Está en la página 1de 38

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 - scanchaya@expo.intercade.org - 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.

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

CARACTERIZACION
ESTADISTICA

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

INTERCADE
CONSULTANCY & TRAINING

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.

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

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

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

INTERCADE
CONSULTANCY & TRAINING

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

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

HISTOGRAMAS TIPICOS Y SUS


CURVAS DE ACUMULACION DE
FRECUENCIAS (CAF)

Histogramas

Curvas de acumulac. de frecuencias

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

INTERCADE
CONSULTANCY & TRAINING

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

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

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

6
11

EJEMPLO DE DISTRIBUCION
NORMAL
Summary for Cu gpl
A nderson-D arling N ormality Test

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

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
38.8

38.9

39.0

39.1

39.2

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

12

VERIFICACION DE LA NORMALIDAD
DE LA DISTRIBUCION
p >  Distribuc. normal
Summary for Cu gpl
A nderson-D arling N ormality Test

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

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
38.8

38.9

39.0

39.1

39.2

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

INTERCADE
CONSULTANCY & TRAINING

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

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

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 .

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

INTERCADE
CONSULTANCY & TRAINING

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

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

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

INTERCADE
CONSULTANCY & TRAINING

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

18

DISTRIBUCIONES LOG-NORMALES
Y EL EFECTO PROPORCIONAL

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

INTERCADE
CONSULTANCY & TRAINING

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

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

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

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

INTERCADE
CONSULTANCY & TRAINING

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

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

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

INTERCADE
CONSULTANCY & TRAINING

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

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

INTERCADE
CONSULTANCY & TRAINING

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

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

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)


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

INTERCADE
CONSULTANCY & TRAINING

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

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)

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

INTERCADE
CONSULTANCY & TRAINING

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.

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

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.

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

16
31

CORRELACION ENTRE DOS VARIABLES


Y ANALISIS DE REGRESION LINEAL Y
SUS APLICACIONES

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

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

INTERCADE
CONSULTANCY & TRAINING

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

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

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

INTERCADE
CONSULTANCY & TRAINING

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

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

36

RESIDUALES EN LA REGRESION LINEAL


Y
y=b+mx

residual 6
residual 1

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

INTERCADE
CONSULTANCY & TRAINING

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

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

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

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

20
39

TRATAMIENTO DE VALORES
ERRATICOS

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

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.

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

21
41
Summary for Cu_ppm
A nderson-D arling N ormality Test

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

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

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 < @

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
30.0

32.5

35.0

37.5

40.0

42.5

45.0

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

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

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

INTERCADE
CONSULTANCY & TRAINING

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

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

44

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

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

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

23
45

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

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

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

46

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

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

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

24
47

COMPARACION DE NUBES DE CORRELACION


CON Y SIN ALTOS ERRATICOS
Scatterplot of kao vs prf
9
8

r = 0.54

7
6
5

kao

prf = 0.134 + 0.452 kao

4
3
2
1

Scatterplot of kao vs prf

prf

r = 0.61

kao

5
4

prf = -0.022 + 0.506 kao

3
2
1
0

2
prf

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

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

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

Histogram of the Residuals

-3.0

0.1

2
Fitted Value

-3.0

-1.5

0.0
Residual

1.5

3.0

Histogram of the Residuals

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

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

INTERCADE
CONSULTANCY & TRAINING

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

50

EFECTO DE ALTOS ERRATICOS EN EL


COEFICIENTE DE REGRESION LINEAL
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

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

26
51

EFECTO DE ALTOS ERRATICOS EN EL


COEFICIENTE DE REGRESION LINEAL
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

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

52

EFECTO DE ALTOS ERRATICOS EN EL


COEFICIENTE DE REGRESION LINEAL
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

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

INTERCADE
CONSULTANCY & TRAINING

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

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

54

TRATAMIENTO DE VALORES ALTOS


ERRATICOS
 CORTES (CUTTINGS) EMPIRICOS. Cut off alto fijo.- V. gr. todos los outliers se reducen a 1
oz/t Au.
Cut off alto variable: regla del 1/3 1/3.- V. gr. 1.5 oz/t
Au se reduce a:
0.33 + 0.33*(1.5 - 0.33) = 0.72 oz/t Au
 CORTES ESTADISTICOS. Utilizando
grficos probabilsticos
de frecuencia
acumulada, donde los altos errticos se discriminan
fcilmente, para luego ser reducidos a un valor
determinado.
Usando Control charts (ver diapositivas siguientes).

