EY001 E Clase2 AED PDF

Estimación de Recursos Minerales
Curso: Estimación de Recursos Minerales

Área: Geoestadística
Preparo: Heber Hernández Guerra
Clase N° 4: AED – Desagrupamiento - Compositación –
Normalización
Heber Hernández G. - Nube Minera - 2017

Introducción
Esta clase tiene como objetivo que el estudiante se
inicie en el “Análisis exploratorio de datos” y
comprenda los conceptos de “Capping Grades”,
“Declustering” “Transformación de la distribución” y
“Compositación”, Los cuales lo ayudaran a preparar la
información de Exploración para una Estimación de
Recursos.
Desarrollo y Producción
Prospección Exploración Evaluación Cierre
Construcción (Explotación)
Posible Yacimiento Yacimiento (Mina)

Análisis Exploratorio de Datos
El análisis exploratorio de datos definido por
John W. Tukey (E.D.A.: Exploratory data
analysis) es, básicamente, el tratamiento
estadístico al que se someten las muestras
recogidas durante un proceso de investigación en
cualquier campo científico.

Conceptos básicos de estadística

Análisis Exploratorio de Datos
El análisis exploratorio de datos es un conjunto de
técnicas estadísticas cuya finalidad es conseguir un
entendimiento básico de los datos y de las
relaciones existentes entre las variables
analizadas. Para conseguir este objetivo el estudio
exploratorio proporciona métodos sistemáticos
sencillos para organizar y preparar los datos,
detectar fallos en el diseño y recogida de los
mismos, tratamiento y evaluación de datos ausentes
(missing), identificación de casos atípicos
(outliers) y comprobación de los supuestos
subyacentes en la mayor parte de las técnicas
multivariantes (normalidad, linealidad, etc.).

Medida de posición:
Cuantiles y percentiles: Valores que dividen la
población en partes de igual número de datos.
Por ejemplo, la mediana divide la población en

dos partes, los cuartiles en cuatro partes (la
mediana coincide con el segundo cuartil), los
quintiles en cinco partes y los deciles en diez
partes. Contrariamente a la media, los cuantiles
son parámetros robustos, es decir, poco
sensibles a la presencia de algunos valores muy
altos o muy bajos.

b. Medidas de dispersión
Las medidas de dispersión indican la mayor o menor
concentración de los datos con respecto a las
medidas de centralización. Nos dan una idea sobre la
homogeneidad o que tan agrupado están los datos.
• Desviación estándar: Indica cuánto tienden a

alejarse los valores puntuales de la media. Se
suele representar por una S. Una desviación
estándar grande indica que los puntos están lejos
de la media, y una desviación pequeña indica que
los datos están agrupados cerca de la media.
Desviación estándar
Valor de la Media
variable en el
punto (i)
Raiz
Nº de datos
La varianza es la esperanza del cuadrado de la desviación de dicha variable
respecto a su media.

Desviación estándar
Media
De acuerdo a estudios realizados por SME Mining Engineering Handbook se llego a la
conclusión que el coeficiente de variación es um parametro muy importante al
momento de poder interpretar la distribución de las leyes de un yacimiento y que
puede resumirse en la siguiente tabla:
CV/100

El Coeficiente de Exceso o de curtosis

Varianza

El Coeficiente de Asimetría (CS)
El coeficiente de asimetría γ, sirve para
caracterizar comportamientos tales como :

A.E.D. de la Exploración Minera
De la exploración minera, se puede obtener
información, que generalmente es ordenada de la
siguiente manera:
1. Header o Collar: Ubicación de los DDH

2. Survey: Azimut y dirección de los DDH
3. Assay: Ley del (los) elemento de interés.
4. Geology: Información litológica, mx, alt, etc.

Ej: Exploración deposito de Cu

Header + Survey

Ley CuT % Intervalo A

Información geológica

A.E.D. de la variable Cobre (Cu)
Se busca evaluar la calidad y consistencia de
las leyes de Cobre (Cu), determinar la
distribución de la variable en estudio y
detectar los valores atípicos.

