Академический Документы
Профессиональный Документы
Культура Документы
GEOESTADÍSTICA APLICADO AL
YACIMIENTO DE ANTAMINA
Por:
Alfredo Marín Suárez Ph.D.
II. HISTOGRAMA
III. TEOREMA CENTRAL DE LÍMITE
2
CONTENIDO
VI. DIAGRAMA DE DISPERSIÓN Y RECTA DE REGRESIÓN
VII. TEORÍA DE CORRELACIÓN DE MUESTRAS
- Nubes de correlación, uso de P-P Plot y Q-Q Plot.
VIII.MOVIMIENTOS MEDIOS O MEDIA MÓVIL
IX. QA – QC Y MUESTREO
3
I. ESTADÍSTICA, CLUSTER Y
DECLUSTER, ERRORES DE
MUESTREO SEGÚN NYQUIST-
SHANNON Y PIERRE GY
4
El estudio de las leyes formales de lo aleatorio es
la Probabilidad
5
EEstadística es la ciencia,
pura y aplicada.
6
El Objetivo de la Estadística
Descriptiva
Conocer la información que se tiene para
poder identificar e interpretar aspectos
relevantes de una muestra.
Utilizar esta información para obtener
resultados, planear o hacer inferencia acerca de
la población bajo estudio.
7
Etapas de un estudio estadístico
Un análisis estadístico se lleva a cabo siguiendo las etapas habituales en el
llamado método científico cuyas etapas son:
8
3 2 3
9 1
3 5
0 05 3
7
4 89
8
9
Población
MUESTRA
Muestra
Transformación Análisis
Sumarización Estimación
Ilustración Hipótesis
10
¿Tengo un 98% de probabilidad
de hacer algo que tenga sentido
con estos números?
8
3 2 3
9 1
3 5
0 0 5 3
4 89 7
8
11
El conjunto de datos que describen un
fenómeno (nuestro objetivo) constituyen lo
que se llama Población
12
Una característica importante de una
muestra es que sea Representativa
de la población de interés. Cualquiera
13
- Cada unidad tiene la misma
oportunidad de ser elegida
14
Muestreo Estratificado
- Divide a la población en
grupos homogéneos Muestreo por
Conglomerado
- Se extrae una muestra
aleatoria simple de cada
grupo o estrato - Divide a la población en
grupos
-Se extrae una muestra
aleatoria simple de los grupos
15
Muestreo Sistemático
- Se elige aleatoriamente a
una unidad
- A partir de ésta se selecciona
cada k-ésima muestra que se
encuentra después de la
elegida
Muestreo
Oportunista
-Se muestrean los n primeros
elementos que se presentan
16
Métodos Numéricos
(Válidos sólo para datos cuantitativos)
8
4 8 79 8 4 38
4 8 8 9 9 8
8
200
8
9 97 8 3
8
4 68
68 9 3 20
8
6 3 2
6 6
6 6 3 2
6
17
Teorema del Error Fundamental del
Muestreo de Nyquist - Shannon
Consiste en que se produce una pérdida de
información, en el proceso de
cuantificación, que se traduce a una
distorsión como error o “Ruido de
cuantificación”.
