ModI Introd

LA EXCELENCIA DEL MUESTREO
www.sampling-ok.com
Cía. Minera Antapaccay

9 al 12 de Diciembre del 2014
M.Sc. Samuel Canchaya Moya

Tel. 2579636 Cel. 988021992
canmoysa@gmail.com

www.sampling-ok.com
Cía. Minera Antapaccay

9 al 12 de Diciembre del 2014
M.Sc. Samuel Canchaya Moya

Tel. 2579636 Cel. 988021992
canmoysa@gmail.com
1
Distribución promedio de tiempo en las tareas
asociadas a aplicaciones geomatemáticas
• Validación de la Data
• Tratamiento de valores bajos
no significativos
• Identificaión y tratamiento
25% de altos erráticos
35%
• Compatibilización de datas
distintas
10%
15% 15% Data

C.Estad
C. Geoestad
Process
Interpret
Área bajo
Distribución normal 99.7 %
95.0 % la curva
68.0 %
de los errores:
Si no existe sesgo, en general los errores siguen una
distribución normal como la mostrada en el gráfico
P [-2 +2
donde: es error y su varianza
Lo cual significa que:

el error caerá dentro del área comprendida
entre -2 y + 2 con un intervalo de
confianza de 0.95
Dicho de otra manera:

el riesgo a equivocarnos será de 5%
= +/- intervalo de confianza de 68%
= +/- 1.645 intervalo de confianza de 90%

A medida que aumenta la confianza el error aumenta;
= +/- 2 intervalo de confianza de 95%
mientras que el riesgo de equivocarnos disminuye .
= +/- 3 intervalo de confianza de 99.7%
2
Es como plantearse un intervalo de
El concepto de confianza de : 99.99966 %
Lo cual significa que se aspira a tener un
six sigma porcentaje de 99.99966 libre de defectos;
o sólo 3.4 DPMO.
VARIAS DENOMINACIONES:
Six sigma
6
6 sigma
6s
DPMO: Defectos por millón de oportunidades
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.
Exactitud y Precisión
Exactitud Precisión
sin Precisión sin Exactitud
Exactitud Ninguno
y Precisión
Exactitud: Cuando la media es insesgada

Precisión: La varianza del error debe ser pequeña
6
3
Muestra ideal:
“Equiprobable y de varianza pequeña”
Sesgado
Varianza grande Insesgado
Varianza pequeña
Media Media
Insesgado
Varianza grande
Sesgado
Varianza pequeña
Media Media
Exactitud: Cuando la media es insesgada

Precisión: La varianza del error debe ser pequeña
7

www.sampling-ok.com
Caracterización estadística
M. Sc. Samuel Canchaya Moya
4
Caracterización estadística
 Se entiende por CARACTERIZACION ESTADÍSTICA (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.
9
10
Mediana Moda
Media
Estadísticos
principales
Mediana
Media
Estadístico Valor
Moda.- El intervalo de clase con la mayor Media 1.966
frecuencia Mediana 1.94
Mediana.- La mitad de toda la distribución de frecuencias Moda 1.92
Desviación 0.192
estándar
Desviación
Varianza Varianza 0.03698
estándar
Kurtosis -0.45
Sesgo.- Mide el grado de asimetría de una
x - moda Sesgo 0.28
distribución. Cola más larga a la derecha: sesgo
s Rango 0.86
positivo; al revés negativo.
Mínimo 1.57
Kurtosis.- Es el grado de “espigamiento” de una distribución.
Leptocúrtica si es muy apuntada; Planocúrtica si es muy aplanada; y Máximo 2.43
Mesocúrtica si se trata de una situación intermedia. n 124
10
5
Quartiles
Q1 Q2 Q3
11
Presentación sumaria de estadísticos:

