8/12/2019 04 - Cambio de Soporte
1/69
Leccin 4:El cambio de soporte
8/12/2019 04 - Cambio de Soporte
2/69
El efecto de soporte
8/12/2019 04 - Cambio de Soporte
3/69
El concepto de soporte (1)
El soporte es el volumen sobre el cual se mide o se considerala variable en estudio:
testigo de sondaje
pozo de tronadura
compsito
unidad de seleccin minera (bloque)
8/12/2019 04 - Cambio de Soporte
4/69
El concepto de soporte (2)
El valor de la variable en el soporte de bloque se define comoel promedio aritmtico de los valores puntuales dentro de este
bloque:
La variable z(v) lleva el nombre de variable regularizada sobre el soporte v. El paso de la variable puntual a la variablede bloques se llama cambio de soporte o regularizacin.
donde v representa el bloque y |v| su volumen.
vd)(z
|v|1)v(z xx
8/12/2019 04 - Cambio de Soporte
5/69
El concepto de soporte (3)
Ejemplo: compositacin
Los datos con los cuales unotrabaja pueden tener soportesdistintos:
el muestreo y los anlisisqumicos son operacionescaras
mientras se perfora unsondaje, se atraviesan zonasconsiderables de lastre: nointeresa analizar leyes nulas
as, se genera la siguientesituacin:
8/12/2019 04 - Cambio de Soporte
6/69
El concepto de soporte (4)
Para que la regularizacin tenga un sentido fsico, se requiereque la variable en estudio sea aditiva .
Ejemplos: acumulacin en un elemento de inters
razn de solubilidad : no es una variable aditiva
potencia de un estrato
ley?
8/12/2019 04 - Cambio de Soporte
7/69
8/12/2019 04 - Cambio de Soporte
8/69
El efecto de soporte (2)
Banco de una faena conocido completamente, con altura 12m.La variable considerada es la ley de cobre.
8/12/2019 04 - Cambio de Soporte
9/69
Efecto del soporte en el variograma (1)
El paso de un soporte pequeo a un soporte mayor es unaoperacin reguladora ( suavizamiento de los mapas ).
8/12/2019 04 - Cambio de Soporte
10/69
Efecto del soporte en el variograma (2)
Expresin matemtica del variograma de la variable regularizadagv en funcin del variograma de la variable puntual g:
con:
vh: bloque v trasladado del vector h
)v,v()()v,v()v,v()(v ggggg hh h
gg v v2 dd)(|v|1
)v,v(h
yxyxh
gg v v2 dd)(|v|1
)v,v( yxyx
constante
8/12/2019 04 - Cambio de Soporte
11/69
Efecto del soporte en el variograma (3)
Ilustracin
8/12/2019 04 - Cambio de Soporte
12/69
Efecto del soporte en el histograma (1)
8/12/2019 04 - Cambio de Soporte
13/69
Efecto del soporte en el histograma (2)
El histograma regularizado tiene:
la misma media que el histograma puntual
una varianza menor
una forma distinta (simetrizacin)
Existen restricciones en el cambio de forma del histograma,regidas por la relacin de Cartier .
un rango menor
8/12/2019 04 - Cambio de Soporte
14/69
Efecto del soporte en el histograma (3)
La nube de puntos determinalos histogramas para cadasoporte
curva de regresin= diagonal
8/12/2019 04 - Cambio de Soporte
15/69
La evaluacin global derecursos recuperables
8/12/2019 04 - Cambio de Soporte
16/69
Objetivos
En el contexto minero, se desea prever la distribucin deleyes en el soporte de la unidad de seleccin (bloque), a
partir de la distribucin conocida de los datos de soporte casi-
puntual. Etapas:1) estimar el valor promedio
2) calcular la varianza de las leyes de bloques
3) determinar la forma del histograma de leyes de bloques
4) deducir la cantidad de recursos recuperables para el
soporte de bloques (tonelaje, ley media, metal)
8/12/2019 04 - Cambio de Soporte
17/69
Ley media (1)
Se estima la ley media con un promedio ponderado de los datosdisponibles {z( xa ), a 1... n}:
Se determina los ponderadores { wa , a 1... n} con algoritmosgeomtricos, para corregir los efectos de las irregularidades de
la malla de muestreo, atribuyendo un mayor ponderador a losdatos ms aislados: operacin de desagrupamiento .
