENCIAS (CAF)
Histogramas Curvas de acumulac. de frecuencias
5
9
PRESENTACION SUMARIA DE ESTADISTICOS:

“BOX-PLOT” (DIAGRAMA DE CAJA)
Boxplot of Swelling clays
3.2
Tercer Valor
3.0
Quartil máximo
2.8
2.6
Swelling clays
2.4
2.2 Mediana
2.0
Primer
1.8
Quartil
1.6
Valor mínimo
10
PRESENTACION SUMARIA DE LA
CARACTERIZACIÓN ESTADISTICA
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
StD ev 46.065
V ariance 2122.025
Skew 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 StD ev
9 5 % C onfidence Inter vals
43.809 48.569
Mean
Median
30 35 40 45 50
6
11
EJEMPLO DE DISTRIBUCION
NORMAL
Summary for Cu gpl
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
M edian 39.100
37 38 39 40 41 42 M aximum 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 > α Distribuc. normal
Summary for Cu gpl

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
M edian 39.100
37 38 39 40 41 42 M aximum 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
7
13
TEST DE NORMALIDAD
Buen ajuste a recta
p > α Distribuc. normal
Probability Plot of Cu gpl

Normal
99.9
Mean 39.06
StDev 1.003
99 N 180
AD 0.293
95 P-Value 0.600
90
80
70
Percent
60
50
40
30
20
10
5
0.1
36 37 38 39 40 41 42 43
Cu gpl
14
DISTRIBUCION NORMAL
DE LOS ERRORES:
99.73% Àrea bajo
Si no existe sesgo, en general los errores siguen 995.46% la curva
67.45%
una distribución normal como la mostrada en el
gráfico
P [-2σ < ε < +2σ] = 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
Dicho de otra manera: -1

4 -3 -2 1 2 3 4
el riesgo a equivocarnos será de 5%
2
1 x-
ε = +/- s intervalo de confianza de 68% 1 2
f (x) = e
2
ε = +/- 1.645 s intervalo de confianza de 90%
Pr(X < c) = f ( x) dx = F (c )
ε = +/- 2s intervalo de confianza de 95%
e = +/- 3s intervalo de confianza de A medida que aumenta la confianza el error aumenta;

99.7% mientras que el riesgo de equivocarnos disminuye .
8
15
EL CONCEPTO DE SIX SIGMA
σσ
σ
σσ
VARIAS DENOMINACIONES:
Six sigma
σ Es como plantearse un intervalo de
6s confianza de : 99.99966 %
6 sigma Lo cual significa que se aspira a tener un
6s porcentaje de 99.99966 libre de defectos;
DPMO: Defectos por millón de oportunidades o sólo 3.4 DPMO.
Si fuéramos menos exigentes; v.gr. sólo 99.9%; esto significaría

catástrofes como:
• 96 accidentes aéreos por cada 100,000 vuelos.
• Por lo menos 20,000 prescripciones médicas erróneas por año.
• Corte de servicio de celular por 10 minutos cada semana.
Más allá de los dígitos, six sigma es una filosofía de negocios enfocada en la
MEJORA CONTINUA, optimizando procesos a partir de las necesidades de los
clientes.
16
EXACTITUD Y PRECISION
Exactitud Precisión
sin Precisión sin Exactitud
Exactitud Ninguno
y Precisión
Exactitud: Cuando la media es insesgada

Precisión: La varianza del error debe ser pequeña
9
17
MUESTRA IDEAL:
“EQUIPROBABLE Y DE VARIANZA PEQUEÑA”
Sesgado Insesgado
Varianza grande Varianza pequeña
Media Media
Insesgado Sesgado
Varianza grande Varianza pequeña
Media Media
Exactitud: Cuando la media es insesgada

Precisión: La varianza del error debe ser pequeña
18
DISTRIBUCIONES LOG-NORMALES
Y EL EFECTO PROPORCIONAL
10
19
TIPICA DISTRIBUCION LOG-NORMAL DEL AU