Análisis estadístico de la
variable Cobre (Cu)
Ley mas repetida
Promedio
Asimetría
Numero total de muestras Ley mínima detectada
 Factor de Asimetria: 1.95 por lo cual la forma del histograma será asimétrica
positiva
 Coeficiente de Variación: Distribución Altamente sesgada con un gran rango de
leyes.
Ej: Histograma Cobre (Cu)
Asimetría positiva y
Curtosis Leptocurtica
positiva
Comportamiento Log Normal
Al aumentar la ley de Cobre,

disminuye la frecuencia.
Concentración de leyes bajas

Histograma
El histograma representa gráficamente
las frecuencias de ocurrencia en
función del valor. Consiste en dividir
el rango de los valores en intervalos
(generalmente, con el mismo ancho) y
visualizar la proporción de datos que
caben dentro de cada intervalo.
El histograma es una herramienta útil

para detectar valores atípicos
(“outliers”).
La visualización del histograma de los

datos también es un primer medio de
verificar su homogeneidad.

Ej: Grafico de probabilidades (Cu)
Una gráfica de probabilidad
es una gráfica que puede
utilizar para evaluar el
ajuste de una distribución
a sus datos, estimar
percentiles y comparar
diferentes distribuciones
de muestras.
Valores fuera de la
población

Medidas de dispersión
 Correlación Lineal: En probabilidad y estadística, la correlación
indica la fuerza y la dirección de una relación lineal y
proporcionalidad entre dos variables o 2 leyes de mineral.
Se considera que dos variables cuantitativas están correlacionadas
cuando los valores de una de ellas varían sistemáticamente con
respecto a los valores homónimos de la otra: si tenemos dos
variables (A y B) existe correlación si al aumentar los valores de
A lo hacen también los de B y viceversa. La correlación entre dos
variables no implica, por sí misma, ninguna relación de causalidad.

Diagrama de dispersión – Variables
Bidimensionales
A menudo se realizan experimentos cuyos
resultados dan lugar a un par de números o a una
serie de números.
• Ejemplo : ( X , Y ) , en que X = ley de Cu , Y
= ley de S.
Las dos medidas ( x, y) se consideran como un

par ordenado, que puede representarse como un
punto en el sistema de coordenadas
rectangulares.
casos que se podrían encontrar al estudiar
dos variables estadísticas X e
Y :

Existen herramientas para cuantificar los
comportamientos anteriores y son la Covarianza y
el Coeficiente de Correlación.

La Covarianza
valor que indica el grado de variación conjunta de dos variables aleatorias.

La Covarianza

Coeficiente de Correlación
La unidad de la covarianza es (unidad de x)*(unidad de
y), debido a lo anterior se prefiere usar una cantidad
adimencional, que es el Coeficiente de Correlación,
definido por :

Coeficiente de Correlación

Caso (a), existe una regresión lineal, Caso (b) no existe correlación entre las
variables x e y.

Others Usual Graphs
 Piechart - circular statistical graphic
(Grafico circular)
 Histogram, probability plot
 Boxplot (Diagrama de caja)
 Scattergram, regression (Diagrama de
dispersion)
 QQ plot (Gráfico cuantil – cuantil)
 Relative difference plot (Gráfico diferencia
relative)

Desagrupamiento de datos
Una técnica para mejorar la representatividad de las muestras, es
el “desagrupamiento”.
Propósito:

Desagrupamiento de datos
Histograma datos originales Histograma Desagrupado

Desagrupamiento por Celdas
Parámetros de entrada

Otras técnicas de desagrupamiento
1. Métodos Geométricos:
• método de las celdas

• método de los polígonos
2. Métodos Geoestadísticos:
• Pesos de kriging ordinario
Polígonos: Asigna el peso proporcional al

área o volumen de cada muestra.

Resumen Desagrupamiento
• Sólo aplicado para corregir la distribución
• Se ponderan las frecuencias de las muestras
• Los valores de las muestras no cambian
• Los ponderadores se calculan por celda, poligonal u otras
técnicas.

