Curso de Geoestadistica – Dia 4:

Validacion

Octubre 2008
¿Que es validacion?

 un modelo es validado si es que no tiene errores

detectables y es internamente consistente

 validacion no es un “saludo a la bandera”; es un paso

critico en la estimacion de recursos y es el proceso
por el cual se determina si el modelo es adecuado
para su uso o si necesita ser modificado (i.e., si se
necesitan modificar parametros del modelo y volver a
realizar la interpolacion)
¿Que es validacion?

 en particular, se debe verificar que el modelo

reproduce:
 las leyes de los compositos (validacion visual)
 las estadisticas globales del deposito
(histogramas, boxplots)
 las tendencias (trends) locales (swathplots)
 el comportamiento de las leyes en los contactos
(contact plots)
 el cambio de soporte adecuado al SMU del modelo
(herco)
 el nivel adecuado de “metal reduction” (tablas)
Seleccion de Datos para la validacion

 los datos para la validacion deben de corresponder a

bloques interpolados en areas con alta densidad de
compositos

 utilizar bloques interpolados en pasos 1 o 2, o

bloques clasificados como Medidos o Indicados

 Usar los mismos bloques para OK y NN

 si es necesario, eliminar compositos de areas
alejadas
Validacion visual

 chequear en seccion y en planta

 verificar que el modelo reproduce correctamente
valores altos y bajos

 en especial, chequear por “blow-outs” cerca a valores

altos
Validacion de las estadisticas globales

 boxplots es la herramienta mas util

 compara que las estadisticas del modelo reproducen
la media del modelo de NN (por dominio)

 estadisticas pueden ser diferentes de los

compositos; siempre verificar discrepancias grandes

 hacer tabla de comparacion de comps vs NN vs OK

por dominio
Chequeo de sesgos locales: swath plots

 swath plot: es un grafico que presenta el promedio de

las leyes en banco o seccion

 se plotean valores de compositos, NN y OK

Chequeo de sesgos locales: swath plots

 el modelo de OK debe de reproducir las tendencias

(trends) observadas en las curvas del NN y de los
compositos (con cierta suavizacion, pero no excesiva)

 discrepancias en zonas con alta densidad de datos

deben de ser explicadas
 Chequeo de sesgos locales: swath plots

As Swaths PClass 1 As Swaths PClass 1 As Swaths PClass 1

70 70 350
60 60 300

50 50 250

As (ppm)

As (ppm)
As (ppm)

40 40 200

30 30 150
20 100
20
10 50
10
0 0
0 18500 19000 19500 20000 20500 21000 21500 22000 3400 3600 3800 4000 4200 4400 4600 4800
9250 9750 10250 10750 11250 11750
Northing Elevation
Easting
Kriged As 7.5 m Composites Nearest Neighbor Kriged As 7.5 m Composites Nearest Neighbor Kriged As 7.5 m Composites Nearest Neighbor

No. Blocks/Comps Valid. Set No. Blocks/Comps Valid. Set No. Blocks/Comps Valid. Set

45000 30000 50000

40000 45000
No. Blocks/Composites

25000

No. Blocks/Composites
No. Blocks/Composites

35000 40000
30000 20000 35000
30000
25000
15000 25000
20000
20000
15000 10000
15000
10000 5000 10000
5000 5000
0 0
0
18500 19000 19500 20000 20500 21000 21500 22000 3400 3600 3800 4000 4200 4400 4600 4800
9250 9750 10250 10750 11250 11750
Northing Elevation
Easting

Kriged As 7.5 m Composites Nearest Neighbor Kriged As 7.5 m Composites Nearest Neighbor Kriged As 7.5 m Composites Nearest Neighbor
 Chequeo de sesgos locales: swath plots
As Swaths PClass 3 As Swaths PClass 3 As Swaths PClass 3

500 600 1000

450 900
400 500 800
350 400 700

As (ppm)

As (ppm)
300 600
As (ppm)

250 300 500

400
200 200 300
150
100 200
100
100
50 0 0
0 18500 19000 19500 20000 20500 21000 21500 22000 3400 3600 3800 4000 4200 4400 4600 4800
9250 9750 10250 10750 11250 11750
Northing Elevation
Easting
Kriged As 7.5 m Composites Nearest Neighbor Kriged As 7.5 m Composites Nearest Neighbor Kriged As 7.5 m Composites Nearest Neighbor