EN UN YACIMIENTO EPITERMAL DE HS
Valores bajos no significativos
Moda
1102
Mediana
882
Frequency Count
661
Altos erráticos
Media
441
220
0 250.000 600.000 750.000 000.000 250.000 500.000 750.000 200.000
Au ppb
20
VERIFICACION PRACTICA DE LA
LOG-NORMALIDAD
Summary Statistics for Cu ppm
Anderson-Darling Normality Test
A-Squared 14.69
P-Value < 0.005
Obviamente se rechaza la Mean

StDev
2473.2
3225.6
hipótesis de normalidad: Variance

Skewness
Kurtosis
10404234.4
2.68188
8.95936
0 3000 6000 9000 12000 15000 18000
N 169
p-value << a Minimum
1st Quartile
118.0
440.0
Median 1130.0
95% Confidence Intervals 3rd Quartile 3562.0
Mean Maximum 19342.0
Median 95% Confidence Interval for Mean
1000 1500 2000 2500 3000
1983.4 2963.0
Probability Plot of Cu ppm

Lognormal - 95% CI
99.9
99 Los logs de los valores de Cu trazados

95
90
80 en un gráfico de acumulación ploteado
Percent
70
60
50
40
30
20
Loc
Scale
N
7.115
1.219
169
en un gráfico probabilístico se ajustan a
10
5
1
AD 1.159
P-Value <0.005 una recta.
0.1
10 100 1000 10000 100000
Cu ppm
11
21
COMPROBACION GRAFICA DEL

EFECTO PROPORCIONAL
1500
1250
Ley media del oro (ppb)
1000
750
500
250
0
0 250 500 750 1000 1250 1500 1750 2000 2250 2500
Desviación estándar
22
EJEMPLO DE DISTRIBUCIONES LOG-

NORMALES CON EFECTO PROPORCIONAL:
CASO DEL CU
Histograma Cu DDH 107
37
Frequency
28
19
9
0
139 3213 6286 9360 12433
Cuppm
12
23
EJEMPLO DE DISTRIBUCIONES LOG-
NORMALES CON EFECTO PROPORCIONAL:
CASO DEL CU
GRAFICO MEDIA VS DESVIACION

6000
ESTANDAR CUT
Histograma Cu DDH 107
5000
Desv. estándar
4000 37
Frequency
28
3000
19
2000 9
0
1000 139 3213 6286 9360 12433
0 Cuppm
0 2000 4000 6000

Media
24
EJEMPLO DE DISTRIBUCIONES
LOG-NORMALES CON EFECTO
PROPORCIONAL: CASO DEL MO
Histograma Mo ppm DDH 108
44
Frequency
33
22
11
0
80 224 369 513 657
Mo ppm
13
25
EJEMPLO DE DISTRIBUCIONES
LOG-NORMALES CON EFECTO
PROPORCIONAL: CASO DEL MO
Gráfico Media vs Desv. Estándar Mo

300 Histograma Mo ppm DDH 108
250
Desv. estándar
44
200
Frequency
33
150 22
100 11
0
50 80 224 369 513 657
0 Mo ppm
0 100 200 300

Media
26
COMO SE REFLEJA EL EFECTO

PROPORCIONAL EN LOS VARIOGRAMAS
γ 2500000
A67
2000000 A86
A22
1500000 A129
1000000
500000
0
20
35
50
60
75
90
105
120
130
145
160
175
6
Paso (h)
Tomado de Canchaya (2004)

14
27
DISCUSION
En la bibliografía 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; así 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 dígitos
significativos nuevamente deberán ser multiplicados por el cuadrado de la
respectiva media.
David (1977; pág. 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 depósito.
Además esta forma de trabajo es cuestionable, ya que cuando se trata de
comprobar localmente los valores que reproducen el “modelo variográfico
relativo”, se encuentra valores erróneos.
28
VARIOGRAMAS RELATIVOS EN
DISTRIBUCIONES CON EFECTO
PROPORCIONAL
γ
1.60
1.40
A67
1.20
1.00 A86
0.80 A22
0.60 A129
0.40
0.20
0.00
Paso (h)
15
29
RECOMENDACIONES
Lo más 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 también es frecuente el efecto

proporcional, es recomendable comparar sub-dominios por niveles o
subniveles.
Hay que estar atento a la ocurrencia del efecto proporcional aún en

otros tipos de variables, por ejemplo Cu y Mo en yacimientos
porfiríticos.
30
REFERENCIAS BIBLIOGRAFICAS
Canchaya S. (2004) Log-normalidad y efecto proporcional.
Características
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.
16
31
CORRELACION ENTRE DOS VARIABLES