18
Tipos de Errores de Muestreo según
Nyquist - Shannon y Pierre Gy
19
Medidas de Tendencia Central
Son números que se localizan cerca del centro o cerca de
donde se encuentran los datos con mayor frecuencia:
media, mediana, moda
Medidas de Dispersión
Son números que indican qué tan separados están los
datos entre si: rango, desviación estándar,
rango intercuartil 20
Estadística Descriptiva
Medidas de centralización
• La media aritmética:
• La moda:
El valor que aparece
con mayor frecuencia
• La mediana:
21
22
23
Distribución bi-variada
cuando se dispone de observaciones de dos
variables en los mismos puntos, u
• Gráficos de dispersión
24
Distribución
25
Cluster y Decluster
Si dividimos el área de muestreo en regiones
rectangulares que llamaremos celdas. Entonces
cada muestra recibe un peso inversamente
proporcional al número de muestras que caen
dentro de la misma celda, así tal como se
muestra en el gráfico siguiente:
26
27
Aplicando
el Método
de los
Polígonos
28
II. HISTOGRAMA
29
Histogramas Experimentales
30
Estadística descriptiva
Representar la variación
Histograma Histograma
bi-modal acumulativo
31
DISTRIBUCIÓN LOGNORMAL
Sea 𝑥1 𝑥2 𝑥3 … 𝑥𝑛
1 𝐿𝑛𝑥−𝛼 2
1 −
2 𝛽 2
𝑓 𝑥 = 𝑒
2𝜋 𝑥 𝛽
𝛼 = 𝜇𝑦 𝛽 = 𝜎𝑦
𝜇𝑦 : Media de los logaritmos
𝜎𝑦 : Desviación estándar de los logaritmos
32
Gráfica de la distribución
Lognormal
33
Otros ejemplos de
distribución lognormal
34
Relacionados por:
𝛽2
∝+
𝜇𝑥 = 𝑒 2
2 2𝛼+𝛽 2 𝛽 2
𝜎𝑥 = 𝑒 (𝑒 − 1)
35
LEY DE LA DISTRIBUCIÓN NORMAL O
GAUSSIANA
Tomando logaritmos
𝐿𝑛𝑥1 , 𝐿𝑛𝑥2 , 𝐿𝑛𝑥3 , … , 𝐿𝑛𝑥𝑛 = *𝑦1 , 𝑦2 , 𝑦3 , … 𝑦𝑛 +
𝜇𝑦 𝛼
𝜎𝑦 = 𝛽
36
𝑦−𝜇 2
1 𝑦
1 −
2 𝜎𝑦
𝑓(𝑦) = 𝑒
2𝜋 𝜎𝑦
37
Gráfica de la distribución
Normal
𝑁 𝜇𝑌 𝜎𝑌
38
39
TABLA DE LA DISTRIBUCIÓN NORMAL
40
ANOMALÍA
= +
41
SECCIÓN
A B
42
PP-PLOT SIN ANOMALÍA
Teóórico
Observado
43
SECCIÓN
44
PP-PLOT CON ANOMALÍA
45
99.99 Probabilidad Acumulada del Zn con anomalía
99.9
99.8
99
98
95
Cumulative Probability
90
80
70
60
50
40
30
20
10
5
2
1
.2
.1
.01
.010 .10 1.0 10. 100.
Zn %
46
III. TEOREMA CENTRAL DE LÍMITE
47
El Ruso Alexander Lyapunov (1900) demostró el