Campo y Soporte
1. Se llama campo a la zona en la cual
se estudia la variable regionalizada.
2. El soporte es el volumen de la
muestra. A menudo el soporte es un
cilindro.
3. Z(x) será entonces la ley del volumen
de muestra localizado en el punto x.
4. En el ejemplo N° 4 anterior, el
soporte de la variable regionalizada
z(x) es un cuadrado de lado 100 m.
Campo y Soporte
En general en el estudio de variables
regionalizadas no es bueno mezclar soportes
diferentes.

La Compositación iguala soportes

Compositación de Sondajes
Regularización de sondajes a intervalos de igual
medida.
“After the diamond core has been extracted it is logged by the

geologist and representative samples are sent out for assaying.
Upon receipt, the assays are added to the other collected
information. These individual assay values may represent core
lengths of a few inches up to many feet. Compositing is a technique
by which these assay data are combined to form weighted average or
composite grade representative of intervals longer than their own.”
Compositación de Sondajes
Generalmente los intervalos de
muestreo en los pozos de exploración
no coinciden con los intervalos de
trabajo en la fase de estimación de
recursos. Los intervalos de muestreo
son siempre menores pues se busca
revelar la variabilidad espacial de
las variables que se estudian. El
cálculo de los compósitos no es más
que un procedimiento mediante el cual
las muestras de los análisis se
combinan en intervalos regulares
(igual longitud), que no coincidan
con el tamaño inicial de las
muestras.

Compositos de 10 metros de longitud
Tipos de compositación
1. Compósito de Banco (bench composite): Las muestras se
regularizan a intervalos que coinciden con la altura de
los bancos o una fracción de esta. Se emplea para modelar
los recursos de yacimientos grandes, diseminados de baja
ley que se explotan con minería a cielo abierto.
2. Compósito de Pozo (downhole composite): Las muestras se
combinan a intervalos regulares comenzando desde la boca
del pozo.
3. Compósito Geológico (geological composite): Las muestras
se combinan a intervalos regulares pero respetando los
contactos geológicos entre las distintas unidades. Este
método se emplea para prevenir la dilución del compósito
en el contacto estéril mineral y donde se logra mayor
control sobre el proceso de regularización.

Ore intercept compositing
Bench height compositing
This bench compositing is the method most

often used for resource modeling in open.
Compósito de Pozo (downhole composite)

Beneficios de la compositación
1. Mejora la representatividad de la muestra.
2. Reduce la variación errática debido a valores
muy altos o muy bajos de ensayos.
3. Disminuye el numero de datos y el tiempo de
calculo.
4. Mejora la interpolación de leyes.
5. Incluye la dilución en los compositos.
Longitud del composito
En el logueo de cores generalmente se da
preferencia a los tramos que cortaron mineral,
en estos el logueo es más minucioso, y muchas
veces los geólogos optan por disminuir la
longitud de la muestra en estos tramos buscando
con ello caracterizar mejor la mineralización
económica; es decir, donde hay mineral más
muestras, donde hay roca caja (estéril) los
tramos para el muestreo son más grandes.
Esta práctica acarrea consigo un sesgo en la
información, la teoría dicta muestrear todo el
taladro a una longitud constante pues la
información debe ser insesgada; ante esta
situación de tramos diferentes se hace necesario
compositar los tramos a una misma longitud.
Tramos mas cortos de compositos generan un mayor

sesgo que tramos largos de compositos.
Determinación de la longitud
compósito
En minería a cielo abierto es práctico el
compositar los tramos de sondaje a una longitud
que sea igual a la altura o mitad del banco de
explotación; en minería subterránea se manejan
varios criterios, los más usados son:
1. La moda estadística de los datos.