“Box-plot” (Diagrama de caja)
Boxplot of Swelling clays
3.2
Tercer 3.0 Valor

Quartil máximo
2.8
2.6
Swelling clays
2.4
2.2 Mediana
2.0
Primer
1.8
Quartil
1.6
Valor mínimo
12
6
Presentación sumaria de la
Caracterización Estadística
Summary for Cu_ppm
A nderson-D arling N ormality Test
A -S quared 41.60
P -V alue < 0.005
M ean 44.132
S tD ev 46.065
V ariance 2122.025
S kew ness 4.6149
Kurtosis 42.6063
N 724
M inimum 3.000
1st Q uartile 15.200
M edian 31.450
3rd Q uartile 57.625
0 100 200 300 400 500 600
M aximum 632.000
95% C onfidence Interv al for M ean
40.771 47.493
95% C onfidence Interv al for M edian
29.070 34.000
95% C onfidence Interv al for S tD ev
9 5 % C onfidence Inter vals
43.809 48.569
Mean
Median
30 35 40 45 50
13
Verificación de la “normalidad”
p>  Distribuc. normal
de la distribución
Summary for Cu gpl
A -S quared 0.29
P -V alue 0.600
M ean 39.059
S tD ev 1.003
V ariance 1.005
S kew ness 0.152379
Kurtosis -0.253495
N 180
M inimum 36.600
M edian 39.100
3rd Q uartile 39.700
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
14
7
Buen ajuste a recta
Test de normalidad p >  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
15

www.sampling-ok.com
Distribuciones Lognormales y el
Efecto Proporcional

16
8
Típica distribución LOG-NORMAL del Au
en un yacimiento epitermal de HS
Valores bajos no
significativos Moda
Mediana
Altos erráticos
Media
Au ppb 17
Tomado de Canchaya (2004)
Summary Statistics for Cu ppm

Verificación Anderson-Darling Normality Test
A-Squared 14.69
práctica de la P-Value < 0.005
Mean 2473.2
log-normalidad StDev
Variance
3225.6
10404234.4
Skewness 2.68188
Kurtosis 8.95936
0 3000 6000 9000 12000 15000 18000
Obviamente se rechaza la hipótesis N 169
de normalidad: p-value << a Minimum 118.0

1st Quartile 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
95% Confidence Interval for Median
Probability Plot of Cu ppm
Lognormal - 95% CI
99.9
99
95 Los logs de los valores de Cu
90
80 trazados en un gráfico de
70
Percent
60
50
40
Loc 7.115 acumulación ploteado en un
30 Scale 1.219
20 N 169
gráfico probabilístico se ajustan a
10
5 AD 1.159 una recta.
P-Value <0.005
1
0.1
10 100 1000 10000 100000 18
Cu ppm
9
Comprobación gráfica 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
19
Tomado de Canchaya (2004)
Ejemplo de distribuciones
log-normales con Efecto
Proporcional: Caso del Cu
GRAFICO MEDIA VS DESVIACION ESTANDAR CuT
6000
5000
Desv. estándar
4000
3000
2000
1000
0
0 1000 2000 3000 4000 5000 6000
20
Media
10
Ejemplo de distribuciones
log-normales con Efecto
Proporcional: Caso del Mo
Gráfico Media vs Desv. Estándar Mo

300
250
Desv. estándar
200
150
100
50
0
0 50 100 150 200 250 300
21
Media
Referencias bibliográficas
 Canchaya S. (2004) Log-normalidad y efecto proporcional. Características

frecuentes en los yacimientos de oro.- XII Congr. Peruano Geol.; 4p.
 Canchaya S. (2013) Efecto proporcional: característica frecuente en variables de

exploración geoquímica.- PRO-EXPLO 2013.; 1p.
 Canchaya S. (2013) Sampling of variables with proportional effect.- 6th Word

Conference on Sampling and Blending (6WCSB).- Lima Nov 2013
 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.
22
11
www.sampling-ok.com
Identificación y Tratamiento de
Valores Altos Erráticos

23
Definición de
valores altos
erráticos
 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.
24
12
Summary for Cu_ppm
A -S quared 41.60
P -V alue < 0.005
M ean 44.132
Identificación Con todos los datos

S tD ev
V ariance
S kew ness
Kurtosis
46.065
2122.025
4.6149
42.6063
de valores altos N
M inimum
1st Q uartile
724
3.000
15.200
M edian 31.450
erráticos 0 100 200 300 400 500 600

3rd Q uartile
M aximum
57.625
632.000
40.771 47.493
29.070 34.000
43.809 48.569
Mean
Summary for Cu_ppm Median
30 arling N ormality
A nderson-D 35 Test 40 45 50
A -S quared 27.43
P -V alue < 0.005
Eliminando los altos erráticos: M ean 41.560
> 200 ppm Cu S tD ev 34.626
V ariance 1198.994
S kew ness 1.45774
Kurtosis 2.12815
N 718
M inimum 3.000
M edian 31.200
0 30 60 90 120 150 180