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

La correlación entre dos variables puede ser definida como la
fuerza de asociación entre dos variables; la misma que es
cuantificada por el Coeficiente de Correlación “r”:
n
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 estándar
de x y y respectivamente
r ∈[−1, +1]
También 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 relación
lineal.
17
33
EJEMPLOS DE NUBES DE CORRELACION
x r ∈ [−1, + 1]
x
r = 0.94 r = 0.54
y y
x x
r = - 0.94
r = 0.09
y y
34
EJEMPLO DE USO DE LA CORRELACION

LINEAL: COMPROBACION GRAFICA DEL
EFECTO PROPORCIONAL
1500
1250
Ley media del oro (ppb)
1000
750
500
250
0
0 250 500 750 1000 1250 1500 1750 2000 2250 2500
Desviación estándar
18
35
EJEMPLO DE NUBES DE CORRELACION

ENTRE FILOSILICATOS
Scatterplot of kao vs prf
8
6
prf = -0.022 + 0.506 kao
5
kao
4 r = 0.61
3
1
0 1 2 3 4
prf
36
RESIDUALES EN LA REGRESION LINEAL
Y
y=b+mx
residual 6
residual 1
19
37
ANALISIS DE “RESIDUALES”
Residual Plots for prf

Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
99.9
99 1
90
Residual
Percent
0
50
10 -1
1
0.1 -2
-2 -1 0 1 1 2 3 4
Residual Fitted Value
Histogram of the Residuals Residuals Versus the Order of the Data

80
1
60
Frequency
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
38
FILOSILICATOS EN CHANCADORA
TERCIARIA
Nube de correlación prf vs mmt
2.50
Nubes de correlación 2.00
Pirofilita
con regresión lineal 1.50

1.00
0.50
0.00
0.00 1.00 2.00 3.00 4.00
Nube de correlación kao vs. prf
y = -0.646x + 2.687
r² = 0.769 Montmorillonita
4.00
r = 0.88
3.50
3.00
y = m x + b
3.32 2.50
2.00
Caolinita
1.50 kao = 1.612 (prf) + 0.5

1.00
0.50 kao = 1.612 (1.75) + 0.5
0.00
0.00 0.50 1.00 1.50 2.00 2.50
y = 1.612x + 0.5
kao = 3.32
r² = 0.918
Pirofilita
r = 0.96 1.75
20
39
TRATAMIENTO DE VALORES
ERRATICOS
40
DEFINICION DE VALORES ALTOS

ERRATICOS
La ocurrencia aislada de
valores altos merece atención y
un tratamiento especial.
Lo más crítico es definir si se

trata de valores altos
ERRATICOS.
Estos valores son fácilmente

identificables en los
histogramas y gráficos de Por lo general representan menos del 5% del total de la
frecuencia acumulada. población, y por ende del tonelaje; sin embargo, debido
a su alto valor, aportan sensiblemente en el valor
Estos casos son especialmente metálico global, en proporciones entre 20 y 40%.
frecuentes en los yacimientos
de baja ley y/o de minerales Por lo tanto, influyen y juegan un rol crucial en la
preciosos. economía del yacimiento.
21
41
Summary for Cu_ppm
A -S quared 41.60
P -V alue < 0.005
M ean 44.132
Con todos los datos S tD ev