teorema central de límite al estudiar la
naturaleza de la distribución de Gauss.
48
49
Considerando la función:
2
1 𝑦−𝜇𝑦
1 −
2 𝜎𝑦2
𝑓 𝑦 = 𝑒
2𝜋𝜎𝑦
Donde:
𝑟1 + 𝑟2 + 𝑟3 + ⋯ + 𝑟𝑛
𝐸 𝑟1 + 𝑟2 + 𝑟3 + ⋯ + 𝑟𝑛
51
𝑛
𝐸 𝑟𝑖 = ∅ + ∅ + ∅ + ⋯ + ∅ = 𝑛∅
𝑖=1
52
Analíticamente
1
𝑓 𝑥 =
𝑏−𝑎
53
𝑏 𝑏
1
𝜇1 = 𝑓 𝑥 . 𝑥 𝑑𝑥 = 𝑥 𝑑𝑥
𝑎 𝑏−𝑎 𝑎
2 𝑏
1 𝑥 1 𝑏2 𝑎2
𝜇1 = = −
𝑏−𝑎 2 𝑎
𝑏−𝑎 2 2
54
𝑎 = 0 ,𝑏 = 1
1 2 2
𝑏+𝑎 1
𝜇1 = 𝑏 −𝑎 = =
2(𝑏 − 𝑎) 2 2
1
𝜇1 =
2
55
𝜎 2 = 𝜇2 − 𝜇1 2
𝑏
𝜇2 = 𝑓 𝑥 𝑥 2 𝑑𝑥
𝑎
𝑏 3 𝑏
1 2
1 𝑥 1 𝑏3 𝑎3
𝜇2 = 𝑥 𝑑𝑥 = = −
𝑏−𝑎 𝑎 𝑏−𝑎 3 𝑎
𝑏−𝑎 3 3
56
Sabiendo que:
1 b 3 − a3 1 2
= a + ab + b2
3 b−a 3
𝑎2 + 𝑎𝑏 + 𝑏 2 𝑎+𝑏 2 𝑏−𝑎 2
𝜎 2 = 𝜇2 − 𝜇1 2 = − =
3 4 12
𝑎 = 0 ,𝑏 = 1
2
1
𝜎 =
12 57
Entonces:
1 1
2
𝜇1 = y 𝜎 = ∀ 𝑟 ∈ > 0,1 < 𝑅𝑎𝑛𝑑𝑜𝑚
2 12
𝐸 𝑟𝑖 = 𝑛∅ y 𝑉𝑎𝑟 (𝑟1 + 𝑟2 + 𝑟3 + ⋯ + 𝑟𝑛 )
𝑖=1
58
𝑉𝑎𝑟 (𝑟1 ) + 𝑉𝑎𝑟(𝑟2 ) + 𝑉𝑎𝑟(𝑟3 ) + ⋯ + 𝑉𝑎𝑟(𝑟𝑛 )
𝜎 2 + 𝜎 2 + 𝜎 2 + ⋯ + 𝜎 2 = 𝑛𝜎 2
𝑛 𝑏
𝑖=1 𝑟𝑖
− 𝑛∅ 1
𝑃 1
−2𝑧 2
𝑎< <𝑏 → 𝑒 𝑑𝑧
𝑛→∞ 𝜎 𝑛 2𝜋 𝑎
59
Proceso de Aplicación
𝑛
𝑦 − 𝜇𝑦 𝑖=1 𝑟𝑖− 𝑛∅
=
𝜎𝑦 𝜎 𝑛
𝑛
𝑖=1 𝑟𝑖 − 𝑛∅
𝑦 = 𝜎𝑦 + 𝜇𝑦
𝜎 𝑛
MEDIA 248.7
63
El comportamiento estadístico de estos datos será
presentado en una tabla de frecuencias y sus
respectivas gráficas.
64
Frecuencia relativa del Molibdeno
65
Frecuencia relativa acumulada
66
IV. DISTRIBUCIÓN T DE STUDENT
Sea el estadístico
𝑋−𝜇 𝑋−𝜇
𝑡 = 𝑁−1 =
𝑠 𝑠
𝑁
67
La distribución muestral de t viene dada por :
𝑌0
𝑌 = (𝜈+1)
𝑡2 2
1+
𝜈
Donde:
𝑌0 es una constante que depende de N
𝜈 = (N-1) se llama número de grados de libertad
68
69
70
Para grandes valores de 𝜈 o N (N > 30), la
distribución se aproxima estrechamente a la curva
normal tipificada
1 1
− 𝑡2
𝑌 = 𝑒 2
2𝜋
71
Intervalos de confianza de t - Student
72
Ejemplo: Intervalos de confianza
𝑿−𝝁
−𝒕𝟎.𝟗𝟕𝟓 < 𝑵 − 𝟏 < 𝒕𝟎.𝟗𝟕𝟓
𝒔
73
Despejar 𝜇
𝑋−𝜇
−𝑡0.975 < 𝑁 − 1 < 𝑡0.975
𝑆
𝑆 𝑆
× 𝑆 − 𝑡0.975 < 𝑋 − 𝜇 < 𝑡0.975
𝑁−1 𝑁−1
74
𝑆 𝑆
+ −𝑋 − 𝑋 − 𝑡0.975 < −𝜇 < 𝑡0.975 −𝑋
𝑁−1 𝑁−1
𝑆 𝑆
× −1 𝑋 + 𝑡0.975 > 𝜇 > 𝑋 − 𝑡0.975
𝑁−1 𝑁−1
𝑆 𝑆
𝑋 − 𝑡0.975 < 𝜇 < 𝑋 + 𝑡0.975
𝑁−1 𝑁−1
75
De lo que se deduce que 𝜇 se encuentra en el
intervalo
𝑠 𝑠
𝑋 − 𝑡0.975 < 𝜇 < 𝑋 + 𝑡0.975
𝑁−1 𝑁−1
Con el 95% de confianza (es decir, probabilidad
de 0.95).