Los ponderadores { wa , a 1... n} deben ser positivos y sumar 1.
a aaw
n
1
*
)(zm x
8/12/2019 04 - Cambio de Soporte
18/69
Mtodo de las reas / polgonos de influencia
El ponderador asignado a un dato es proporcional a su rea deinfluencia en la zona de estudio
dificultad en la definicin de los bordes de la zona.
Ley media (2)
8/12/2019 04 - Cambio de Soporte
19/69
Mtodo de las celdas
Se divide la zona en celdas rectangulares con igual ponderacin.Esta ponderacin se reparte entre los datos que pertenecen a esta
celda.
Ley media (3)
8/12/2019 04 - Cambio de Soporte
20/69
El resultado depende de varios parmetros:
el origen de la red de celdas (elegido al azar)
la orientacin de las celdas (en general, segn los ejes decoordenadas)
el tamao de las celdas
Ley media (4)
8/12/2019 04 - Cambio de Soporte
21/69
Para un muestreo preferencial en las altas leyes, se puedetomar el tamao de celda que minimiza el valor de la mediadesagrupada.
Para un muestreo cualquiera, se puede escoger un tamaoconvencional, e.g. la separacin promedio entre datos.
Ley media (5)
8/12/2019 04 - Cambio de Soporte
22/69
La precisin de la estimacin de la media se mide por la varianzadel error cometido, la cual se puede expresar por medio delvariograma de la variable regionalizada. La expresin sesimplifica cuando los datos tienen ponderadores iguales y elmuestreo es aleatorio puro, aleatorio estratificado o regular.
Los factores que influyen en la varianza de estimacin son:
la continuidad espacial de la variable regionalizada
el nmero de datos
su disposicin geomtrica : la estratificacin del muestreoreduce la varianza de estimacin
Ley media (6)
8/12/2019 04 - Cambio de Soporte
23/69
Ejemplo 1: muestreo aleatorio puro
La varianza de estimacin de la ley media de un dominio D seexpresa como:
n),( DDg
donde n es el nmero total de datos
Ley media (7)
gg D DDDD yxyx dd)(||1
),( 2
8/12/2019 04 - Cambio de Soporte
24/69
Ejemplo 2: muestreo regular
La varianza de estimacin de la ley media aproxima por:
n2E
donde n es el nmero total de datos
2E es la varianza del error cometido al estimar la leyde una celda de la malla de muestreo por el valor de undato ubicado en el centro de esta malla
Ley media (8)
8/12/2019 04 - Cambio de Soporte
25/69
Varianza de leyesde bloques (1)
1) A parti r de un modelo de variograma (varianzas tericas)
se modela el variograma g de los datos puntuales
se deduce el variograma gv de los valores regularizados
la varianza buscada es la meseta de este variograma:
)v,v()()(v ggg
Para evaluar la varianza de las leyes de bloques, existen dosalternativas:
8/12/2019 04 - Cambio de Soporte
26/69
2) A parti r de varianzas experimentales
las varianzas experimentales dependen del soporte de lasmediciones y del dominio muestreado
la frmula de Krige o relacin de aditividad plantea losiguiente:
varianza de la ley de un bloque en un dominio
varianza de los datos en el dominio varianza de los datos dentro del bloque
necesita una malla de muestreo relativamente densa para
poder evaluar el ltimo trmino
Varianza de leyesde bloques (2)
8/12/2019 04 - Cambio de Soporte
27/69
Modelamiento de la forma (1)
Los anlisis anteriores permiten calcular la media y la varianzade la variable regularizada (leyes de los bloques de seleccinminera).
Para poder seguir adelante, se requiere un modelo para conocer laforma del histograma regularizado.
El punto de partida es el histograma de los datos, al cual se aplica
una transformacin para obtener un modelo de histogramaregularizado.