V ariance
46.065
2122.025
S kew ness 4.6149
IDENTIFICACION DE VALORES Kurtosis

N
42.6063
724
ALTOSERRATICOS M inimum
1st Q uartile
M edian
3.000
15.200
31.450
0 100 200 300 400 500 600 M aximum 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
A -Squared 27.43
Eliminando los altos erráticos: P -V alue < 0.005
> 200 ppm Cu M ean

S tDev
41.560
34.626 EN AMBOS CASOS SE RECHAZA LA
V ariance 1198.994
S kew ness
Kurtosis
1.45774
2.12815 HIPÓTESIS DE NORMALIDAD
N 718
M inimum
1st Q uartile
3.000
15.175
PORQUE: P < @
M edian 31.200
0 30 60 90 120 150 180
M aximum 187.000
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
42
DIAGRAMAS DE CAJA PARA
VISUALIZAR VALORES ERRATICOS
FILOSILICATOS COMPOSITOS DIARIOS CHANCADORA TERCIARIA
9 *9.03
8
*7.18
7 *6.94
6
*5.52
*5.23
5
Data
*5.17
*4.15
4 *4
*3.12
3 *2.94
2
1
0 *0.12
prf mmt kao
22
43
MONITOREO DE LA DATA PARA DEFINIR

VERDADEROS ALTOS ERRATICOS
Día kao Estadísticos de kao:

x = 2.88
27 2.84 s = 1.18
28 3.39
29 3.54
30 3.58
31 2.67
32 9.03
33 2.77
34 2.27
35 2.63
36 3.43
37 3.54
44

Día kao Estadísticos de kao:

Día kao
27 2.84 x = 2.88 27 2.84
28 3.39 s = 1.18 28 3.39
29 3.54 29 3.54
30 3.58 30 3.58
31 2.67 ALTO “ERRATICO” 31 2.67
32 9.03 32 5.24
33 2.77 x + 2s = 2.88 + 2.36
33 2.77
34 2.27
34 2.27
35 2.63
36 3.43 35 2.63
37 3.54 36 3.43
37 3.54
23
45

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

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

CON Y SIN ALTOS ERRATICOS
7 r = 0.54
6
prf = 0.134 + 0.452 kao 5
kao
4
1
8 0
0 1 2 3 4 5
prf
7
6 r = 0.61
5
kao
3 prf = -0.022 + 0.506 kao

2
1
0 1 2 3 4
prf
48
COMPARACION DE “RESIDUALES” DE LA
DATA CON Y SIN ALTOS ERRATICOS
Residual Plots for prf Residual Plots for prf
Normal Probabilit y Plot of the Residuals Residuals Versus t he Fitted Values Normal Probability Plot of the Residuals Residuals Versus t he Fitted Values
99.9 99.9
3.0
99 1 99
90 90 1.5
Residual
Percent
Residual
Percent
0
50 50 0.0
10 -1 10
-1.5
1 1
-2 0.1 -3.0
0.1
-2 -1 0 1 1 2 3 4 -3.0 -1.5 0.0 1.5 3.0 1 2 3 4
Residual Fitted Value Residual Fitted Value
Histogram of the Residuals Residuals Versus t he Order of t he Data Histogram of the Residuals Residuals Versus the Order of the Data
80 100 3.0
1
75 1.5
Frequency
60
Frequency
Residual
Residual
0
40 50 0.0
-1 25 -1.5
20
-2 0 -3.0
0
-1.5 -1.0 -0.5 0.0 0.5 1.0 1 1 0 2 0 30 -2 -1 0 1 2 3 1 1 0 2 0 30 40 50 6 0 70 80 90 00 1 0 2 0 30 40
40 5 0 60 7 0 80 90 10 0 11 0 1 2 0 1 30 1 40 1 1 1 1 1
Residual Residual
Observation Order Observation Order
25
49
EFECTO DE ALTOS ERRATICOS EN EL

COEFICIENTE DE REGRESION LINEAL
Nube de correlación prf vs mmt
Mayo
3.50
3.00
2.50
2.00
prf
1.50
y = 0.069x + 1.204
1.00 r² = 0.182
0.50 r = 0.427
0.00
0.00 5.00 10.00 15.00 20.00
mmt
50