76
Intervalos de confianza de t - Student
𝑠
𝑋 ± 𝑡𝑐
𝑁−1
78
Solución
Los límites de confianza del 95% son dados por
𝒔
𝑿 ± 𝒕𝒄
𝑵−𝟏
Entonces, utilizando 𝑿 = 𝟒. 𝟑𝟖 𝒚 𝒔 = 𝟎. 𝟎𝟔
79
Los límites de confianza del 95% pedidos son
𝟎. 𝟎𝟔
𝟒. 𝟑𝟖 ± 𝟐. 𝟐𝟔
𝟏𝟎 − 𝟏
= 𝟒. 𝟑𝟖 ± 𝟎. 𝟎𝟒𝟓𝟐%
Así pues, se puede estar en la confianza del 95% de
que el valor verdadero se encuentra entre
𝟒. 𝟑𝟖 − 𝟎. 𝟎𝟒𝟓 = 𝟒. 𝟑𝟑𝟓 % y
𝟒. 𝟑𝟖 + 𝟎. 𝟎𝟒𝟓 = 𝟒. 𝟒𝟐𝟓 %
80
81
V. DISTRIBUCIÓN CHI - CUADRADO
Sea el estadístico
𝑁𝑠 2 𝑋1 − 𝑋 2 + 𝑋2 − 𝑋 2 + ⋯ + 𝑋𝑁 − 𝑋 2
𝜒2 = 2 =
𝜎 𝜎2
82
La distribución llamada distribución chi – cuadrado
viene dado por:
1 2
𝜈−2 −2𝜒
𝑌= 𝑌0 𝜒 𝑒
Donde:
𝑌0 es una constante que depende de 𝜈
𝜈 = (N-1) se llama número de grados de libertad
83
84
Gráfica de la distribución Chi-Cuadrado
85
LA PRUEBA CHI-CUADRADO
Una medida de la discrepancia existente entre las
frecuencias observadas y esperadas es suministrada
𝝌𝟐
por el estadístico (léase chi-cuadrado), dado por
𝒌 𝟐
𝟐 𝟐 𝟐 𝒐𝒋 − 𝒆𝒋
𝒐𝟏 − 𝒆𝟏 𝒐𝟐 − 𝒆𝟐 𝒐𝒌 − 𝒆𝒌
𝝌𝟐 = + + ⋯+ =
𝒆𝟏 𝒆𝟐 𝒆𝒌 𝒆𝒋
𝒋=𝟏
𝒐𝒋 = 𝒆𝒋 = 𝑵
86
Ejercicio 1
Cara 1 2 3 4 5 6
Frecuencia 25 17 15 23 24 16
Observada
Frecuencia 20 20 20 20 20 20
Esperada
87
Solución
𝟐 𝟐 𝟐 𝟐 𝟐 𝟐
𝟐
𝒐𝟏 − 𝒆𝟏 𝒐𝟐 − 𝒆𝟐 𝒐𝟑 − 𝒆𝟑 𝒐𝟒 − 𝒆𝟒 𝒐𝟓 − 𝒆𝟓 𝒐𝟔 − 𝒆𝟔
𝝌 = + + + + +
𝒆𝟏 𝒆𝟐 𝒆𝟑 𝒆𝟒 𝒆𝟓 𝒆𝟔
25 − 20 2 17 − 20 2 15 − 20 2 23 − 20 2 24 − 20 2 16 − 20 2
+ + + + +
20 20 20 20 20 20
= 𝟓. 𝟎𝟎
Por otra parte el número de categorías o clases
(caras 1, 2, 3, 4, 5, 6) es k = 6,
𝝂 = 𝒌 − 𝟏 = 𝟔 − 𝟏 = 𝟓 𝒈𝒓𝒂𝒅𝒐𝒔 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕𝒂𝒅
88
El valor crítico 𝝌𝟐𝟎.𝟗𝟓 para 5 grados de libertad es
11.1. Entonces, puesto que 5.00 < 11.1 no se puede
rechazar la hipótesis de que el dado está bien hecho.