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

28
55

VALORES ERRATICOS EN CONTROL


CHARTS
Caracterizac. estadstica kao (%)

Control Chart of kao (%)

Anderson-Darling Normality Test

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

95% Confidence Intervals


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

95% Confidence Interval for Mean


2.6813

3.0699

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

56

VALORES ERRATICOS EN CONTROL


CHARTS
Tpico Alto Errtico
Caracterizac. estadstica kao (%)

Control Chart of kao (%)

Anderson-Darling Normality Test

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

95% Confidence Intervals


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

95% Confidence Interval for Mean


2.6813

3.0699

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

29
57

VALORES ERRATICOS EN CONTROL


CHARTS
x
2.876

s
1.18

x+s
4.055

Tpico Alto Errtico


Caracterizac. estadstica kao (%)

Control Chart of kao (%)

Anderson-Darling Normality Test

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

95% Confidence Intervals


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

95% Confidence Interval for Mean


2.6813

3.0699

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

58

VALORES ERRATICOS EN CONTROL


CHARTS
x
2.876

Tpico Alto Errtico

s
1.18

x+s
4.055

x+2s
5.235

Caracterizac. estadstica kao (%)


Control Chart of kao (%)

Anderson-Darling Normality Test

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

95% Confidence Intervals


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

95% Confidence Interval for Mean


2.6813

3.0699

4.055

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

30
59

VALORES ERRATICOS EN CONTROL


CHARTS
x
2.876

s
1.18

x+s
4.055

x+2s
5.235

x+3s
6.414

Tpico Alto Errtico


Caracterizac. estadstica kao (%)

Control Chart of kao (%)

Anderson-Darling Normality Test

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

95% Confidence Intervals


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

95% Confidence Interval for Mean


2.6813

3.0699

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

60

VALORES ERRATICOS EN CONTROL


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
95% Confidence Intervals
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

Anderson-Darling Normality Test


1

x+2s
5.235

Caracterizac. estadstica kao (%)

Control Chart of kao (%)


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

95% Confidence Interval for Mean


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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

31
61

TRATAMIENTO DE VALORES ALTOS


ERRATICOS
 CORTES (CUTTINGS) EMPIRICOS. Cut off alto fijo.- V. gr. todos los outliers se reducen a 1 oz/t Au
Cut off alto variable: regla del 1/3 1/3.- V. gr. 1.5 oz/t Au se reduce a:
0.33 + 0.33*(1.5 - 0.33) = 0.72 oz/t Au
 CORTES ESTADISTICOS.- Utilizando grficos probabilsticos de 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).

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

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

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

32
63

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


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

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

64

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

Log Au

0.00
0.41
3.56
0.99
1.46

 Alto errtico: 35.3


 Seleccin de dos valores contiguos
a ambos lados n = 5
 Media aritmtica = 8.96
 Clculo del log de los valores

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

33
65

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

log Au

 Alto errtico: 35.3


 Seleccin de dos valores contiguos
a ambos lados n = 5
 Media aritmtica = 8.96
 Clculo del log de los n valores
 Media de los logs = 0.56
 e media logs = 3.63
 Log de la varianza = 2.34

0.00
0.18
1.55
0.43
0.63

media

8.96

0.56

var.

218.4

2.34

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

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

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

34
67

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

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


 Seleccin de dos valores contiguos
a ambos lados n = 5
 Media aritmtica = 8.96
 Clculo del log de los n valores
 Media de los logs = 0.56
 e media logs = 3.63
 Log de la varianza = 2.34
 Factor de correccin (fcS)
de la tabla de Sichel = 2.727
 Media de Sichel = fcS * e media logs = 9.899

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

68

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

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


 Seleccin de dos valores contiguos
a ambos lados n = 5
 Media aritmtica = 8.96
 Clculo del log de los n valores
 Media de los logs = 0.56
 e media logs = 3.63
 Log de la varianza = 2.34
 Factor de correccin (fcS)
de la tabla de Sichel = 2.727
 Media de Sichel = fcS * e media logs = 9.899

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

INTERCADE
CONSULTANCY & TRAINING

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).

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

70

PLANOS DE CURVAS ISOVALORICAS (CI)


SECCIONES LONGITUDINALES
CONTORNEADAS (SLC) Y DE COCIENTES
METALICOS.
SU APLICACION EN VETAS Y BANCOS

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

INTERCADE
CONSULTANCY & TRAINING

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

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

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.

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

INTERCADE
CONSULTANCY & TRAINING

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.

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

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.

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

INTERCADE
CONSULTANCY & TRAINING

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.

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

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

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

INTERCADE
CONSULTANCY & TRAINING

www.intercade.org

También podría gustarte