No. Blocks/Comps Valid. Set No. Blocks/Comps Valid. Set No. Blocks/Comps Valid. Set

4500 1800 4500

4000 1600 4000
No. Blocks/Composites
No. Blocks/Composites

No. Blocks/Composites
3500 1400 3500
3000 1200 3000
2500 1000 2500
2000 800 2000
1500 600 1500
400 1000
1000
200 500
500
0 0
0
18500 19000 19500 20000 20500 21000 21500 22000 3400 3600 3800 4000 4200 4400 4600 4800
9250 9750 10250 10750 11250 11750
Northing Elevation
Easting

Kriged As 7.5 m Composites Nearest Neighbor Kriged As 7.5 m Composites Nearest Neighbor Kriged As 7.5 m Composites Nearest Neighbor
Reproduccion de los contact plots

 el contact plot del modelo de bloques debe de

reproducir el contact plot de los compositos

 una discrepancia fuerte indica la necesidad de

cambiar la tabla SFH y volver a correr la interpolacion
Reproduccion de los contact plots
Verificacion del “metal reduction”

 el objetivo es verificar que el metal removido (por

capping y/o outlier restriction) sea similar al
pronosticado

 generalmente se hace por medio de tabulaciones del

modelo con outlier restriction vs resultados del
modelo sin outlier restriction
Herco
Change of Support

 todas las variables que usamos estan definidas en un

volumen o “soporte” dado (e.g., compositos, bloques,
etc.)

 para una misma poblacion, si el tamaño del soporte

aumenta, la media no se altera pero la varianza
disminuye (y vice versa)

 el termino “change of support” se refiere a la relacion

entre el soporte de la variable y su varianza

 el cambio de soporte es uno de los conceptos mas

importantes de geoestadistica
Change of Support
3 3 2 4 5 1
10
9

6 0 6 4 3 3
8
7
Mean = 3.22
2 3 9 4 1 2
6
5 Std Dev = 2.11
4 7 2 5 3 2
4
3

5 1 1 0 2 3
2
1

2 4 8 2 1 2
0
1 2 3 4 5 6 7 8 9 10

3 4 3 4.5
4
3.5
3
Mean = 3.22
4 5 2 2.5
2 Std Dev = 0.97
1.5
1

3 3 2 0.5
0
1 2 3 4 5 6 7 8 9 10
 Change of Support

 COS es importante en Sample

especial cuando se support
necesita determinar las
leyes y el tonelaje encima
de un cutoff dado

 La estimacion debe de
tomar en cuenta el COS
para poder estimar leyes
por encima de un cutoff
correctamente
Block
support
Dispersion Variance

 es posible calcular la varianza de dispersion teorica

de un block de acuerdo a la siguiente relacion:
2 2 2
 ( s / G )   ( s / V )   (V / G )
 esta es una relacion generica, para cualquier tamaño
de soporte s, V, y G, donde s < V < G

 Si s es una muestra, V es el bloque y G el deposito,

entonces, la varianza de una muestra en el deposito
es igual a la varianza de una muestra en el bloque
mas la varianza del bloque en el deposito
Dispersion Variance

 si queremos calcular la varianza de dispersion de los

bloques (por ejemplo, para comparar con la varianza
de los bloques kriged), entonces:
2 2 2
 (V / G )   ( s / G )   ( s / V )
2 2
 (s / G)  
 ( s / V )   V ,V 
2

 2 (V / G )   2   (V ,V )
Dispersion Variance

2 2
 (V / G )     (V ,V )
 hay programas que se pueden usar para calcular
(V,V)

 el programa SBK permite calcular directamente

σ2(V/G) (pero resultado debe de escalearse con la
varianza de los datos)

 varianza de dispersion depende de:

 inverso de continuidad del modelo de variograma
 tamaño del bloque
Dispersion Variance
Dispersion Variance
Dispersion Variance
Dispersion Variance
1