89
90
VI. DIAGRAMA DE DISPERSIÓN Y
RECTA DE REGRESIÓN
91
Sea la ecuación de la recta de mínimos cuadrados
𝑌 = 𝑎0 + 𝑎1 𝑋
Los valores de Y en esta recta correspondientes a
𝑋 = 𝑋1 , 𝑋2 , … , 𝑋𝑁
Son
𝑎0 + 𝑎1 𝑋1 , 𝑎0 + 𝑎1 𝑋2 , . . . , 𝑎0 + 𝑎1 𝑋𝑁
92
Mientras que los valores reales son
𝑌1 , 𝑌2 , … , 𝑌𝑁
respectivamente.
𝑺 = 𝒂𝟎 + 𝒂𝟏 𝑿𝟏 − 𝒀𝟏 𝟐 + 𝒂𝟎 + 𝒂𝟏 𝑿𝟐 − 𝒀𝟐 𝟐 + ⋯ + 𝒂𝟎 + 𝒂𝟏 𝑿𝑵 − 𝒀𝑵 𝟐
es mínimo.
93
Pero S es mínimo cuando las derivadas parciales de S con
respecto a 𝑎0 𝑦 𝑎1 son cero.
Entonces
𝝏𝑺
= 𝟐 𝒂𝟎 + 𝒂𝟏 𝑿𝟏 − 𝒀𝟏 + 𝒂𝟎 + 𝒂𝟏 𝑿𝟐 − 𝒀𝟐 + ⋯ + 𝒂𝟎 + 𝒂𝟏 𝑿𝑵 − 𝒀𝑵 =𝟎
𝝏𝒂𝟎
𝝏𝑺
= 𝟐 𝒂𝟎 + 𝒂𝟏 𝑿𝟏 − 𝒀𝟏 𝑿𝟏 + 𝒂𝟎 + 𝒂𝟏 𝑿𝟐 − 𝒀𝟐 𝑿𝟐 + ⋯ + 𝒂𝟎 + 𝒂𝟏 𝑿𝑵 − 𝒀𝑵 𝑿𝑵 = 𝟎
𝝏𝒂𝟏
94
Y de aquí se obtienen las ecuaciones normales:
𝑁𝑎0 + 𝑎1 ΣX − ΣY = 0
𝑎0 Σ𝑋 + 𝑎1 Σ𝑋 2 − ΣXY = 0
95
Que dan:
Σ𝑌 Σ𝑋 2 − Σ𝑋 Σ𝑋𝑌
𝑎0 =
𝑁Σ𝑋 2 − Σ𝑋 2
𝑁Σ𝑋𝑌 − Σ𝑋 Σ𝑌
𝑎1 =
𝑁Σ𝑋 2 − Σ𝑋 2
𝑌 = 𝑎0 + 𝑎1 𝑋
96
Ejercicio
97
Tabla 1
Ley de Mo (ppm) -
65 63 67 64 68 62 70 66 68 67 69 71
Laboratorio A
Ley de Mo (ppm) -
68 66 68 65 69 66 68 65 71 67 68 70
Laboratorio B
98
a) El diagrama de dispersión se obtiene representando
los puntos (X,Y) sobre un sistema de coordenadas
rectangulares, como se muestra en la figura siguiente.