8/12/2019 04 - Cambio de Soporte
28/69
Modelamiento de la forma (2)
Ejemplo (datos de cobre) :
distribuciones puntuales y regularizadas a 25m 25m
8/12/2019 04 - Cambio de Soporte
29/69
Modelamiento de la forma (3)
Modelo de correccin afn
Este modelo mantiene la forma del histograma puntual. No tomaen cuenta la simetrizacin que acompaa el cambio de soporte.
histograma de [z( x) m] / x histograma de [z(v) m] / v
8/12/2019 04 - Cambio de Soporte
30/69
Modelamiento de la forma (4)
Modelo de correccin lognormal
histograma puntual lognormal de media m y varianza x2
histograma regularizado lognormal de media m y varianza v2
8/12/2019 04 - Cambio de Soporte
31/69
Modelamiento de la forma (5)
Modelo de correccin lognormal
La transformacin matemtica es:
con b [ln(1 + v2 / m 2) / ln(1 + x2 / m 2)]1/2
a m1 b [1 + v2 / m 2] 1/2 [1 + x2 / m 2]b/2
histograma de z(v) histograma de a [z( x)]b
8/12/2019 04 - Cambio de Soporte
32/69
Modelamiento de la forma (6)
Modelo de correccin lognormal indirecta
Se aplica la correccin lognormal, luego se ajusta el parmetroa de modo que la transformacin no altera la media:
con b [ln(1 + v2 / m 2) / ln(1 + x2 / m 2)]1/2 a calculado de manera que z( x) y z(v) tengan igual media
histograma de z(v) histograma de a [z( x)]b
El mtodo de correccin lognormal indirecta slo debeaplicarse a datos de histograma cercano a una lognormal.
8/12/2019 04 - Cambio de Soporte
33/69
Ejemplo con los datos de cobreComparacin de la distribucin de leyes reales de los bloques de25m 25m, con las distribuciones obtenidas por los modelos decorreccin afn y correccin lognormal.
Modelamiento de la forma (7)
8/12/2019 04 - Cambio de Soporte
34/69
Modelamiento de la forma (8)
Otros modelos
Existen modelos ms complejos para especificar la forma delhistograma de los bloques:
modelo Gaussiano discreto : generaliza la correccin lognormal
modelos isofactoriales discretos , basados en distribuciones de probabilidad distintas a la distribucin Gaussiana.
Tambin se puede usar las tcnicas de simulacin condicional :se simula las leyes puntuales en una malla fina, luego serebloquea la simulacin al soporte de bloque y se calcula elhistograma de las leyes simuladas en este soporte.
8/12/2019 04 - Cambio de Soporte
35/69
Modelo Gaussiano discreto (1)
Se transforma los datos de leyes en valores con histogramaGaussiano de media 0 y varianza 1:
)](y[)(z xx
8/12/2019 04 - Cambio de Soporte
36/69
Modelo Gaussiano discreto (2)
Las leyes de bloques tambin pueden transformarse en valoresGaussianos de media 0 y varianza 1:
)]v(y[)v(z v
v
8/12/2019 04 - Cambio de Soporte
37/69
Modelo Gaussiano discreto (3)
Para cada sitio x ubicado en un bloque v, se supone que el parde valores {y( x),y(v)} sigue una distribucin bivariableGaussiana (binormal) de coeficiente de correlacin r.
8/12/2019 04 - Cambio de Soporte
38/69
Modelo Gaussiano discreto (4)
El coeficiente de correlacin r (tambin llamado coeficiente decambio de soporte ) est relacionado con la disminucin devarianza al pasar del soporte puntual al soporte de bloques:
bloque muy pequeo: r 1
bloque muy grande: r 0
8/12/2019 04 - Cambio de Soporte
39/69
Modelo Gaussiano discreto (5)
La relacin de Cartier permite caracterizar la funcin detransformacin de los bloques v a partir de aquella de losdatos :
de donde se deduce la distribucin de las leyes de bloques
Generaliza la correccin lognormal (si es una funcinexponencial, tambin lo es v)
El histograma se simetriza al pasar de un soporte pequeoa uno ms grande
duu
ur ry yv )2exp()1(2
1)(
22
8/12/2019 04 - Cambio de Soporte
40/69
Las curvas de selectividadpara describir los efectosde soporte e informacin
8/12/2019 04 - Cambio de Soporte
41/69
Definicin
Las curvas de selectividad son alternativas al histograma para visualizar la distribucin de leyes. Entre ellas, las msimportantes son:
ley promedio - ley de corte : indica la media de los valoresque superan una ley de corte
tonelaje - ley de corte : indica la proporcin de valores(fraccin del tonelaje total) que supera una ley de corte
ley promedio - tonelaje
cantidad de metal - ley de corte : la cantidad de metal sedefine como el producto del tonelaje por la ley promedio
cantidad de metal - tonelaje
8/12/2019 04 - Cambio de Soporte
42/69
Curvas de selectividad y soporte (1)
La jerarqua de estas curvasen funcin del soporteequivale a la relacin deCartier.
