01 - analisis exploratorio

Lección 1:Conceptos básicos y estudio

exploratorio de datos

Introducción (1)

La geoestadística es una disciplina que permite analizar datos ubicados en un espacio, por ejemplo:

• leyes de cobre, molibdeno, arsénico, etc., en un yacimiento

• porosidad y permeabilidad de la roca en un acuífero / reservorio

• cantidad de nitrato, pH, conductividad eléctrica en muestras de suelo

• concentración de un elemento contaminante en la atmósfera

• número y diámetro de los árboles en un bosque

• precio del cobre a lo largo del tiempo

Introducción (2)

Perspectiva histórica

• teoría de probabilidades

• procesos estocásticos

• precursores (1950-1960): Krige, Sichel, Matérn, Gandin

• formalización: Matheron (1962)

• utilización en Chile desde

1970

Introducción (3)

La estadística se ocupa de los métodos científicos para recolectar, organizar, resumir, presentar y analizar datos así como obtener conclusiones válidas y tomar decisiones razonables en base a dicho análisis

La geoestadística es una rama de la estadística aplicada que pone énfasis en:• el contexto geológico de los datos • la relación espacial entre los datos• datos medidos con un soporte volumétrico y precisión diferentes

Introducción (4)

La geoestadística permite estudiar datos numéricos cuantitativos. Estos datos pueden corresponder a distintos tipos de variables:

• Variables continuas (ordinales): leyes de mineral, densidad de roca, recuperación metalúrgica, etc.

• Variables discretas (ordinales): variables de conteo (número de diamantes); variables discretizadas (clases de leyes de mineral, abundancias de minerales medidas en una escala cualitativa)

• Variables categóricas (nominales): tipos de roca, alteraciones, mineralizaciones, etc.

Además de la información de la(s) variable(s), los datos geoestadísticos deben poseer la información de las coordenadas correspondientes a las mediciones realizadas.

Introducción (5)

El análisis geoestadístico de datos interviene en todas las etapas de un proyecto minero:

• Campaña de exploración

Evaluar y categorizar los recursos in situ

Justificar la producción de largo plazo

¿Dónde perforar nuevos sondajes?

¿Qué malla de perforación permitirá generar recursos bancables?

Modelo de pre-factibilidad

• Perforación de desarrollo, modelo de factibilidad

campaña de sondajes en malla densa

estimación local de recursos para determinar reservas mineras, planificar la producción de mediano y largo plazo, clasificar cada bloque como mineral o estéril

Introducción (6)

modelamiento geológico (tipos de roca, mineralización)

reporte (inventario) de los recursos y reservas, detallando su cantidad y su confiabilidad

auditoria para comprobar la evaluación

Introducción (7)

• Explotación

Mediciones en pozos de tronadura , canales, etc.

Planificación de corto plazo

Control de leyes: definir qué bloques mandar a planta o botadero

Reconciliación mina - planta

A medida que avanza el proyecto minero, se tiene un conocimiento más completo del depósito y se actualiza los modelos geológicos y de recursos / reservas para incorporar la información nueva.

Ejemplo: pórfido cuprífero en el cual se mide la ley de cobre

Introducción (8)

La cantidad de muestras influye en el conocimiento de la distribución espacial de las leyes (continuidad, anisotropía...)

Introducción (9)

Algunos objetivos de la geoestadística

describir la distribución de una variable en el espacio

conocer la incertidumbre sobre los valores no muestreados

construcción de escenarios posibles

análisis de riesgo

estimar losvalores en sitios no muestreados

calcular los recursos recuperables sobre una ley de corte

integrar información de distinta naturaleza o distinta calidad

diseñar una malla de muestreo “óptima”

Conceptos fundamentales de evaluación de yacimientos

Nociones fundamentales (1)

MINERAL

material que tiene un interés económico, en oposición a estéril

Esta definición depende de varios factores:

• temporales (precio del metal, tecnología...)

• ubicación (infraestructura disponible)

• legales (normas de seguridad, ambientales...)