99
Y Dispersión Lab A - Lab B
72
71
70
69
Ley Mo (ppm) - Lab B
68
67
66
65
64
63
62
61 X
61 62 63 64 65 66 67 68 69 70 71 72
Ley Mo (ppm) - Lab A
100
b) La recta de regresión Y sobre X está dada por
𝑌 = 𝑎0 + 𝑎1 𝑋
donde 𝑎0 𝑦 𝑎1 se obtienen resolviendo el sistema
de ecuaciones normales
ΣY = 𝑎0 𝑁 + 𝑎1 ΣX
ΣXY = 𝑎0 Σ𝑋 + 𝑎1 Σ𝑋 2
101
Las sumas se muestran en la siguiente tabla
Tabla 2
Nº X Y X2 XY
1 65 68 4225 4420
2 63 66 3969 4158
3 67 68 4489 4556
4 64 65 4096 4160
5 68 69 4624 4692
6 62 66 3844 4092
7 70 68 4900 4760
8 66 65 4356 4290
9 68 71 4624 4828
10 67 67 4489 4489
11 69 68 4761 4692
12 71 70 5041 4970
∑X = 800 ∑Y = 811 ∑X2 = 53418 ∑XY = 54107
102
Y así las ecuaciones normales quedan
103
De donde se obtiene 𝑎0 = 35.82 y 𝑎1 = 0.476 ,
de modo que
𝑌 = 35.82 + 0.476𝑋
104
Y Dispersión_Leyes_Mo_(ppm)
72
71
70
Y = 35.82 + 0.476 X
69
68
Ley Mo (ppm) - Lab B
67
Dispersión_Leyes_Mo_(ppm)
66
65 Lineal (Dispersión_Leyes_Mo_(ppm))
64
63
62
61
61 62 63 64 65 66 67 68 69 70 71 72
X
Ley Mo (ppm) - Lab A
105
VII. TEORÍA DE CORRELACIÓN DE
MUESTRAS
106
CORRELACIÓN
Si la recta de regresión Y sobre X está dada por
𝒀 = 𝒂𝟎 + 𝒂𝟏 𝑿
El error típico de la estima 𝑺𝒀.𝑿 está dado por:
𝐘 − 𝐘𝐞𝐬𝐭 𝟐
𝐒𝐘.𝐗 =
𝐍
107
En la tabla siguiente se presentan los valores reales de Y y los
valores Y estimados denotados por 𝒀𝒆𝒔𝒕 , obtenidos de la recta
de regresión.
𝒀 = 𝟑𝟓. 𝟖𝟐 + 𝟎. 𝟒𝟕𝟔𝑿
X 65 63 67 64 68 62 70 66 68 67 69 71
Y 68 66 68 65 69 66 68 65 71 67 68 70
Yest 66,76 65,81 67,71 66,28 68,19 65,33 69,14 67,24 68,19 67,71 68,66 69,62
Y - Yest 1,24 0,19 0,29 - 1,28 0,81 0,67 - 1,14 - 2,24 2,81 - 0,71 - 0,66 0,38
108
Solución:
𝟐
𝒀 − 𝒀𝒆𝒔𝒕
𝑺𝟐𝒀.𝑿 =
𝑵
𝟏. 𝟐𝟒 𝟐 + 𝟎. 𝟏𝟗 𝟐 + ⋯ + 𝟎. 𝟑𝟖 𝟐
𝑺𝟐𝒀.𝑿 = = 𝟏. 𝟔𝟒𝟐
𝟏𝟐
𝑺𝒀.𝑿 = 𝟏. 𝟔𝟒𝟐 = 𝟏. 𝟐𝟖
109
La recta de regresión
𝒀 = 𝟑𝟓. 𝟖𝟐 + 𝟎. 𝟒𝟕𝟔𝑿
Aparece con trazo continuo en la siguiente figura,
Figura A.
