Documente Academic
Documente Profesional
Documente Cultură
CARACTERIZACION Y
CORRELACION ESTADISTICA
DE DATOS GEOLOGICOS
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.
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
3
5
CARACTERIZACION ESTADISTICA
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
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)
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
5
9
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
6
11
EJEMPLO DE DISTRIBUCION
NORMAL
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 tD ev
9 5 % C onfidence Inter vals
0.909 1.118
Mean
Median
12
VERIFICACION DE LA “NORMALIDAD”
DE LA DISTRIBUCION
p > α Distribuc. normal
Median
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
7
13
TEST DE NORMALIDAD
Buen ajuste a recta
p > α Distribuc. normal
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
8
15
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.
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
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
18
DISTRIBUCIONES LOG-NORMALES
Y EL EFECTO PROPORCIONAL
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
10
19
Mediana
882
Frequency Count
661
Altos erráticos
Media
441
220
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
99.9
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
11
21
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
37
Frequency
28
19
9
0
139 3213 6286 9360 12433
Cuppm
MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
12
23
EJEMPLO DE DISTRIBUCIONES LOG-
NORMALES CON EFECTO PROPORCIONAL:
CASO DEL CU
4000 37
Frequency
28
3000
19
2000 9
0
1000 139 3213 6286 9360 12433
0 Cuppm
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
13
25
EJEMPLO DE DISTRIBUCIONES
LOG-NORMALES CON EFECTO
PROPORCIONAL: CASO DEL MO
250
Desv. estándar
44
200
Frequency
33
150 22
100 11
0
50 80 224 369 513 657
0 Mo ppm
26
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)
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
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)
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
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.
30
REFERENCIAS BIBLIOGRAFICAS
Canchaya S. (2004) Log-normalidad y efecto proporcional.
Características
frecuentes en los yacimientos de oro.- XII Congr. Peruano Geol.; 4p.
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
16
31
32
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.
MSc. Samuel Canchaya Moya - scanchaya@expo.intercade.org - Consultor Intercade
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
17
33
x r ∈ [−1, + 1]
x
r = 0.94 r = 0.54
y y
x x
r = - 0.94
r = 0.09
y y
34
1250
Ley media del oro (ppb)
1000
750
500
250
0
0 250 500 750 1000 1250 1500 1750 2000 2250 2500
Desviación estándar
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
18
35
6
prf = -0.022 + 0.506 kao
5
kao
4 r = 0.61
3
1
0 1 2 3 4
prf
36
Y
y=b+mx
residual 6
residual 1
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
19
37
ANALISIS DE “RESIDUALES”
Residual
Percent
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
38
FILOSILICATOS EN CHANCADORA
TERCIARIA
Nube de correlación prf vs mmt
2.50
Nubes de correlación 2.00
Pirofilita
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
20
39
TRATAMIENTO DE VALORES
ERRATICOS
40
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
21
41
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
ALTOSERRATICOS M inimum
1st Q uartile
M edian
3.000
15.200
31.450
3rd Q uartile 57.625
0 100 200 300 400 500 600 M aximum 632.000
95% C onfidence Interv al for Mean
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
M inimum
1st Q uartile
3.000
15.175
PORQUE: P < @
M edian 31.200
3rd Q uartile 56.825
0 30 60 90 120 150 180
M aximum 187.000
95% C onfidence Interv al for M ean
39.023 44.097
95% C onfidence Interv al for M edian
29.000 33.675
95% C onfidence Interv al for S tDev
9 5 % Confidence Inter vals
32.923 36.517
Mean
Median
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
22
43
44
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
23
45
46
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
24
47
7 r = 0.54
6
kao
4
1
Scatterplot of kao vs prf
8 0
0 1 2 3 4 5
prf
7
6 r = 0.61
5
kao
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
25
49
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
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
26
51
2.00
1.50
prf
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
27
53
54
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).
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
28
55
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
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
29
57
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 4.055 % kao
2.6813 3.0699
58
VALORES ERRATICOS EN “CONTROL
CHARTS”
x s x+s x+2s
2.876 1.18 4.055 5.235
Típico Alto Errático
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
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
Observation 5.235 2.6 2.7 2.8
% kao
2.9 3.0 3.1
2.6813 3.0699
4.055
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
30
59
VALORES ERRATICOS EN “CONTROL
CHARTS”
x s x+s x+2s x+3s
2.876 1.18 4.055 5.235 6.414
Típico Alto Errático
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
2 1st Quartile 2.2550
1 LCL=1.021
4.055 Median 2.6500
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
60
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
2 1st Quartile 2.2550
4.055 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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
31
61
62
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
32
63
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
33
65
66
TABLA PARA LA ESTIMACION DEL FACTOR DE
SICHEL (FCS)
n
V
2.34 2.727
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
34
67
68
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
35
69
REFERENCIAS BIBLIOGRAFICAS
70
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
36
71
INTRODUCCION:
72
…INTRODUCCION:
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
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:
INTERCADE www.intercade.org
CONSULTANCY & TRAINING
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
INTERCADE www.intercade.org
CONSULTANCY & TRAINING