• tasa de descuento


LEY

Es la concentración de un elemento (elemento principal, subproducto o elemento contaminante) en el subsuelo

POTENCIA, ACUMULACIÓN

LEY DE CORTE

Se trata de un valor de ley que separa categorías distintas de material, por ejemplo mineral y estéril


CONTINUIDAD

Este concepto se refiere a la distribución de un atributo en el espacio

continuidad geológica

continuidad de leyes

Nota: ambos tipos de continuidad no siempre se dan en forma simultánea


RECURSO GEOLÓGICO

Concentración u ocurrencia de material de interés económico intrínseco en o sobre la corteza de la Tierra en forma y cantidad en que haya probabilidades razonables de una eventual extracción económica

Se habla indistintamente de recursos geológicos, recursos minerales o recursos in situ


RESERVA MINERA

Es la parte económicamente explotable de un recurso mineral. Incluye dilución de materiales y tolerancias por pérdidas que se puedan producir cuando se extraiga el material.

Contempla la consideración de y modificación por factores razonablemente asumidos de extracción, metalúrgicos, económicos, de mercados, legales, ambientales, sociales y gubernamentales.


CATEGORIZACIÓN DE RECURSOS Y RESERVAS

El nivel de conocimiento y de confianza en las estimaciones aumenta con la exploración del depósito. Para el reporte de recursos y reservas, se suele definir varias categorías:

• los recursos minerales se subdividen, en orden de confianza geológica ascendente, en categorías de inferidos, indicados y medidos.

• las reservas mineras se subdividen, en orden creciente de confianza, en reservas probables y reservas probadas


Existen varios códigos internacionales para guiar la categorización de recursos y reservas: JORC (Australia), SAMREC (Sudáfrica), CIM (Canadá), IMM (Europa), SME (Estados Unidos)...


UNIDAD SELECTIVA DE EXPLOTACIÓN

Es el volumen mínimo de los bloques que se puede utilizar para seleccionar el mineral del estéril

• base para el estudio de factibilidad

• en el modelo de yacimiento, cada unidad contiene estimaciones

de sus leyes y otros parámetros (densidad, dureza, recuperación metalúrgica, etc.)

• depende del equipo para explotar (pala)


DILUCIÓN

La dilución se refiere al hecho de mezclar (no separar) el mineral del estéril. Puede deberse a varios factores:

• dilución “interna”

• dilución “externa” o de operación

geométrica: debido al contacto entre mineral y estéril

inherente: debida al tamaño de bloque


VARIABLE REGIONALIZADA

Una variable regionalizada es una función que representa el desplazamiento en el espacio de un atributo asociado a un fenómeno natural (mineralización)

Ejemplos:

• leyes en cobre, arsénico, molibdeno

• densidad de la roca

• código de litología

• potencia y acumulación de una veta


En general, una variable regionalizada presenta cierta continuidad espacial (zonas de altos valores / zonas de bajos valores), pero varía irregularmente y escapa a toda representación simple


Una variable regionalizada se caracteriza por:

• su naturaleza (continua / discreta / nominal o categórica)

• su dominio de extensión (campo)

• su soporte, por ejemplo: testigo de sondaje HQ de 1m de largounidad selectiva de explotación de 5m 5m 5m


Existe una relación entre el soporte y la distribución estadística de los valores: los soportes voluminosos presentan una menor cantidad de valores extremos y una mayor cantidad de valores intermedios que los soportes puntuales.

En minería, este efecto de soporte tiene consecuencia en la selectividad: los tonelajes, leyes medias y cantidades de metal recuperables sobre una ley de corte dependen del soporte de la unidad de selección.


Ejemplo: recursos recuperables sobre una ley de corte de 0.5% Cu


ADITIVIDAD

Se dice que una variable regionalizada es aditiva cuando el valor de un soporte grande (“bloque”) es el promedio aritmético o la suma de los valores “puntuales” dentro del bloque. Esta propiedad permite que realizar un cambio de soporte.

• Ejemplos:

potencia, acumulación, ley de mineral (si densidad constante)

razón de solubilidad, permeabilidad de la roca, código de tipo de roca

• Contra-ejemplos


¿Cuál es la ley promedio en la veta?