2. Ancho de veta.
3. Por el método de explotación.
Compositación por la moda estadística de
los datos (Underground Mining)
El criterio mas aplicado es el de la moda

estadística de los tramos de muestreo, con el
fin de minimizar la variación entre los datos
originales y compositados.
Por ejemplo en el proyecto de Veta Atenea Se han
muestreado a 0.5 m y 1 m los tramos que cortaron
veta, a 2 m o más aquellos tramos que cortaron
roca caja con cierta evidencia mineral y no se
muestrearon aquellos tramos con zonas estériles;
por lo tanto la información esta sesgada.
Al realizar la estadística básica tanto para los tramos
que están en la veta Atenea como para los tramos de todo
el logueo, se obtiene que el valor que más se repite es
de 1 m (moda), por lo tanto esta es la longitud que se
usará para compositar los sondajes.
Ejemplo: Technical Report Caylloma Project Arequipa, Peru
Fuente: Technical report on the mineral resource estimate, Furta del Norte Project, Ecuador
Efecto en el cambio de soporte

Efecto en el cambio de soporte

Cutting Grades – Grade Capping
Fuente: MINERAL RESOURCE AND ORE RESERVE ESTIMATION - THE

AUSIMM GUIDE TO GOOD PRACTICE.
Cutting Grades – Grade Capping
Valores anómalos (outlier)
Subpoblación de leyes altas que pueden ser
consideradas como valores anómalos a la población de
muestras. Estas muestras podrían afectar de forma
negativa los cálculos de interpolación de leyes en
los bloques creando un efecto de sobreestimación de
leyes.
Se considerarán muestras anómalas todas aquellas
muestras cuya ley que sea mayor a 3 veces la
desviación estándar sumado a la ley media de la
población.
Outlier = (3* σ) + m
Ejemplo determinación de
outlier
Desv
Veta No Muestras Mínimo Máximo Promedio Varianza Coef Var
Estándar
Andrea 150 0.02 7.24 0.96 1.38 1.90 1.43

MC Antiguo 177 0.01 17.8 1.32 2.84 8.07 2.15
Montecristo 756 0.005 11.5 0.73 1.33 1.78 1.82
San Rafael 270 0.01 6.03 0.59 0.98 0.97 1.66
Santa Rosa 50 0.01 5.19 0.67 0.90 0.80 1.34
Sin Nombre 204 0.01 4.89 0.80 1.07 1.15 1.33
Jubilados 21 0.04 3.79 1.03 1.12 1.26 1.09
CUT
Abundancia 217 0.01 7.087 1.14 1.28 1.63 1.12
San Nicolas 55 0.02 6.52 1.15 1.43 2.04 1.24
Carmen 34 0.02 2.99 0.49 0.64 0.40 1.29
San Pedro 271 0.01 7.96 0.60 1.00 0.99 1.67
San Antonio 18 0.01 0.54 0.17 0.18 0.03 1.09
Límite Outlier % Población No Muestras
San Pablo 72 0.01 2.82 0.16 0.40 0.16 2.48
Mantos 11 0.02 3.68 0.61 1.05 1.10 1.73
Fierrera 0 CUT 5.09 2.00 46
Total 2,306 0.005 17.8 0.79 1.40 1.96 1.77
Fuente: Estimación de recursos Proyecto Montecristo, E Mining (Análisis estadístico básico de leyes de Cobre total).
Distribución de frecuencias

Distribución de frecuencias
Cuando existe un comportamiento Log normal,
indica una baja correlación entre los datos. Lo
cual se debe corregir realizando una
“normalización” de la variable.

