Proyecto de Evaluacin de Yacimientos

Clase N 6
Estimacin por Kriging Ordinario y Validacin del Modelo Estimado

1. Objetivos de la Clase N 6

Los principales objetivos de esta clase son:

Crear un modelo de bloques por kriging ordinario.

Realizar chequeos bsicos del modelo estimado.

2. Introduccin

La estimacin de leyes puede realizarse mediante varios mtodos. Los

mtodos clsicos utilizan principalmente consideraciones geomtricas para
ponderar las muestras en una vecindad al punto a estimar. Los mtodos
geoestadsticos combinan la configuracin geomtrica de los datos con la
cantidad de informacin que acarrean, a travs de las herramientas de anlisis
estructural (espacial) que se utilizan el variograma o la covarianza, las que
consideran efectos tales como la anisotropa existente, redundancia entre los
datos y cercana de stos al punto a estimar.

En esta clase, se estimarn las leyes en los bloques del modelo y luego se
validar mediante una serie de chequeos.

3. Repaso de mtodos de estimacin clsicos

Polgonos: El mtodo de los polgonos de influencia consiste simplemente en

ponderar el valor de la variable en cada punto por el rea o volumen de
D influencia. En tres dimensiones, el
z(u)
procedimiento de clculo consiste en
crear una malla fina de nodos y
S
asignar a cada uno, el valor de la
muestra ms cercana. De esta
manera, se pueden realizar
estimaciones tanto globales, como
locales. Para realizar con este
mtodo una estimacin global se
requiere tener bien delimitado el
campo de estudio.

Figura 1: Estimacin por polgonos.

Estimacin local: z(u) = z(u)

MI54A Evaluacin de Yacimientos 55

donde
u es el punto ms cercano a u
z(u) es el valor de la variable en el punto muestreado u

n
1
Estimacin global: m=
V


V z (u )
=1

donde
V = | D| corresponde al volumen total del dominio
V es el volumen de influencia de la muestra ubicada en el punto u
z(u) es el valor de la variable en el punto muestreado u

Inverso de la distancia: este mtodo sirve para realizar estimaciones locales y

consiste en ponderar las muestras cercanas al punto a estimar por el inverso
de la distancia elevado a alguna potencia (en general, entre 1 y 2). La suma de
todas las muestras ponderadas, dividida por la suma de los ponderadores
entrega el valor estimado en el punto que se quera estimar.

D
z(u)
d

Figura 2: Estimacin por inverso de la distancia.

n (u )
z (u )

dp
Estimacin local: z (u ) = =n1( u )
1

=1 d
p

donde:
n(u) corresponde al nmero de muestras utilizadas para estimar el punto u,
que puede estar definido por un radio de bsqueda, por ejemplo.
p es la potencia a la que se eleva el inverso de la distancia y que en general
est entre 1 y 2.
z(u) es el valor de la variable en el punto muestreado u

MI54A Evaluacin de Yacimientos 56

 4. Varianza-Error de estimacin (Varianza de estimacin)

La principal desventaja de los mtodos clsicos de estimacin es que no

consideran la estructura de la variable (continuidad, anisotropa, etc.), estn
simplemente condicionados por la geometra. Adems, no consideran el clculo
de la varianza de estimacin. A continuacin se presentan las ecuaciones que
permiten obtener esta varianza.

Varianza de estimacin:

Si a partir de un conjunto de muestras V={v1, v2, , vn} (que pueden

considerarse puntuales), se quiere estimar la media de un bloque V, mediante
el promedio aritmtico del conjunto de muestras (sin ponderar), y notando
E2 ( V, V ' ) , la varianza de la diferencia Z(V) - Z(V'), se puede hacer la siguiente
deduccin:

E2 ( V, V ' ) = Var (Z( V ) Z( V ' ))

Es decir, se interpreta la diferencia Z(V) - Z(V') como el error de estimacin, el

cual si se considera una variable estacionaria (de orden dos), tiene esperanza
nula y varianza igual a la varianza de estimacin recin expuesta. En caso de
estimar la ley de un bloque mediante una muestra central, por ejemplo, la
varianza de estimacin se denomina varianza de extensin.

Ahora bien, esta varianza puede desarrollarse como sigue:

Var (Z( V ) Z( V ' )) = Cov (Z( V ) Z( V ' ), Z( V ) Z( V ' ))

= Cov (Z( V ), Z( V )) + Cov (Z( V ' ), Z( V ' )) 2 Cov (Z( V ), Z( V ' ))

Pero Cov (Z( V ), Z( V )) = 2Z( V ) y Cov (Z( V ' ), Z( V ' )) = 2Z( V ' )

es decir, cada una de las covarianzas anteriores representan la varianza de los

bloques de tamao V (o V') en el dominio D.

Luego, la varianza de estimacin queda:

E2 (V, V ') = 2Z( V ) + 2Z( V ' ) 2 Cov (Z( V ), Z( V ' ))

donde
2Z( V ) = (2V / D ) = (2o / D ) ( o / V ) = (2o / D ) (V, V )

2Z( V ' ) = (2V ' / D ) = (2o / D ) ( o / V ' ) = (2o / D ) (V ' , V ')

y
Cov (Z( V ), Z( V ' )) = (2o / D ) (V, V ')

MI54A Evaluacin de Yacimientos 57

Por lo que la igualdad anterior queda:

E2 (V, V ') = 2 (V, V ') (V, V ) (V ' , V ')

es decir, la varianza del error de estimar V con V' es dos veces el variograma
medio entre todos los pares de puntos en los que un punto pertenece a V y el
otro a V', menos el variograma medio de los pares de puntos en V y menos el
variograma medio de los pares en V'.