Sin ponderar por la potencia, se obtendría:

t

Augr93.3

91

352

34

356

75

296

215

505

106

212

75

199

140

581

81

253

119

335

9

1m2

t

Augr30.3

9134752151067514081119

352356296505212199581253335m1


COMPÓSITOS

Un mismo conjunto de datos no debe contener muestras de soporte distinto. Por ende, es necesario llevar las muestras a compósitos de la misma longitud (generalmente, igual a la altura del bloque de selección minera o a un sub-múltiplo de esta altura) que se pueden agrupar en el estudio estadístico.Mientras más largo el compósito, menos dispersos y menos erráticos los valores.


Creación de compósitos

Muestras originalescon su ley de cobre

Compósitos


DATOS Y MODELOS

En general, una variable regionalizada se conoce de manera parcial, a través de un conjunto limitado de datos:

• muestras de sondajes

• datos de producción (pozos de tronadura, canaletas)

Para aprovechar la información disponible, será necesario construir modelos matemáticos. Debe tenerse presente que un modelo nunca describe la variable regionalizada en su totalidad, sin simplificación, ni distorsión. También, la validez de un modelo puede depender de la escala de trabajo


Principios directores

• El modelo debe ser consistente (no incompatible) con los datos.

• Principio de realismo: encontrar un modelo que entrega una descripción adecuada de la variable, ni demasiado simplificada, ni demasiado deformada.

• Principio de economía: encontrar el modelo menos exigente que permite resolver el problema planteado.

• Reconstrucción operatoria: plantear el resultado en términos objetivos, susceptibles de ser refutados si se tuviera un conocimiento exhaustivo de la variable regionalizada.


ESTIMACIÓN LOCAL – INCERTIDUMBRE

Para compensar la falta de información debida al número limitado de datos, el modelo permitirá estimar los valores de los bloques que componen el yacimiento a partir de las muestras circundantes.

Cabe recordar que las estimaciones nunca son perfectas y están afectadas por errores que pueden incidir en el cálculo de los recursos o de las reservas


Ejemplo: clasificación de las unidades selectivas de explotación en mineral o estéril


Fuentes de errores

• variabilidad “inherente” de las leyes

• errores en el modelo geológico

• errores de muestreo (variabilidad “introducida”)

Etapas en la evaluación de yacimientos

• Modelamiento geológico: determinación de “unidades geológicas” en base a la litología, mineralogía, alteración, etc. En general, cada unidad se estudia y se estima por separado.

• Modelamiento geoestadístico de los datos

• Evaluación de la calidad de los datos (muestras)

• Estimación global y local de los recursos geológicos

• Definición y reporte de las reservas mineras

Herramientas exploratorias

Objetivos (1)

• Estudiar la cantidad y ubicación de los datos disponibles para realizar la estimación de recursos y reservas

• Verificar la calidad y representatividad de los datos (datos duplicados, atípicos o aberrantes; inconsistencias; derivas; tipos de

datos disponibles; soporte volumétrico; muestreo preferencial; relaciones multivariables; variables sub-muestreadas; etc.)

• Resumir la información contenida en los datos

• Familiarizarse con los datos y la geología

Objetivos (2)

• Definir los datos a utilizar (tamaño de compósitos; outliers / capping)

• Definir la(s) zona(s) de estudio.

• Seleccionar unidades geológicas

• Comprobar la homogeneidad de las leyes en cada unidad geológica, y la pertinencia de las unidades geológicas propuestas.

• Examinar contactos entre unidades geológicas

• Anticipar dificultades o problemas que puedan surgir en la fase de estimación de recursos y reservas.

Presentación de los datos

Sondajes de exploración en un yacimiento tipo pórfido cuprífero

obtención de 2376 datos compositados con sus leyes de cobre total (en %), oro total (en g/t) y el tipo de roca.

Código Tipo de roca4 Granodioríta cascada

54 Dioríta20 Brecha de turmalina31 Brecha de polvo de roca34 Brecha de polvo de roca y turmalina

28 Brecha monolito29 Brecha de turmalina - monolito

Tipos de despliegue• proyecciones en plantas y secciones; vistas 3D• codificar los datos por colores, por indicador o por símbolos

Despliegue de atributos (mapas) (1)

Permite visualizar la ubicación de los datos en el espacio y darse una idea preliminar de la continuidad espacial de la variable regionalizada en estudio:

• litología• mineralización definición de “unidades geológicas”• alteración• leyes, densidad, potencia, etc.