Nube de Correlación prf vs mmt prf vs mmt Sin Altos Erráticos
Mayo Mayo
3.50
2.50
3.00
2.50 2.00
prf
2.00 1.50
1.50
1.00
1.00 y = 0.069x + 1.204 y = -0.646x + 2.687
r² = 0.769
r² = 0.182 0.50
0.50 r = 0.877
r = 0.427
0.00 0.00
0.00 5.00 10.00 15.00 20.00 0.00 1.00 2.00 3.00 4.00
mmt mmt
26
51

Nube de Correlación mmt vs prf
Junio
2.50
2.00
1.50
prf
1.00 y = 0.073x + 1.013

r² = 0.716
0.50 r = 0.846
0.00
0.00 5.00 10.00 15.00 20.00
mmt
52

Nube de Correlación mmt vs prf mmt vs. prf Sin Altos Erráticos
Junio Junio
2.50 1.60
1.40
2.00
1.20
1.50 1.00
prf
prf
0.80
1.00 y = 0.073x + 1.013 y = -0.017x + 1.199
0.60 r² = 0.006
r² = 0.716
r = 0.846 0.40 r = 0.077
0.50
0.20
0.00 0.00
0.00 5.00 10.00 15.00 20.00 0.00 1.00 2.00 3.00 4.00
mmt mmt
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
• “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 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).
28
55
VALORES ERRATICOS EN “CONTROL

CHARTS”
Control Chart of kao (%)

Caracterizac. estadística kao (%)
1 Anderson-Darling Normality Test
9
A-Squared 5.43
1
8 P-Value < 0.005
1
7 Mean 2.8756
StDev 1.1795
Individual Value
6 1 1
1 1 1 1 Variance 1.3913
5 Skewness 2.12283
UCL=4.730
Kurtosis 7.40478
4 1.5 3.0 4.5 6.0 7.5 9.0
N 144
_
3 X=2.876 Minimum 1.0700
2 1st Quartile 2.2550
Median 2.6500
1 LCL=1.021 95% Confidence Intervals
3rd Quartile 3.2450
Mean
0 Maximum 9.0300
Median
1 15 29 43 57 71 85 99 113 127 141 95% Confidence Interval for Mean
2.6 2.7 2.8 2.9 3.0 3.1
Observation % kao
2.6813 3.0699
56

CHARTS”
Típico Alto Errático

9
1
A-Squared 5.43
8 P-Value < 0.005
1
7 Mean 2.8756
StDev 1.1795
Individual Value
6 1 1
1 1 1 1 Variance 1.3913
5 Skewness 2.12283
UCL=4.730
Kurtosis 7.40478
4 1.5 3.0 4.5 6.0 7.5 9.0
N 144
_
3 X=2.876 Minimum 1.0700
Median 2.6500
3rd Quartile 3.2450
Mean
0 Maximum 9.0300
Median
2.6 2.7 2.8 2.9 3.0 3.1
Observation % kao
2.6813 3.0699
29
57

CHARTS”
x s x+s
2.876 1.18 4.055

9
A-Squared 5.43
1
8 P-Value < 0.005
1
7 Mean 2.8756
StDev 1.1795
Individual Value
6 1 1
1 1 1 1 Variance 1.3913
5 Skewness 2.12283
UCL=4.730
Kurtosis 7.40478
4 1.5 3.0 4.5 6.0 7.5 9.0
N 144
_
3 X=2.876 Minimum 1.0700
Median 2.6500
3rd Quartile 3.2450
Mean
0 Maximum 9.0300
Median
2.6 2.7 2.8 2.9 3.0 3.1
Observation 4.055 % kao
2.6813 3.0699
58
CHARTS”
x s x+s x+2s
2.876 1.18 4.055 5.235