El modelo log normal
Se dice que una variable (“ley en mineral”) sigue una ley log
normal, si el log neperiano de dicha variable sigue una ley normal.
Los valores experimentales de la variable (no sus logaritmos) se
distribuyen de acuerdo a una curva continua, asimétrica, cuya
expresión matemática esta dada por:
Figura. Distribución asimétrica, positivamente sesgada (hacia la derecha)

El modelo normal
El modelo normal se usa para representar una variable aleatoria continua,
caracterizada por una distribución simétrica de sus ocurrencias alrededor
de un valor central. La densidad de este modelo, que corresponde a una
curva de campana. Esta definida por:
Características C. Normal
1. Tiene una única moda, que coincide
con su media y su mediana.
2. La curva normal es asintótica al eje
de abscisas.
3. Es simétrica con respecto a su media.
Según esto, para este tipo de
variables existe una probabilidad de
un 50% de observar un dato mayor que
la media, y un 50% de observar un
dato menor.
4. Cuanto mayor sea la desviación
estándar, más se dispersarán los
datos en torno a la media y la curva
será más plana. Un valor pequeño de
este parámetro indica, por tanto, una
gran probabilidad de obtener datos
cercanos al valor medio de la
distribución.
5. El coeficiente de sesgo es igual a
cero (0.
6. La curtosis es igual a cero (0).

Motivo de la normalización
La transformación logarítmica de los valores y la de
la variabilidad relativa de estos, producen efectos
estabilizadores en la variación de los valores
originales.
Los efectos estabilizadores en la variabilidad de

una característica es un aspecto importante a
considerar en los estudios geo estadísticos, ya que
introduce cierto grado de estabilidad en los datos
de mineralización, que muchas veces se presentan en
forma errática en la naturaleza (p.e. yacimientos de
oro, uranio y otros).
The normal distribution
The variable has a continuous and symmetrical
distribution about the mean. The curve shows
areas limited and occupied by successive
standard deviations.

Curva Normal y Varianza

Intervalos de Confianza

Criterio de comprobación
El primer paso para conocer si una distribución
sigue una ley log normal es el aspecto
asimétrico del histograma, que se presenta
concentrado hacia el eje de la ordenada. Al
igual que en el caso de la ley normal, si
llevamos frecuencias acumuladas sobre el grafico
gaussiano log normal (ordenada: áreas, abscisa:
valores logarítmicos) y los puntos que se
determinan se alinean según una recta, que
postulara la log normalidad aproximada.
Parámetros de validación de Normalidad en
los datos
• Respecto parámetros de tendencia central.
Me = Mo= µ ( Su variación máxima entre

ellas debe ser de una unidad ”1”).
Mediana = Moda = Media

los datos
• Respecto parámetros de forma
En el caso de existir asimetría horizontal , se propone según (Wester- Oliver), lo siguiente:
CS (Asimetría) = 0
1. 0<|CS|<0.5, se acepta la función de distribución de probabilidad como normal, s

e puede aplicar el método geoestadístico a los datos.
2. 0.5<|CS|<1, es necesario realizar una transformación de datos (normalización) d

e tipo raíz cuadrada.
3. |CS|>1, es necesario hacer una transformación de tipo logarítmico (ln o log).

los datos
Tanto la función de distribución de los datos como la varianza son funciones
de la media la cual es altamente sensible a los valores extremos. En consecuencia se deb
e tener conocimiento de la afectación de estos valores extremos sobre la media, para e
llo se calcula el coeficiente de variación (CV).
• En todo caso se debe verificar lo siguiente.
1. Si CV < 100, no hay problema con los valores extremos de los datos
2. Si 100<CV<=200, Los efectos causados por los valores extremos de los datos
son tolerables, aun así difucultaran la estimación.
3. Si CV>200, se tienen problemas severos con los valores extremos de los datos.
Esto es importante, pues en caso de que los valores extremos de los datos afecten a l
muestra ala distribución de los mismos, se deberá analizar si es conveniente e
liminarlos en caso que obedezcan a un error en la medición o hacer una trans
formación de los datos para reducir su influencia en la muestra.