Ejemplo 1: mapas codificados por colores (ley de cobre total)


Ejemplo 2: mapas de indicadores


Ejemplo 3: visualización 3D


Ejemplo 4: mapas para variables categóricas


Ejemplo 5: modelo litológico en plantas o secciones


dos secciones visualización tridimensional

Histograma estándar

Visualiza la frecuencia de ocurrencia en función del valor

Distribución de leyes (1)


• dependiendo del número de datos, escoger un número de clases

• desplegar el rango importante de los datos (colas no se ven bien)

• desplegar estadísticas con un número razonable de decimales

Construcción


• Ver la distribución de valores (rango, forma, asimetría)

Utilidad

• Detectar valores atípicos (“outliers”)

• Detectar bi- o multi-modalidades (¿mezcla de varias poblaciones de datos?)

Estadística básica

• medidas de posición

• medidas de dispersión

• medidas de forma

media, moda, mínimo, máximo, cuantiles o percentiles (mediana, cuartiles, quintiles, deciles, centiles)


varianza, desviación estándar, coeficiente de variación, rango, rango intercuartil

coeficiente de asimetría, coeficiente de aplanamiento

Herramientas alternativas al histograma estándar

• histograma acumulado

• gráficos de probabilidad

• curvas tonelaje-ley


• diagrama de caja


Diagrama de caja

Permite resumir algunas características de la distribución, tal como su simetría y su dispersión

Histograma acumulado

Para cada ley de corte, se visualiza la frecuencia de los valores menores que dicha ley de corte.


Gráficos de probabilidad

El gráfico de probabilidad normal distorsiona el eje de las ordenadas del histograma acumulado, de modo que el gráfico dibujaría una recta en caso de tener una distribución normal o Gaussiana.

El gráfico de probabilidad lognormal consiste en usar una escala logarítmica en el eje de las abscisas: si la distribución de los valores fuera lognormal, se obtendría una recta.


Estos gráficos comparan una distribución empírica con una distribución de referencia normal o lognormal.


La presencia de varias “poblaciones” entre los datos puede traducirse en un quiebre de pendiente en estos gráficos. Sin embargo no es una condición necesaria ni suficiente, por lo que se debe complementar el análisis con otra información.

Curvas tonelaje-ley

El tonelaje asociado a una ley de corte es la cantidad de valores que superan esta ley de corte. La media de estos valores provee la ley promedio sobre la ley de corte. El tonelaje también puede expresarse como fracción del total (entre 0 y 1).



Cuando aumenta la ley de corte, el tonelaje decrece y la ley media crece. El producto del tonelaje por la ley media define la cantidad de metal (función decreciente de la ley de corte).

Hay que tener cuidado que las curvas tonelaje – ley dependen del soporte de los valores medidos, en particular las curvas asociadas a los datos (soporte “puntual”) no coinciden con las curvas de las unidades selectivas de explotación (“bloques”). Para estimar estas últimas, será necesario construir un modelo de cambio de soporte.

Nubes direccionales

Visualizan el comportamiento de los valores a lo largo de los ejes de coordenada. Esta herramienta permite detectar valores atípicos e identificar tendencias o cambios en la continuidad espacial de los valores.

Comportamiento direccional (1)


rango [m]media [% Cu]

desv. estándar [% Cu]

0 – 50 0.55 0.27

50 – 100 0.96 0.46

100 – 150 1.23 0.81

150 – 200 1.13 0.57

200 – 250 1.15 0.82

250 – 300 0.94 0.52

300 – 350 0.82 0.42

350 – 400 0.73 0.47




0 – 50 0.93 0.83

50 – 100 1.39 1.08

100 – 150 1.18 0.74

150 – 200 0.96 0.48

200 – 250 0.90 0.48

250 – 300 0.97 0.41

300 – 350 1.04 0.39

350 – 400 1.04 0.50

400 – 450 1.09 0.53

450 – 500 1.16 0.69

500 – 550 0.55 0.28

550 – 600 0.52 0.23




0 – 25 0.91 0.48

25 – 50 0.95 0.45

50 – 75 0.95 0.51

75 – 100 1.00 0.65

100 – 125 1.03 0.73

Gráfico cuantiles contra cuantiles

Visualiza los cuantiles de una variable en función de los cuantiles de otra variable.