0.9 0.01
0.05
0.1
0.2
0.8 0.3
0.4
0.5
0.7 0.6
0.7
0.8
0.9
0.6
BDV

0.5

0.4

0.3

0.2

0.1

0
0.1 1 10 100 1000
range / block size
Change of support corrections

 tres metodos principales:

 affine correction
 indirect log-normal correction
 “discrete Gaussian correction” o “Hermitian
correction”
Affine Correction
 b 
z b  m  ( z s  m ) 
 s 
 donde:
 zb = ley en soporte de bloque
 zs = ley en soporte de muestra
 m = media de poblacion
 σb = std. dev. de bloques
 σs = std. dev. de muestras

 introduce minimo y maximo artificial

 asume no cambio de forma de distribucion
Hermitian correction (Herco)

 el objetivo de herco es verificar que nuestro modelo

de kriging tiene el grado de “smoothing” correcto

 para ello, se compara el modelo de kriging con un

modelo de NN al cual se le ha aplicado una
correccion que lo transforma del soporte de
compositos al soporte del bloque correspondiente

 la correccion se aplica por el metodo de “hermitian

correction (herco)”, usando como factor de correccion
el BDV obtenido de SBK
Hermitian correction (Herco)
100 140

90 As 10x10 - Pclass 1
120
80

70 100

60

Average Grade
80
% Blocks

50

60
40 Herco_Blocks

OK_Blocks
30 40
Herco_Grade

OK_grade
20
20
10

0 0
0 10 20 30 40 50 60 70 80 90 100
Cutoff Grade (As ppm)
Hermitian correction (Herco)
100 600

90 As 10x10- Pclass 2
500
80

70
400

60

Average Grade
% Blocks

50 300

40 Herco_Blocks

OK_Blocks 200
30
Herco_Grade

OK_grade
20
100

10

0 0
0 50 100 150 200 250 300 350 400 450 500
Cutoff Grade (As ppm)
Hermitian correction (Herco)
100

90 Herco Blocks by BDV

80

70

60
BDV01_Blocks
% Blocks

50 BDV02_Blocks

BDV03_Blocks
40 BDV04_Blocks

BDV05_Blocks
30 BDV06_Blocks

BDV07_Blocks
20 BDV08_Blocks

NN_Blocks
10 Poly. (NN_Blocks)

0
0 2 4 6 8 10 12 14 16 18 20
Cutoff Grade (Zn %)
Cross-validation
Que es cross-validation

 cross-validation es el procedimiento en el cual cada

composito es extraido sucesivamente de la poblacion
de compositos y su ubicacion en el espacio es
interpolada utilizando el resto de los compositos
(utilizando los parametros normales de rango de
busqueda, min/max de compositos, etc.)

 cualquier metodo se puede utilizar (no limitado a

kriging)
Para que se usa cross-validation

 cross-validation se usa para comparar diferentes

metodos y distintos parametros de interpolacion
(elipsoide de busqueda, min/max compositos, etc.)

 se selecciona la combinacion de metodo y

parametros de interpolacion que minimize el
conditional bias

 es especialmente usado en “ore control”

Como se minimiza el conditional bias

 usando cross-validation:
 pendiente de regresion (de cross-validation) ~ 1
 media de errores ~ 0
 alto coeficiente de correlacion (>0.7)
Como se minimiza el conditional bias

 calculando la pendiente de regresion teorica para el

bloque (usando SBK):
Cov(Z v, Z v* )
Slope of Regression 
Var ( Z v* )
Como se minimiza el conditional bias

 calculando la pendiente de regresion teorica para el

bloque (usando SBK):
Cov(Z v, Z v* )
Slope of Regression 
Var ( Z v* )
Ejemplo
Ejemplo
Ejemplo
Ejemplo
Misclasification
Como se hace cross-validation (en Minesight)

 salir a MineSight
Resumen de validacion

 la validacion debe verificar que el modelo reproduce:

 las leyes de los compositos (validacion visual)
 las estadisticas globales del deposito
(histogramas, boxplots)
 las tendencias (trends) locales (swathplots)
 el comportamiento de las leyes en los contactos
(contact plots)
 el cambio de soporte adecuado al SMU del modelo
(herco)
 el nivel adecuado de “metal reduction” (tablas)