3rd Q uartile
M aximum
56.825
187.000
En ambos casos se rechaza la
95% C onfidence Interv al for M ean hipótesis de normalidad porque:
39.023 44.097
95% C onfidence Interv al for M edian p<
29.000 33.675
32.923 36.517
Mean
Median
30.0 32.5 35.0 37.5 40.0 42.5 45.0
Diagramas de caja para visualizar

valores erráticos
FILOSILICATOS COMPÓSITOS DIARIOS CHANCADORA TERCIARIA
9 9.03
8
7.18
7 6.94
6
5.52
5.23
5.17
5
Data
4 4.15
4
3 3.12
2.94
2.9
0 0.12
prf mmt kao
26
13
Monitoreo de la data para definir Estadísticos de kao:
x = 2.88
verdaderos altos ERRATICOS s = 1.18
Día kao Día kao

27 2.84 27 2.84
28 3.39 28 3.39
29 3.54 ALTO “ERRÁTICO” 29 3.54
30 3.58 30 3.58
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
121
122
7.18
5.52
121 7.18 ALTO “NO ERRÁTICO”
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
27
Scatterplot of kao vs prf
Comparación de nubes de 9
8
correlación con y sin altos 7
erráticos r = 0.54
6
5
kao
prf = 0.134 + 0.452 kao 3
0
0 1 2 3 4 5
prf
8
7
r = 0.61
6
5
prf = - 0.022 + 0.506 kao
kao
1
0 1 2 3 4 28
prf
14
Nube de correlación prf vs mmt
3.50
3.00
Efecto de altos erráticos
2.50
2.00
en el coeficiente de
prf
1.50
y = 0.069x + 1.204
regresión lineal
1.00 r² = 0.182
0.50 r = 0.427
0.00
0.00 5.00 10.00 15.00 20.00
mmt
prf vs mmt sin altos erráticos

2.50
2.00
1.50
prf
1.00
y = -0.646x + 2.687
r² = 0.769
0.50 r = 0.877
0.00
0.00 0.50 1.00 1.50 2.00 2.50 3.00 3.50
mmt
Nube de correlación mmt vs prf
2.50
2.00 Efecto de altos erráticos

1.50 en el coeficiente de
prf
1.00 y = 0.073x + 1.013

r² = 0.716
regresión lineal
0.50 r = 0.846
0.00
0.00 5.00 10.00 15.00 20.00
mmt
mmt vs. prf sin altos erráticos
1.60
1.40
1.20
1.00
prf
0.80
0.60 y = -0.017x + 1.199
0.40 r² = 0.006
r = 0.077
0.20
0.00
0.00 0.50 1.00 1.50 2.00 2.50 3.00 3.50
mmt
15
Tratamiento de valores altos erráticos
 CORTES (“CUTTINGS”) EMPÍRICOS.-

 “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 ESTADÍSTICOS.-
 Utilizando gráficos probabilísticos de frecuencia acumulada, donde los altos
erráticos se
discriminan fácilmente, para luego ser reducidos a un valor determinado.
 Usando “Control charts” (ver diapositivas siguientes)
 CORRECCIÓN 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).
31
Caracterizac. estadística kao (%)

Anderson-Darling Normality Test
Valores erráticos en A-Squared

P-Value <
5.43
0.005
“Control Charts” Mean

StDev
Variance
2.8756
1.1795
1.3913
Skewness 2.12283
Kurtosis 7.40478
1.5 3.0 4.5 6.0 7.5 9.0
N 144
Minimum 1.0700
1st Quartile 2.2550
Median 2.6500
Típico alto errático 95% Confidence Intervals
3rd Quartile 3.2450
Mean
Maximum 9.0300
Median
2.6 2.7 2.8 2.9 3.0 3.1

95% Confidence Interval for Mean
% kao
2.6813 3.0699
Control Chart of kao (%)
9
1 x s x + s x+2s x+3s
1 2.876 1.18 4.055 5.235 6.414
8
1
7
6.414 ALTERNATIVAS MAS USADAS:
Individual Value
6 1 1
1 1
5
1 1
5.235  Eliminar el alto errático
UCL=4.730
4 4.055  Reemplazarlo por la media más 1s, o
_ 2s o 3s
3 X=2.876
2
 Reducción por la regla del tercio
menos tercio.
1 LCL=1.021
0
1 15 29 43 57 71 85 99 113 127 141
32
Observation
16
Ejemplo de corrección log-normal o de Sichel
 Alto errático: 35.3

 Selección de dos valores contiguos
Prof. Au
m g/t log Au
a ambos lados
321.29 1.02  n=5
325.18 2.40  Media aritmética = 8.96
327.89 1.54
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 = 1.747
335.12 2.70 0.43
337.66 4.30 0.63  Log de la varianza = 2.34
339.26 1.05
341.18 1.47
343.29 1.08
media 8.96 0.56
var. 218.4 2.34
33
Tabla para la estimación del factor de Sichel (fcS)