Herramientas bivariables (1)


Posibles situaciones:

• el gráfico dibuja una recta

• el gráfico no dibuja una recta

igual a la diagonal (45º)paralela a la diagonalinclinada con respecto a la diagonal

Cuidado: el gráfico cuantil contra cuantil no da ninguna información sobre la correlación entre variables, sólo sobre el “parentesco” de sus distribuciones

Nube de dispersión


ver la relación par a par de ambas variables o “correlación” detectar valores aberrantes Pares deben corresponder a la misma ubicación en el espacio (co-localizados)

Ejemplos de uso


ley estimada-ley verdadera leyes de cobre-arsénico, cobre total-cobre soluble, etc. ley-profundidad


Coeficiente de correlación lineal

Resume la relación existente entre dos variables por un valor comprendido entre –1 y 1. Cuidado con las interpretaciones rápidas de este coeficiente, ya que es sensible a relaciones no lineales entre variables y a los valores extremos.

Se considera la nube de dispersión entre dos variables X e Y (ejemplos: leyes de cobre total vs. cobre soluble; leyes estimadas vs. reales; acumulación de oro vs. potencia; ley vs. coordenada)

La regresión lineal consiste en determinar la recta que mejor represente la nube de puntos. Su ecuación es:

ba XY

con: )X(var

)Y,X(cova

XY mm ab


Ilustración: valores reales vs. valores estimados de leyes


Matriz de correlación: en la intersección de la fila i con la columna j, se coloca el valor del coeficiente de correlación entre las variables nºi y nºj. Permite identificar grupos de variables correlacionadas entre sí.

Herramientas multivariables (1)

Cu Mo Au Ag

Cu 1.00 0.15 0.51 0.45

Mo 0.15 1.00 0.02 0.05

Au 0.51 0.02 1.00 0.77

Ag 0.45 0.05 0.77 1.00


Análisis en componentes principales: define factores (variables sintéticas que “resumen” la información multivariable) y da representaciones gráficas de datos multivariables


Métodos de clasificación / agrupamiento multivariable:

• algoritmos de particionamiento (k-means, método isodata, nubes dinámicas, expectation- maximization)

• algoritmos jerárquicos, ascendentes o descendentes, donde la partición se define al fusionar o subdividir grupos de individuos

Comportamiento espacial (1)

Nube de correlación diferida

Se trata de la nube de correlación entre los valores de dos datos ubicados a cierta distancia uno de otro.

Al hacer variar esta distancia de separación, se tiene una imagen de la continuidad de la variable regionalizada en el espacio:

• nube dispersa para distancia pequeña: variable errática

• nube muy aplastada: variable regular en el espacio

Comportamiento espacial (2)

Ejemplo: nubes para las distancias 20m y 100m

Ejercicios

Repetir el estudio exploratorio de los datos de cobre y realizar el estudio de los datos de oro en los sondajes de exploración

Comparar las características de las leyes de cobre en los sondajes con aquellas de los pozos de tronadura ubicados en los centros de los bloques de 25m × 25m × 12m

pixelplt, histplt, qpplt

locxyz, histplt, declus, scatplt, qpplt, probplt, gtcurve, getpairs

Comparar las características de los pozos de tronadura con aquellas de los bloques de 25m × 25m × 12m

pixelplt, histplt, qpplt, scatplt

Archivos de parámetros de los programas GSLib

Mapa de ubicación

Parameters for locxyz *********************

START OF PARAMETERS:muestras.dat -file with data1 2 4 - columns for X, Y, variable3 -1.0e21 1.0e21 - columns for Z and coordinate limits-1.0 1.0e21 - trimming limitsmapa_muestras_Cu_planta.ps -file for PostScript output0.0 400. -xmn,xmx0.0 600. -ymn,ymx0 -0=data values, 1=cross validation0 -0=arithmetic, 1=log scaling1 -0=gray scale, 1=color scale0 -0=no labels, 1=label each location0.0 3.0 0.5 -gray/color scale: min, max, increm0.25 -label size: 0.1(sml)-1(reg)-10(big)Muestras de exploracion (planta) -Title