8/12/2019 04 - Cambio de Soporte
43/69
8/12/2019 04 - Cambio de Soporte
44/69
El efecto de soporte se traduce en una jerarqua de las curvascantidad de metal - tonelaje en funcin del soporte
Curvas de selectividad y soporte (3)
prdida de selectividad al cambiar de soporte.
8/12/2019 04 - Cambio de Soporte
45/69
La correccin afn asume que la curva metal - tonelaje de los bloques es un promedio ponderado entre la curva puntual y larecta lmite.
Curvas de selectividad y soporte (4)
8/12/2019 04 - Cambio de Soporte
46/69
Efecto de informacin (1)
Las curvas de selectividad representan los recursos recuperablesen un yacimiento (tonelaje, cantidad de metal, etc.). Dependende cuatro factores:
el efecto de soporte : mientras ms voluminoso el soporte,menos selectividad
el efecto de informacin : algunos bloques de mineral sonsubestimados y enviados equivocadamente a botadero; otros
bloques estriles son sobreestimados y enviados a planta
las restricciones geomtricas : algunos bloques de alta ley pueden ser abandonados si los costos para alcanzarlos sondemasiado altos.
la dilucin operativa
8/12/2019 04 - Cambio de Soporte
47/69
Efecto de informacin (2)
La decisin de enviar un bloque a planta o botadero se efectaen base a la ley estimada del bloque en lugar de la ley verdadera(desconocida).
8/12/2019 04 - Cambio de Soporte
48/69
Efecto de informacin (3)
Con respecto al efecto de soporte, el efecto de informacin provoca una prdida adicional de selectividad.
Ilustracin : efecto de informacin producido al estimar la leyde cada bloque por la ley de su pozo de tronadura central
8/12/2019 04 - Cambio de Soporte
49/69
Efecto de informacin (4)
Varios enfoques han sido desarrollados para cuantificar el efectode informacin, entre ellos el modelo Gaussiano discreto y la
simulacin condicional .
Un resultado importante es el siguiente: si el mtodo utilizado para estimar las leyes de bloques no tiene sesgo condicional , lascurvas de selectividad de las leyes estimadas usadas para laseleccin mineral/estril corresponden a las curvas de
selectividad efectivas (incluyendo ambos efectos de soporte einformacin).
8/12/2019 04 - Cambio de Soporte
50/69
Efecto de informacin (5)
8/12/2019 04 - Cambio de Soporte
51/69
8/12/2019 04 - Cambio de Soporte
52/69
La regresin de Krige (2)
Para corregir los sesgos, Krige aplic la siguiente regresin:
mi: ley promedio de las muestras al interior del panel
m: ley promedio de todas las muestras
a: coeficiente inferior a 1
mama )1( paneldelestimadaley i con
Propuesta de D. Krige
8/12/2019 04 - Cambio de Soporte
53/69
En la regresin de D. Krige, todas las muestras dentro del paneltienen el mismo peso; asimismo las muestras fuera del panel
tambin tienen un peso igual entre s, se siten o no prximos al.
La regresin de Krige (3)
G. Matheron mejor la ponderacin al atribuir a cada dato el ponderador que se merece realmente, segn su alejamiento alcentro del panel y la continuidad espacial de los valores; asformaliz el mtodo llamado kriging (1963). El kriging sueletener poco sesgo condicional, a diferencia de otros estimadorestales como el inverso de la distancia o los polgonos de
influencia.