V n
2.34 2.727
34
Tomado de Sichel (1966)
17
Ejemplo de corrección log-normal o de Sichel
 Alto errático: 35.3

 Selección de dos valores contiguos
Au
Prof. m g/t Log Au Au g/t
a ambos lados
321.29 1.02 1.02  n=5
325.18 2.40 2.40  Media aritmética = 8.96
327.89 1.54 1.54
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 4.76
 e media logs = 1.747
335.12 2.70 0.43 2.70
337.66 4.30 0.63 4.30  Log de la varianza = 2.34
339.26 1.05 1.05  Factor de corrección (fcS)
341.18 1.47 1.47
343.29 1.08 1.08
de la tabla de Sichel = 2.727
media 8.96 0.56
 Media de Sichel = fcS * e media logs = 4.763
var. 218.4 2.34
35
Referencias bibliográficas
 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).
36
18
www.sampling-ok.com
Correlación lineal entre dos

variables
37
Correlación entre dos variables
La correlación entre dos variables es el tipo de asociación que existe entre ambas;
la misma que es cuantificada por el denominado Coeficiente de Correlación “r”:
Cov( x, y ) Donde: n
r • Cov es la covarianza: Cov( x, y ) (1 / n) ( xi x)( yi y )
Sx * Sy
i 1
• Sx y Sy son 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.
38
19
39
Ejemplos de nubes de r [ 1, 1]
correlación
x
x
r = 0.94 r = 0.54
y
y
x x
r = - 0.94
r = 0.09
y y
Ejemplo de uso de la correlación lineal:

Comprobación gráfica 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
40
20
Ejemplo de nubes de correlación
entre filosilicatos

8
7
prf = -0.022 + 0.506 kao
6
5
r = 0.61
kao
1
0 1 2 3 4
prf
41
Residuales en la
regresión lineal
Y
y=b+mx
residual 6
residual 1
X
42
21
43
Análisis 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
44
Ejemplo de cabecera de data

CLOs kao mmt CuT CuSCN CuSAc CuR Acido
Día % % % ppm ppm ppm ppm kg/t % Rec
1 2.45 1.900 3.31 13254 7292 5059 586 5.64 49.17
2 2.80 1.750 3.30 15390 8910 5788 453 4.30 49.19
3 1.35 1.820 2.57 11094 6636 4065 733 5.12 48.60
4 1.03 1.640 2.40 669 179 314 135 2.15 52.29
5 3.80 1.960 2.83 7738 4371 1391 2053 6.33 49.27
6 3.51 2.180 2.20 12004 8587 1713 1457 4.92 72.58
7 1.02 2.010 2.50 10695 4892 3646 2474 2.06 70.00
8 1.82 2.130 2.49 8317 3001 3619 1820 3.72 50.73
9 1.89 1.730 2.65 7078 2401 2004 2758 5.00 65.10
10 1.93 1.950 2.64 3819 1150 2009 636 3.79 58.63
11 1.03 1.870 2.60 4296 1146 2444 616 2.83 62.23
12 1.39 1.870 2.46 9295 3261 5243 867 3.15 63.42
13 1.34 2.340 3.05 6835 2037 3699 1099 3.53 60.08
14 1.24 2.120 2.90 5900 1904 3147 777 3.27 59.79
44
22
Correlación entre las 8.0
7.0
y = -3.090x + 8.802
r² = 0.464
6.0 r = -0.681
variables 5.0
mmt
4.0
mineralógicas 3.0
2.0
1.0
0.0
3.0 y = -0.190x + 2.217 0.0 1.0 2.0 3.0
r² = 0.382
2.5 kao
r = -0.62
2.0
kao
1.5
1.0
0.5
y = 1.116x + 1.149
0.0 8.0 r² = 0.639
0.0 2.0 4.0 6.0 r = 0.799
6.0
CLOs
mmt 4.0
2.0
0.0
0.0 2.0 4.0 6.0
CLOs
8.0
Variables 6.0
Acido kg/t
mineralógicas vs. 4.0

y = 0.801x + 1.181
Consumo de Acido 2.0 r² = 0.685
r = 0.827
0.0
0.0 2.0 4.0 6.0 8.0
8.0 mmt
6.0
Acido kg/t
4.0 y = 1.284x + 1.504