Parameters for HISTPLT **********************

START OF PARAMETERS:muestras.dat -file with data4 0 - columns for variable and weight-1.0 1.0e21 - trimming limitshist_muestras_Cu.ps -file for PostScript output 0.0 3.0 -attribute minimum and maximum0.12 -frequency maximum (<0 for automatic)30 -number of classes0 -0=arithmetic, 1=log scaling0 -0=frequency, 1=cumulative histogram0 - number of cum. quantiles (<0 for all)2 -number of decimal places (<0 for auto.)Histograma estandar -title1.5 -positioning of stats (L to R: -1 to 1)-1.1e21 -reference value for box plot

Histograma

Parameters for DECLUS *********************

START OF PARAMETERS:muestras.dat -file with data1 2 3 4 - columns for X, Y, Z, and variable-1.0 1.0e21 - trimming limitsdeclus.sum -file for summary outputdeclus.out -file for output with data & weights1.0 0.25 -Y and Z cell anisotropy (Ysize=size*Yanis)0 -0=look for minimum declustered mean (1=max)94 30.0 500.0 -number of cell sizes, min size, max size10 -number of origin offsets

Desagrupamiento (1)

Parameters for SCATPLT **********************

START OF PARAMETERS:declus.sum -file with data1 2 0 0 - columns for X, Y, wt, third var.-1.0 1.0e21 - trimming limitsmedia_vs_tamano.ps -file for Postscript output0.0 500.0 0 -X min and max, (0=arith, 1=log)0.8 1.10 0 -Y min and max, (0=arith, 1=log)1 -plot every nth data point0.5 -bullet size: 0.1(sml)-1(reg)-10(big)0.0 5.0 -limits for third variable gray scaleMedia desagrupada vs tamano de celda -title

Desagrupamiento (2)

Parameters for DECLUS *********************

START OF PARAMETERS:muestras.dat -file with data1 2 3 4 - columns for X, Y, Z, and variable-1.0 1.0e21 - trimming limitsdeclus.sum -file for summary outputdeclus.out -file for output with data & weights1.0 0.25 -Y and Z cell anisotropy (Ysize=size*Yanis)0 -0=look for minimum declustered mean (1=max)1 48.0 48.0 -number of cell sizes, min size, max size10 -number of origin offsets

Desagrupamiento (3)

Parameters for HISTPLT **********************

START OF PARAMETERS:declus.out -file with data4 7 - columns for variable and weight-1.0 1.0e21 - trimming limitshist_declus_Cu.ps -file for PostScript output 0.0 3.0 -attribute minimum and maximum0.12 -frequency maximum (<0 for automatic)30 -number of classes0 -0=arithmetic, 1=log scaling0 -0=frequency, 1=cumulative histogram0 - number of cum. quantiles (<0 for all)2 -number of decimal places (<0 for auto.)Histograma desagrupado -title1.5 -positioning of stats (L to R: -1 to 1)-1.1e21 -reference value for box plot

Desagrupamiento (4)

Parameters for PROBPLT **********************

START OF PARAMETERS:declus.out -file with data4 7 - columns for variable and weight-1.0 1.0e21 - trimming limitslogprobplt_declus_Cu.ps -file for PostScript output0 -number of points to plot (<0 for all)1 -0=arithmetic, 1=log scaling0.1 10.0 0.5 -min,max,increment for labelingGrafico de probabilidad lognormal -title

Gráficos de probabilidad

Parameters for GTCURVE ********************** START OF PARAMETERS:declus.out \file with data4 7 \ columns for grade and weight-1. 1.0e21 \ trimming limits100.0 \ clipping limit (upper limit)gtcurve_declus_Cu.ps \file for Postscript output30 0.0 3.0 \Cutoff: num, min and max 0.0 1.0 \Tonnes: min and max 0.0 5.0 \Grade: min and maxCurvas Tonelaje-Ley