Anderson-Darling Normality Test
1
9 A-Squared 5.43
1 P-Value < 0.005
8
1
7 Mean 2.8756
StDev 1.1795
Individual Value
6 1 1 Variance 1.3913
1 1 1 1
5 Skewness 2.12283
UCL=4.730 Kurtosis 7.40478
4 1.5 3.0 4.5 6.0 7.5 9.0
N 144
_
3 X=2.876 Minimum 1.0700
Median 2.6500
3rd Quartile 3.2450
Mean
0 Maximum 9.0300
Median
Observation 5.235 2.6 2.7 2.8
% kao
2.9 3.0 3.1
2.6813 3.0699
4.055
30
59
CHARTS”
x s x+s x+2s x+3s
2.876 1.18 4.055 5.235 6.414

9
A-Squared 5.43
1
8 P-Value < 0.005
1
7 Mean 2.8756
StDev 1.1795
Individual Value
6 1 1
1 1 1 1 Variance 1.3913
5 Skewness 2.12283
UCL=4.730
6.414 Kurtosis 7.40478
4 1.5 3.0 4.5 6.0 7.5 9.0
N 144
_
3 X=2.876 5.235 Minimum 1.0700
1 LCL=1.021
4.055 Median 2.6500
95% Confidence Intervals
3rd Quartile 3.2450
Mean
0 Maximum 9.0300
Median
2.6 2.7 2.8 2.9 3.0 3.1
Observation % kao
2.6813 3.0699
60

CHARTS”
x s x+s x+2s x+3s
Típico Alto Errático 2.876 1.18 4.055 5.235 6.414
Control Chart of kao (%) Caracterizac. estadística kao (%)

9
1
A-Squared 5.43
8 P-Value < 0.005
1
7 Mean 2.8756
StDev 1.1795
Individual Value
6 1 1
1 1 1 1 Variance 1.3913
5 Skewness 2.12283
UCL=4.730
4
6.414 1.5 3.0 4.5 6.0 7.5 9.0
Kurtosis 7.40478
N 144
_
3 X=2.876 5.235 Minimum 1.0700
4.055 Median 2.6500
3rd Quartile 3.2450
Mean
0 Maximum 9.0300
Median
2.6 2.7 2.8 2.9 3.0 3.1
Observation % kao
2.6813 3.0699
ALTERNATIVAS MAS USADAS:

Eliminar el alto errático.
Reemplazarlo por la media más 1s, o 2s o 3s.
Reducción por la regla del tercio menos tercio.
31
61

ERRATICOS
• “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 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)
CORRECCION LOGNORMAL O DE SICHEL (1952).- Se reemplaza el alto errático por

el exponencial de la media de los logaritmos de los valores adyacentes multiplicados por
un factor de corrección que se obtiene en las tablas de Sichel, el cual es una función del
log de la varianza y del número de muestras; ver también DAVID (1982).
(Ejemplo en las diapositivas sub-siguientes).
62
EJEMPLO DE CORRECCION LOG-

NORMAL O DE SICHEL
Au
Prof. m Alto errático: 35.3
g/t
321.29 1.02
325.18 2.40
327.89 1.54
329.90 1.00
331.35 1.50
333.15 35.3
335.12 2.70
337.66 4.30
339.26 1.05
341.18 1.47
343.29 1.08
32
63

NORMAL O DE SICHEL
Au
Prof. m
g/t
321.29 1.02
Alto errático: 35.3
325.18 2.40 Selección de dos valores contiguos
327.89 1.54 a ambos lados n = 5
329.90 1.00 Media aritmética = 8.96
331.35 1.50
333.15 35.3
335.12 2.70
337.66 4.30
339.26 1.05
341.18 1.47
343.29 1.08
64

NORMAL O DE SICHEL
Au
Prof. m Log Au
g/t
321.29 1.02 Alto errático: 35.3
327.89 1.54 a ambos lados n = 5
329.90 1.00 0.00 Media aritmética = 8.96
331.35 1.50 0.41 Cálculo del log de los valores
333.15 35.3 3.56
335.12 2.70 0.99
337.66 4.30 1.46
339.26 1.05
341.18 1.47
343.29 1.08
33
65