𝐒𝐘.𝐗
𝐒𝐘.𝐗
111
VIII. MOVIMIENTOS MEDIOS
Dado un conjunto de números
3, 4, 3, 5, 4
Datos originales 2, 6, 1, 5, 3, 7, 2
114
Si los datos son dados anual o mensualmente, se
llama movimientos medio de orden N a un
movimiento medio de N años o un movimiento
medio de N meses, respectivamente. Así, se habla
de movimientos medios de 5 años, movimientos
medios de 12 meses, etc. Naturalmente que
cualquier otra unidad de tiempo puede igualmente
utilizarse.
115
Los movimientos medios tienen la propiedad de
tender a reducir la cantidad de variación presente
en un conjunto de datos. En el caso de series de
tiempo, esta propiedad se utiliza a menudo para
eliminar las fluctuaciones no deseadas y el proceso
se llama suavización de series de tiempo.
116
117
IX. QA – QC Y MUESTREO
118
Objetivo del QA-QC
• Prevenir el ingreso de grandes errores en la base de datos
utilizada para la estimación de recursos.
• Garantizar que la precisión de la información pueda ser
confirmada dentro de los límites razonables.
120
Los programas de QA–QC detallados son diseñados
para monitorear el muestreo rutinario y el
desempeño del laboratorio en un esfuerzo por
controlar (minimizar) el posible error total en la
secuencia muestreo – cuarteo – análisis.
121
El programa de QAQC integran un programa de
inserción rutinaria de materiales de control de
calidad. Estos incluyen:
122
Protocolos de Muestreo
Muestra DDH “N°0012”
3-4 kg
Preparación
en terreno
3-4 kg Chancador
(-3 mm)
Laboratorio
Divisor Rotatorio
de
preparación
de muestras Rechazo grueso de 1 de c/20
reingreso posterior
(muestrera) Muestra Muestra DDH N°0012
1 kg
(1 kg)
R1 al circuito como
3 kg Aprox. Duplicado Grueso
Pulverizador
(-150#)
Laboratorio
Químico Muestra
R3
Quimico (1 g Cu
50 g Au) 123
Esquema de preparación
Lote de Muestras DDH
Preparación
Muestra Gemela
en terreno (1/4 core) 1 c/20
Muestra Blanco
Grueso 1 c/20
(1.5-2) kg . (3-4) kg .
Chancador
(-3 mm)
Laboratorio
Divisor Rotatorio
de
preparación
de muestras
Rechazo Duplicado Grueso , de
(muestrera) 1 kg R1 grueso rechazo de lotes anteriores
1 c/20 (1) kg .
Pulverizador
(-150#)
Exactitud
Se define como la proximidad de los
resultados a un valor verdadero o aceptado.
125
Contaminación
126
127
ESTANDAR (Material de Referencia Estándar,
SRM)
Son muestras preparados bajo condiciones especiales por
laboratorios comerciales certificados. Se establece el mejor valor
(MV) del estándar para cada elemento en particular, tanto el MV
como el Intervalo de Confianza (IC) que caracterizan al estándar,
deben ser establecidos a través de múltiples análisis en una serie
de laboratorios de elevada reputación técnica.
Estas muestras son usadas para estimar la EXACTITUD del
análisis. Estos estándares deben ser insertados alternativamente
en los lotes.
128
RESULTADOS DEL LABORATORIO
INSERCIÓN DE STANDARD “A”
…
129
Ejemplos de Certificados
130
Análisis Materiales de Referencia- Proyecto “AA”
Estándar STZN-01
(SD)=0.055 131
Intervalo de Confianza (CI)= BV =2.0777
SD =0.055
n =n° de laboratorio : 4
t 0.975 = 3.18
Entonces:
CI = 3.18X0.055/ 4
CI = 0.087
(SD)=0.061 133
Intervalo de Confianza (CI)= BV =5.779
SD =0.061
n =n° de laboratorio : 4
t 0.975 = 3.18
Entonces:
CI = 3.18X0.061/ 4
CI = 0.097
(SD)=1.035 135
Intervalo de Confianza (CI)= BV =27.940
SD =1.035
n =n° de laboratorio : 4
t 0.975 = 3.18
Entonces:
CI = 3.18x1.035/ 4
CI = 1.646
137
Cómo se Evalúa la Exactitud
Exactitud - magnitud cualitativa
Criterio de Aceptación
141
Análisis STZN-01 –usando parámetros de
certificado
“Intervalo de Confianza -CI”
143
MUESTRA BLANCA
Material en blanco, consistente en material desprovisto del (los)
elemento(s) o producto de interés económico, o desprovisto de
un contaminante que afecta el costo de un proceso o decisión y
pueden ser:
Blancos Gruesos: Son muestras gruesas de material “sin
valores”, estas deberán indicar si la contaminación se produce
durante la preparación.