Transformación de variables
Como regla general, se trata de escoger una
transformación que conduzca a una distribución
simétrica, y más cercana a la distribución
normal. De este modo, se pueden aplicar
numerosas técnicas de inferencia estadística. En
una distribución simétrica unimodal, la media,
moda y mediana coinciden; además, el coeficiente
de asimetría es cero (así como todos los
momentos de orden impar).
• Cuando se tienen distribuciones de frecuencias
con asimetría negativa (frecuencias altas hacia
el lado derecho de la distribución), es
conveniente aplicar la transformación y = x².
• Esta transformación comprime la escala para
valores pequeños y la expande para valores
altos. Para distribuciones asimétricas
positivas se usan las transformaciones √x,
ln(x) y 1/x, que comprimen los valores altos y
expanden los pequeños. El efecto de estas
transformaciones está en orden creciente: menos
efecto √x, más ln(x) y más aún 1/x.
La transformación más utilizada es la del logaritmo.
Muchas distribuciones de datos económicos, o de consumos

se convierten en simétricas al tomar la transformación
logaritmo.
Figura. Campana de Gauss

Anamorfosis Gaussiana
Es poco frecuente que la variable estudiada tenga
una distribución Gaussiana: a menudo. Una
transformación – llamada anamorfosis – es entonces
necesaria para convertirla en una función aleatoria
Gaussiana.
Gráficamente, la anamorfosis consiste en deformar el
histograma de los datos en un histograma Gaussiano,
de modo que la variable transformada, denotada Y(x),
tenga una distribución Gaussiana estándar (de media
0 y varianza 1):



Observaciones
existen casos en los cuales la transformación
Gaussiana es delicada o incluso imposible:
variables categóricas, variables con una
proporción importante de valores nulos.

Análisis estadístico POST Compositación,
Cutting y Normalización
• La compositación ayudara a estandarizar los
tramos de los sondajes - Mejora estimación.
• El cutting grades eliminara valores que se

alejen del conjunto de datos, evitando un
promedio errático. Mejora estimación.
• La normalización preparará la data para un

análisis estructural y posterior estimación.

Referencias Bibliográficas
1. Estadística, Marcos Alfaro Sironvalle, Chile.
2000.
2. Cutting or Capping of High Assay Values, William
E. Roscoe, Ph.D., P.Eng. Roscoe Postle Associates
Inc. Canada, 2012.
3. TECHNICAL REPORT ON THE MINERAL RESOURCE
ESTIMATE, FRUTA DEL NORTE PROJECT, ECUADOR -NI
43-101 Report, 2014, Canada.
4. ACTUALIZACIÓN DE RECURSOS MINERALES MONTECRISTO,
E-Mining Ingeniería S.A. 2009, Chile.
5. Catedra de Análisis Geoestadístico, Universidad
T. Federico Santa María, Marcelo Andrés Perez.

Gracias por su atención

EY001 E Clase2 AED PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

EY001 E Clase2 AED PDF

Cargado por

Copyright:

Formatos disponibles

Estimación de Recursos Minerales

Curso: Estimación de Recursos Minerales

Heber Hernández G. - Nube Minera - 2017

Posible Yacimiento Yacimiento (Mina)

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Por ejemplo, la mediana divide la población en

Heber Hernández G. - Nube Minera - 2017

• Desviación estándar: Indica cuánto tienden a

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

1. Header o Collar: Ubicación de los DDH

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Numero total de muestras Ley mínima detectada

Comportamiento Log Normal

Al aumentar la ley de Cobre,

Concentración de leyes bajas

El histograma es una herramienta útil

La visualización del histograma de los

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Las dos medidas ( x, y) se consideran como un

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Histograma datos originales Histograma Desagrupado

Heber Hernández G. - Nube Minera - 2017

• método de las celdas

• Pesos de kriging ordinario

Polígonos: Asigna el peso proporcional al

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

“After the diamond core has been extracted it is logged by the

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

This bench compositing is the method most

Heber Hernández G. - Nube Minera - 2017

Tramos mas cortos de compositos generan un mayor

1. La moda estadística de los datos.

El criterio mas aplicado es el de la moda

Heber Hernández G. - Nube Minera - 2017

Heber Hernández G. - Nube Minera - 2017

Fuente: MINERAL RESOURCE AND ORE RESERVE ESTIMATION - THE

Andrea 150 0.02 7.24 0.96 1.38 1.90 1.43