NORMAL O DE SICHEL
Au
Prof. m log Au
g/t Alto errático: 35.3
325.18 2.40 a ambos lados n = 5
329.90 1.00 0.00 Cálculo del log de los n valores
331.35 1.50 0.18 Media de los logs = 0.56
333.15 35.3 1.55 e media logs = 3.63
335.12 2.70 0.43 Log de la varianza = 2.34
337.66 4.30 0.63
339.26 1.05
341.18 1.47
343.29 1.08
media 8.96 0.56
var. 218.4 2.34
66
TABLA PARA LA ESTIMACION DEL FACTOR DE
SICHEL (FCS)
n
V
2.34 2.727
2,124 2,177 2,214 2,243 2,265

2,201 2,260 2,303 2,336 2,361
2,280 2,347 2,395 2,431 2,460
2,360 2,435 2,489 2,530 2,563

2,442 2,526 2,586 2,632 2,669
2,526 2,618 2,686 2,737 2,778
2,612 2,714 2,788 2,846 2,891
2,699 2,812 2,894 2,957 3,008
2,789 2,912 3,003 3,073 3,128

2,880 3,015 3,114 3,191 3,253
2,973 3,120 3,229 3,314 3,382
3,068 3,228 3,347 3,440 3,514
34
67

NORMAL O DE SICHEL
Au
Prof. m Log Au Au g/t Alto errático: 35.3
g/t
325.18 2.40 a ambos lados n = 5
329.90 1.00 0.00 Cálculo del log de los n valores
Media de los logs = 0.56
331.35 1.50 0.18
e media logs = 3.63
333.15 35.3 1.55 9.899
Log de la varianza = 2.34
335.12 2.70 0.43
Factor de corrección (fcS)
337.66 4.30 0.63
de la tabla de Sichel = 2.727
339.26 1.05
Media de Sichel = fcS * e media logs = 9.899
341.18 1.47
343.29 1.08
media 8.96 0.56

var. 218.4 2.34
68

NORMAL O DE SICHEL
Au
Prof. m Log Au Au g/t Alto errático: 35.3
g/t
321.29 1.02 1.02 Selección de dos valores contiguos
325.18 2.40 2.40 a ambos lados n = 5
327.89 1.54 1.54 Media aritmética = 8.96
329.90 1.00 0.00 1.00 Cálculo del log de los n valores
331.35 1.50 0.18 1.50 Media de los logs = 0.56
333.15 35.3 1.55 9.90 e media logs = 3.63
335.12 2.70 0.43 2.70 Log de la varianza = 2.34
337.66 4.30 0.63 4.30 Factor de corrección (fcS)
339.26 1.05 1.05 de la tabla de Sichel = 2.727
341.18 1.47 1.47 Media de Sichel = fcS * e media logs = 9.899
343.29 1.08 1.08
media 8.96 0.56
var. 218.4 2.34
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: 106-
122; 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
36
71
INTRODUCCION:
El uso de Secciones y Planos de Curvas

Isovalóricas 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 método SCI es una poderosa
herramienta, cuando es correctamente
aplicado
72
…INTRODUCCION:
Principales causas de los desaciertos en su uso :

El uso indiscriminado del método, sin la
caracterización estadística previa de las
variables.
El empleo de variable no aditivas
El uso de técnicas empíricas de interpolación
No considerar la heterogeneidad geológica
de la zona de estudio, ni la natural anisotropía
de la distribución de las variables.
Falta de soporte geológico y mineralógico lo
suficientemente detallado de la zona de
estudio.
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, área o zona,
seleccionada o independizada de las
contiguos, para efectos de estudio.
Ejemplos: Zona de mineral primario,
zona de endoskarn, zona de alteración
argílica avanzada, volumen que
engloba las leyes mayores a 5 g/t Au,
etc.
74
…DEFINICIONES PRELIMINARES:
Variable aditiva.- Toda variable que tiene un sentido físico