Blancos pulpa: Que son muestras de material pulverizado “sin
valores”; estas muestras deberán indicar si alguna
contaminación ha ocurrido durante el análisis.
“Las muestras en blanco deben ser colocadas después de muestras con leyes altas”
145
Gráfico de control para Blancos Vs Muestra
Precedente
146
Safe Limit
147
148
149
Observaciones Blancos Vs Muestra
Precedente
• Los valores de los blancos no deben
estar directamente influenciados por
las leyes de las muestras precedentes.
150
MUESTRA DUPLICADA
Una muestra duplicada tiene la misma ubicación
espacial que la muestra original. Los duplicados sólo
pueden obtenerse por cuarteo de muestras
representativas de minerales partidos.
151
Muestras gemelas : Estas muestras se envían para evaluar la
homogeneidad de la mineralización y la varianza del muestreo. En un
programa de perforación, la muestra de la mitad original del testigo será
dividida nuevamente en dos y un cuarto representará la muestra original y
el otro cuarto representara la muestra gemela.
152
Cómo se Evalúa la PRECISIÓN
El parámetro más comúnmente utilizado para evaluar la precisión en la
exploración geológica es el Error Relativo (ARD, por Absolute Relative
Difference, o AVRD, por Absolute Value of the Relative Difference)
156
157
158
159
160
Cuando la ley disminuye y se acerca al límite de detección,
la precisión empeora exponencialmente.
2*|Vo-Vd|
Límite Práctico de Detección
ER= -------------------
Ley ER ~ 100% (Vo+Vd)
161
Límite Práctico de Detección
Error Relativo -:
2*|Vo-Vd|
ER= -------------------
(Vo+Vd)
Valor absoluto de la diferencia entre el valor original
(Vo) y el valor duplicado (Vd), dividido por el
promedio entre ambos valores
162
163
Precisión: Esquema de Principio (y = mx)
164
Gráfico de control-Método de la hipérbola
Proyecto Quintana: Au in Field Duplicates
Evaluación (Low Grade Samples)
3.5
1.0
3.0 0.9
0.8
2.5 (All Samples) 0.7 FD
Max Au (g/t)
Max Au (g/t)
0.6 45º Line
2.0 FD
45º Line
0.5 Number of
Failure
1.5 Line 14
0.4
Number of Failures
14 0.3 12 8.1
1.0
Failures
12 8.1 0.2
0.5
0.1
0.0
0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5
Min Au (g/t) Min Au (g/t)
𝑯= 𝒎𝟐 × 𝒎𝒊𝒏 𝟐 + 𝒃𝟐
2 𝑉𝑜 − 𝑉𝑑 2 𝑜−𝑑
𝐸𝑅 = 𝐸𝑅 =
𝑉𝑜 + 𝑉𝑑 𝑜+𝑑
Cálculo de m
2 𝑦−𝑥
Valor de ER
𝐸𝑅 = Muestras gemelas ER = 30%
𝑦+𝑥
Duplicados Gruesos ER = 20%
2𝑦 − 2𝑥
0.3 = Duplicados Pulpa ER = 10%
𝑦+𝑥
𝑦 = 1.35𝑥
Cálculo de b
𝑏 = 𝑓 × 𝐿𝐷𝑃
167
168
Valor del parámetro b
Muestras Gemelas / b = [10 –> 20] x LDP
Duplicados de Campo LDP: Límite de detección práctica
170
Gráfico de Dispersión X-Y
171