Propuesta de G. Matheron
8/12/2019 04 - Cambio de Soporte
54/69
Ejercicios
Comparar los mapas, variogramas e histogramas de las leyes decobre y oro en los distintos soportes (1m 1m, 5m 5m, 25m 25m)
Realizar la correccin afn de las leyes de cobre y oro a partir delas muestras de exploracin, luego a partir de los pozos de lagrilla 25m 25m. Comparar las curvas tonelaje-ley obtenidas
declus , histplt, gammabar , affine , gtcurve , plotem
pixelplt , gam , vargplt , histplt , gtcurve , qpplt
Comparar las curvas ley promedio - tonelaje de los bloques 25m 25m, asociadas al efecto de soporte y al efecto de informacininducido al estimar cada bloque por su pozo central
gtcurve , condbias
8/12/2019 04 - Cambio de Soporte
55/69
Archivos de parmetrosde los programas GSLib
8/12/2019 04 - Cambio de Soporte
56/69
Mapa de datos en grilla (1)
Parameters for PIXELPLT***********************
START OF PARAMETERS:Grilla_25x25.dat -file with gridded data4 - column number for variable-1.0 1.0e21 - data trimming limits
pixel_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 numberLeyes de cobre - pozos centrales -TitleEste -X label
Norte -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
8/12/2019 04 - Cambio de Soporte
57/69
Parameters for PIXELPLT***********************
START OF PARAMETERS:Grilla_5x5.dat -file with gridded data5 - column number for variable-1.0 1.0e21 - data trimming limits
pixelplt_Cu_5m.ps -file with PostScript output1 -realization number80 2.5 5.0 -nx,xmn,xsiz120 2.5 5.0 -ny,ymn,ysiz11 11.0 12.0 -nz,zmn,zsiz1 -slice orientation: 1=XY, 2=XZ, 3=YZ10 -slice numberSoporte 5m x 5m -TitleEste [m] -X label
Norte [m] -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 en grilla (2)
8/12/2019 04 - Cambio de Soporte
58/69
Parameters for GAM******************
START OF PARAMETERS:Grilla_5x5.dat -file with data3 4 5 6 - number of variables, column numbers-1.0 1.0e21 - trimming limitsgam_Cu_grilla5x5.out -file for variogram output1 -grid or realization number80 2.5 5.0 -nx, xmn, xsiz120 2.5 5.0 -ny, ymn, ysiz
11 11.0 12.0 -nz, zmn, zsiz1 40 -number of directions, number of lags1 0 0 -ixd(1),iyd(1),izd(1)
0 -standardize sill? (0=no, 1=yes)3 -number of variograms1 1 1 -tail variable, head variable, variogram type2 2 1 -tail variable, head variable, variogram type3 3 1 -tail variable, head variable, variogram type
type 1 = traditional semivariogram2 = traditional cross semivariogram3 = covariance4 = correlogram5 = general relative semivariogram6 = pairwise relative semivariogram7 = semivariogram of logarithms8 = semimadogram
9 = indicator semivariogram - continuous10= indicator semivariogram - categorical
Variograma de datos en grilla (1)
8/12/2019 04 - Cambio de Soporte
59/69
Parameters for VARGPLT**********************
START OF PARAMETERS:gam_Cu_grilla5x5.ps -file for PostScript output3 -number of variograms to plot0.0 201.0 -distance limits (from data if max
8/12/2019 04 - Cambio de Soporte
60/69
Parameters for DECLUS*********************
START OF PARAMETERS: muestras.dat -file with data
1 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 & weights
1.0 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 (1)
8/12/2019 04 - Cambio de Soporte
61/69
Parameters for HISTPLT**********************
START OF PARAMETERS:declus.out -file with data4 7 - columns for variable and weight-1.0 1.0e21 - trimming limitshisplt_Cu_declus.ps -file for PostScript output
0.0 3.0 -attribute minimum and maximum0.17 -frequency maximum (
8/12/2019 04 - Cambio de Soporte
62/69
Parameters for GAMMABAR***********************
START OF PARAMETERS:25.0 25.0 12.0 -X,Y,Z size of block
11 11 1 -X,Y,Z discretization2 0.05 -nst, nugget effect1 0.13 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3
15.0 15.0 180.0 -a_hmax, a_hmin, a_vert
1 0.28 0.0 0.0 0.0 -it,cc,ang1,ang2,ang3100.0 100.0 180.0 -a_hmax, a_hmin, a_vert
Correccin afn (1)
El valor de salida es igual a la diferencia entre la varianzade los datos y la varianza de las leyes de bloques