intrínseco o que está ponderada con algún soporte físico.
Ejemplos: Densidad, potencia de una veta, ley ponderada por la
potencia (“acumulación”), o por la longitud del tramo muestreado.
Muestra: Parte o porción representativa de un población 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 condición de equiprobabilidad sólo se
obtiene un especímen.
38
75
TIPOS DE CURVAS
ISOVALORICAS (CI):
C. I. de variables cuantitativas:
• C. I. de leyes.
• C. I. de acumulac. o contenido metálico.
• C. I. de potencias.
• C. I. de valores en US$.
• C. I. de cociente metálicos.
• C. I. de contornos estructurales.
• C. I. especiales.
C. I. de variables semi-cuantitativas:
Cualquier plano o sección
• C. I. mineralógicas.
que muestre puntos o zonas
• C. I. litológicas.
isovalóricas unidos por
• C. I. de alteraciones.
curvas continuas constituye
• C. I. de densidades.
un plano o sección de curvas
• C. I. de densidad de fracturamiento.
isovalóricas.
• C. I. especiales.
76
PREPARACION DE UNA SECCION O
PLANO DE CURVAS ISOVALORICAS
Teniendo la data convenientemente tabulada,
con sus coordenadas y valores; es fácil plotear Este Cota Au As
m. m. ppm ppm
todos los puntos en un plano o sección 2D
276980 4520 762 345
Al costado de cada punto ploteado se puede
276682 4454 1377 564
anotar el valor respectivo
276695 4788 4938 11000
Generalmente entre punto y punto muestreado
hay vacíos sin valores. 276710 4775 1517 13543
Justamente las técnicas de INTERPOLACION 276720 4722 4798 12000
sirven para llenar estos espacios vacíos. 276720 4740 4655 9998
Finalmente se unen los isovalores por líneas 279002 4794 449 589
más o menos continuas. 279000 4595 98 715
x
279068 4562 1921 2334
279020 4510 822 341
x
x x
x
x xx
x
x
x W
E x x x
x x x x 4700
x x x
x x x x x x x x
4600
x x
x x x
x x
xx 4500
276
277

Caracterizacion Geoestadistica

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Caracterizacion Geoestadistica

Încărcat de

Drepturi de autor:

Formate disponibile

1

MSc. Samuel Canchaya Moya

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

Se entiende por CARACTERIZACION ESTADISTICA (CE), la

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

Kurtosis.- Es el grado de “espigamiento” de una distribución. n 124

Leptocúrtica si es muy apuntada; Planocúrtica si es muy

Mediana Desviación estándar

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

Histogramas Curvas de acumulac. de frecuencias

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

PRESENTACION SUMARIA DE ESTADISTICOS:

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

38.8 38.9 39.0 39.1 39.2

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

Summary for Cu gpl

38.8 38.9 39.0 39.1 39.2

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

Probability Plot of Cu gpl

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

P [-2σ < ε < +2σ] = 0.95

donde: e es error y s2 su varianza

Dicho de otra manera: -1

e = +/- 3s intervalo de confianza de A medida que aumenta la confianza el error aumenta;

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

EL CONCEPTO DE SIX SIGMA

Si fuéramos menos exigentes; v.gr. sólo 99.9%; esto significaría

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

Exactitud: Cuando la media es insesgada

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

Exactitud: Cuando la media es insesgada

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

TIPICA DISTRIBUCION LOG-NORMAL DEL AU

0 250.000 600.000 750.000 000.000 250.000 500.000 750.000 200.000

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

Obviamente se rechaza la Mean

hipótesis de normalidad: Variance

Probability Plot of Cu ppm

99 Los logs de los valores de Cu trazados

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

COMPROBACION GRAFICA DEL

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

EJEMPLO DE DISTRIBUCIONES LOG-

GRAFICO MEDIA VS DESVIACION

0 2000 4000 6000

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

Gráfico Media vs Desv. Estándar Mo

0 100 200 300

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

COMO SE REFLEJA EL EFECTO

Tomado de Canchaya (2004)

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

En el caso de oro en vetas, donde también es frecuente el efecto

Hay que estar atento a la ocurrencia del efecto proporcional aún en

MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade

David, M. (1977) Geostatistical Ore Reserve Estimation.- Elsevier