2.0 r² = 0.874
r = 0.935
0.0 8.0
0.0 2.0 4.0 6.0
6.0
Acido kg/t
CLOs
4.0
y = -2.523x + 8.327
2.0 r² = 0.330
r = -0.574
0.0
0.0 1.0 2.0 3.0
kao
23
100.0
Variables 80.0
% Rec
60.0
mineralógicas vs. 40.0 y = -6.300x + 87.32
Recuperación 20.0 r² = 0.23
r = -0.48
0.0
0.0 2.0 4.0 6.0 8.0
100.0 mmt
80.0
% Rec
60.0
40.0 y = 14.18x + 42.05
r² = 0.056
20.0
r = 0.24 y = -8.649x + 82.52
0.0 100.0
r² = 0.222
0.0 1.0 2.0 3.0 80.0 r = 0.47
% Rec
kao 60.0
40.0
20.0
0.0
0.0 2.0 4.0 6.0
CLOs
48
Matriz de correlación
CLOs
kao -0.62
mmt 0.80 -0.68
CuT 0.14 0.07 0.00
CuSCN 0.29 0.03 0.60 0.60
CuSAc 0.09 -0.57 0.04 0.60 0.05
CuR 0.25 0.03 0.11 0.37 0.52 0.18
ConsAc 0.94 0.57 0.83 0.15 0.29 -0.10 0.31
Recup 0.47 0.24 -0.48 0.20 -0.22 0.55 -0.24 0.16
CLOs kao mmt CuT CuSCN ConsAc CuR ConsAc Recup
48
24
Tel. 2579636 Cel. 988021992
canmoysa@gmail.com
49
25

ModI Introd

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

ModI Introd

Cargado por

Copyright:

Formatos disponibles

LA EXCELENCIA DEL MUESTREO

Cía. Minera Antapaccay

M.Sc. Samuel Canchaya Moya

LA EXCELENCIA DEL MUESTREO

Cía. Minera Antapaccay

M.Sc. Samuel Canchaya Moya

15% 15% Data

donde: es error y su varianza

Lo cual significa que:

Dicho de otra manera:

= +/- intervalo de confianza de 68%

= +/- 1.645 intervalo de confianza de 90%

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

Exactitud: Cuando la media es insesgada

Exactitud: Cuando la media es insesgada

LA EXCELENCIA DEL MUESTREO

M. Sc. Samuel Canchaya Moya

Presentación sumaria de estadísticos:

Tercer 3.0 Valor

38.8 38.9 39.0 39.1 39.2

Probability Plot of Cu gpl

LA EXCELENCIA DEL MUESTREO

M. Sc. Samuel Canchaya Moya

Summary Statistics for Cu ppm

de normalidad: p-value << a Minimum 118.0

GRAFICO MEDIA VS DESVIACION ESTANDAR CuT

Gráfico Media vs Desv. Estándar Mo

 Canchaya S. (2004) Log-normalidad y efecto proporcional. Características

 Canchaya S. (2013) Efecto proporcional: característica frecuente en variables de

 Canchaya S. (2013) Sampling of variables with proportional effect.- 6th Word

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

 Journel, A. G. & Huijbregths Ch. J. (1978) Mining Geostatistics.- Academic Press;

 Krige, D. G. (1981) Lognormal-de Wijsian Geostatistcs for Ore Evaluation.- South

M. Sc. Samuel Canchaya Moya

 Lo más crítico es definir si se

 Estos valores son fácilmente

Identificación Con todos los datos

erráticos 0 100 200 300 400 500 600

Summary for Cu_ppm Median

0 30 60 90 120 150 180

30.0 32.5 35.0 37.5 40.0 42.5 45.0

Diagramas de caja para visualizar

prf mmt kao

Día kao Día kao

Día kao Día kao

Scatterplot of kao vs prf

prf = 0.134 + 0.452 kao 3

prf vs mmt sin altos erráticos

Nube de correlación mmt vs prf

2.00 Efecto de altos erráticos

1.00 y = 0.073x + 1.013

mmt vs. prf sin altos erráticos

 CORTES (“CUTTINGS”) EMPÍRICOS.-

 CORRECCIÓN LOGNORMAL O DE SICHEL (1952); Se reemplaza el alto errático por

Caracterizac. estadística kao (%)

Valores erráticos en A-Squared

“Control Charts” Mean

2.6 2.7 2.8 2.9 3.0 3.1

Control Chart of kao (%)

 Alto errático: 35.3

Tabla para la estimación del factor de Sichel (fcS)

Tomado de Sichel (1966)

 Alto errático: 35.3