Curvas tonelaje-ley


START OF PARAMETERS:declus.out -file with data1 4 7 0 - columns for X, Y, wt, third var.-1.0 1.0e21 - trimming limitsnube_Cu_este.ps -file for Postscript output0. 400.0 0 -X min and max, (0=arith, 1=log)0.0 7.3 0 -Y min and max, (0=arith, 1=log)1 -plot every nth data point0.25 -bullet size: 0.1(sml)-1(reg)-10(big)0.0 5.0 -limits for third variable gray scaleNube direccional (este) -title

Nubes direccionales


START OF PARAMETERS:declus.out -file with data4 5 7 0 - columns for X, Y, wt, third var.-1.0 1.0e21 - trimming limitsscatplt_cobre_oro.ps -file for Postscript output0. 7.0 0 -X min and max, (0=arith, 1=log)0.0 70.0 0 -Y min and max, (0=arith, 1=log)1 -plot every nth data point0.25 -bullet size: 0.1(sml)-1(reg)-10(big)0.0 5.0 -limits for third variable gray scaleNube de dispersion -title

Nubes de dispersión

Parameters for QPPLT ********************

START OF PARAMETERS:declus.out -file with first set of data (X axis)4 7 - columns for variable and weightdeclus.out -file with second set of data (Y axis)5 7 - columns for variable and weight-1.0 1.0e21 - trimming limitsqqplt_declus_CuAu.ps -file for PostScript output0 -0=Q-Q plot, 1=P-P plot0 -number of points to plot (<0 for all)0.0 7.0 -X minimum and maximum0.0 70.0 -Y minimum and maximum0 -0=arithmetic, 1=log scalingGrafico cuantiles contra cuantiles -Title

Gráfico cuantiles contra cuantiles

Parameters for GETPAIRS ***********************

START OF PARAMETERS:muestras.dat -first data file1 2 3 4 -columns for X, Y, Z, and Valuemuestras.dat -second data file1 2 3 4 -columns for X, Y, Z, and Valuegetpairs.out -output file with pairs60.0 -maximum distance

Nube de correlación diferida (1)

Parameters for LOCMAP *********************

START OF PARAMETERS:getpairs.out -file with data2 3 1 - columns for X, Y, variable18.0 22.0 - trimming limitshscatt20.ps -file for PostScript output0.0 3.0 -xmn,xmx0.0 3.0 -ymn,ymx0 -0=data values, 1=cross validation0 -0=arithmetic, 1=log scaling0 -0=gray scale, 1=color scale0 -0=no labels, 1=label each location-1.0 0.0 0.5 -gray/color scale: min, max, increm0.2 -label size: 0.1(sml)-1(reg)-10(big)Nube de correlacion diferida (20m) -Title

Nube de correlación diferida (2)

Parameters for PIXELPLT ***********************

START OF PARAMETERS:Grilla_25x25.dat -file with gridded data4 - column number for variable-1.0 1.0e21 - data trimming limitspixel_pozos25_Cu.ps -file with PostScript output1 -realization number16 12.5 25.0 -nx,xmn,xsiz24 12.5 25.0 -ny,ymn,ysiz11 11.0 12.0 -nz,zmn,zsiz1 -slice orientation: 1=XY, 2=XZ, 3=YZ10 -slice number Leyes de cobre - pozos centrales -TitleEste -X labelNorte -Y label0 -0=arithmetic, 1=log scaling1 -0=gray scale, 1=color scale0 -0=continuous, 1=categorical0.0 3.0 0.5 -continuous: min, max, increm.2 -categorical: number of categories1 3 Code_One -category(), code(), name()2 1 Code_Two

Color Codes for Categorical Variable Plotting: 1=red, 2=orange, 3=yellow, 4=light green, 5=green, 6=light blue, 7=dark blue, 8=violet, 9=white, 10=black, 11=purple, 12=brown, 13=pink, 14=intermediate green, 15=gray

Mapa de datos ubicados en una grilla

01 - analisis exploratorio

Documents