)v,v(g
El factor de reduccin de varianza para la correccin afn vale:
)()v,v()(
ggg
f
8/12/2019 04 - Cambio de Soporte
63/69
Parameters for AFFINE*********************
START OF PARAMETERS:declus.out -file with data4 7 - columns for variable and weight-1.0 1.0e21 - trimming limits0.52 0.98 -reduction factor f and meanafin_Cu_declus.out -file for output
Correccin afn (2)
Parameters for HISTPLT**********************
START OF PARAMETERS:afin_Cu_declus.out -file with data8 7 - columns for variable and weight-1.0 1.0e21 - trimming limitsafin_Cu_declus.ps -file for PostScript output
0.0 3.0 -attribute minimum and maximum
0.17 -frequency maximum (
8/12/2019 04 - Cambio de Soporte
64/69
Parameters for AFFINE*********************
START OF PARAMETERS:Grilla_25x25.dat -file with data4 0 - columns for variable and weight-1.0 1.0e21 - trimming limits0.64 0.93 -reduction factor f and meanafin_Cu_pozos.out -file for output
Correccin afn (3)
Parameters for HISTPLT**********************
START OF PARAMETERS:afin_Cu_pozos.out -file with data8 0 - columns for variable and weight-1.0 1.0e21 - trimming limitsafin_Cu_pozos.ps -file for PostScript output
0.0 3.0 -attribute minimum and maximum
0.17 -frequency maximum (
8/12/2019 04 - Cambio de Soporte
65/69
f ( )
8/12/2019 04 - Cambio de Soporte
66/69
Parameters for GTCURVE**********************
START OF PARAMETERS:afin_Cu_pozos.out \file with data4 0 \ columns for grade and weight-1. 1.0e21 \ trimming limits100.0 \ clipping limit (upper limit)gtcurve_Cu_pozos.ps \file for Postscript output30 0.0 3.0 \Cutoff: num, min and max
0.0 1.0 \Tonnes: min and max0.0 5.0 \Grade: min and max
Curvas Tonelaje-Ley [pozos]
Correccin afn (5)
Parameters for GTCURVE**********************
START OF PARAMETERS:afin_Cu_pozos.out \file with data8 0 \ columns for grade and weight-1. 1.0e21 \ trimming limits100.0 \ clipping limit (upper limit)gtcurve_afin_Cu_pozos.ps \file for Postscript output30 0.0 3.0 \Cutoff: num, min and max
0.0 1.0 \Tonnes: min and max0.0 5.0 \Grade: min and max
Curvas Tonelaje-Ley [afin pozos]
C i f (6)
8/12/2019 04 - Cambio de Soporte
67/69
Parameters for PLOTEM*********************
START OF PARAMETERS:gtcurves_Cu.ps -output file2 2 -number of plots in X and Ygtcurve_Cu_declus.ps -first plot filegtcurve_afin_Cu_declus.ps -second plot filegtcurve_Cu_pozos.ps -third plot filegtcurve_afin_Cu_pozos.ps -fourth plot file
Correccin afn (6)
Parameters for QPPLT********************
START OF PARAMETERS:afin_Cu_declus.out -file with first set of data (X axis)8 7 - columns for variable and weight
grilla_25x25.dat -file with second set of data (Y axis)5 0 - columns for variable and weight-1.0 1.0e21 - trimming limitsqpplt_afin_Cu_declus.ps -file for PostScript output0 -0=Q-Q plot, 1=P-P plot0 -number of points to plot (
8/12/2019 04 - Cambio de Soporte
68/69
Parameters for GTCURVE**********************
START OF PARAMETERS:Grilla_25x25.dat \file with data5 0 \ columns for grade and weight-1. 1.0e21 \ trimming limits100.0 \ clipping limit (upper limit)gtcurve_Cu25_reales.ps \file for Postscript output30 0.0 3.0 \Cutoff: num, min and max
0.0 1.0 \Tonnes: min and max0.0 5.0 \Grade: min and max
Curvas Tonelaje-Ley [bloques]
Efecto de informacin (1)
Ef d i f i (2)
8/12/2019 04 - Cambio de Soporte
69/69
Parameters for GTCURVE**********************
START OF PARAMETERS:Grilla_25x25.dat \file with data4 0 \ columns for grade and weight-1. 1.0e21 \ trimming limits100.0 \ clipping limit (upper limit)gtcurve_Cu25_estimados.ps \file for Postscript output30 0.0 3.0 \Cutoff: num, min and max
0.0 1.0 \Tonnes: min and max0.0 5.0 \Grade: min and max
Curvas Tonelaje-Ley [bloques estimados]
Efecto de informacin (2)
CONDBIAS: Conditional Statistics********************************
START OF PARAMETERS:Grilla_25x25.dat \Input data file4 5 \column for estimate, true-1.0 1.0e21 \tmin,tmaxcondb_Cu25_regresion.out \Output for conditional bias20 \number of classescondb_Cu25_leyesmedias.out \Output for mean above cutoff