Si las muestras que constituyen el dominio V' son pequeas relativas al

dominio a estimar V y al dominio total D, stas pueden considerarse para
efectos prcticos como muestras puntuales.

A continuacin se presentan tres clculos de varianzas de estimacin.

Ejemplo 1:

Al estimar la ley del bloque V de la figura, dada la muestra v1, se pide calcular
la varianza de estimacin. El modelo variogrfico de esta variable es el
siguiente:

(h) = Expa=2 / 3 (h)

es decir, se trata de un modelo exponencial sin efecto pepita, con meseta igual
a 1 y alcance prctico 2 (parmetro 2/3).
V

v1
3

Figura 3: Posicin de la muestra respecto al bloque a estimar.

La varianza de estimacin est dada por:

E2 (v 1, V ) = 2 (v 1, V ) (v 1, v 1 ) (V, V )

MI54A Evaluacin de Yacimientos 58

Con esto, para calcular ( v 1, V ) , se subdivide el bloque en 9 puntos (de manera
de discretizar el clculo del variograma medio) y se tiene:

( v 1 , V ) =
1
9
[
(0,5 2 ) + (1,5 2 ) + (2,5 2 ) + 2 ( 0,5 2 + 1,5 2 )

]
+ 2 ( 0,5 2 + 2,5 2 ) + 2 ( 1,5 2 + 2,5 2 )
= 0,928

Este valor ser ms parecido al verdadero ( v 1, V ) , mientras mayor sea la

cantidad de puntos en que se discretiza el bloque. Los siguientes son los
mnimos recomendados para aplicaciones prcticas:

Una dimensin: 10
Dos dimensiones: 6 x 6 = 36
Tres dimensiones: 4 x 4 x 4 = 64

El valor de ( v 1, v 1 ) es cero, puesto que es una muestra puntual y el

variograma en el origen es nulo.

Ahora se debe calcular el ( V, V ) que corresponde al variograma medio entre

todos los pares de puntos de la discretizacin del bloque. As:

( V, V ) =
1
81
[
9 (0) + 24 (1) + 16 ( 2 ) + 12 (2) + 4 (2 2 ) + 16 ( 5 ) ]
= 0,784

Finalmente, se puede calcular la varianza de estimacin:

E2 (v 1, V ) = 2 (v 1, V ) (v 1, v 1 ) (V, V )
= 2 0,928 0 0,784
= 1,072

Ejemplo 2:

Ahora se estimar la ley del bloque V de la figura, dada la muestra v2 ubicada

en el centro. Se desea calcular la varianza de estimacin. El modelo
variogrfico de esta variable es el mismo:

(h) = Expa=2 / 3 (h)

MI54A Evaluacin de Yacimientos 59

 V

3
v2

Figura 4: Posicin de la muestra respecto al bloque a estimar.

La varianza de estimacin est dada por:

E2 (v 2 , V ) = 2 (v 2 , V ) (v 2 , v 2 ) (V, V )

Procediendo igual que antes, se obtienen los siguientes variogramas medios:

( v 2 , V ) = 0,691
( v 2 , v 2 ) = 0
( V, V ) = 0,784

La varianza de estimacin resulta:

E2 (v 2 , V ) = 0,598

Ejemplo 3:

Ahora se estimar la ley del bloque V de la figura utilizando las dos muestras.
Se desea calcular la varianza de estimacin. El modelo variogrfico de esta
variable sigue siendo:

(h) = Expa=2 / 3 (h)

MI54A Evaluacin de Yacimientos 60

 V

3
v2

v1
3

Figura 5: Posicin de las muestras respecto al bloque a estimar.

La varianza de estimacin est dada por:

E2 (V ' , V ) = 2 (V ' , V ) (V ' , V ') (V, V )

donde V={v1, v2}.

Procediendo igual que antes, se obtienen los siguientes variogramas medios:

1
( V ' , V ) = (( v 1, V ) + ( v 2 , V )) = 0,810
2
1
( V ' , V ' ) = (( v 1, v 1 ) + ( v 1, v 2 ) + ( v 2 , v 1 ) + ( v 2 , v 2 )) = 0,479
4
( V, V ) = 0,784

La varianza de estimacin resulta:

E2 (V ' , V ) = 0,357

Como se ve, la varianza de estimacin depende de las geometras tanto del

dominio a estimar como del conjunto de muestras, adems de la estructura de
la variable (que se manifiesta a travs de su variograma o covarianza). Es
importante notar que la varianza no depende del valor de las muestras.

Como era de esperar, la varianza de estimacin mayor corresponde a la

configuracin con una muestra en la esquina del bloque. La configuracin con
la muestra en el centro tiene una varianza de estimacin de aproximadamente
la mitad del primer caso. Finalmente, dando iguales ponderadores a las dos
muestras, se obtiene una varianza an menor.

MI54A Evaluacin de Yacimientos 61

Se puede concluir que no tiene sentido dar igual peso a dos muestras que
conducen a errores tan diferentes. Intuitivamente, la muestra central debiera
tener un ponderador de aproximadamente dos tercios y la muestra de la
esquina, de slo un tercio.

Ahora bien, se desea que el error de estimacin sea lo ms pequeo posible,

es decir, que la varianza de estimacin sea mnima. Este es el origen del
kriging. Para lograr este objetivo debe desarrollarse una expresin para la
varianza de estimacin en que los ponderadores sean las incgnitas a
determinar.

5. Kriging Simple

Se considera, para el kriging simple, que la media m del dominio (o al menos la

media en una vecindad que se llamar vecindad de kriging) es conocida.

Adems, se conoce el valor de la variable que se quiere estimar en n puntos de

medicin: z(u), = 1,...,n.

Se asume inicialmente, que la media es nula.

Bajo estas condiciones, el valor estimado ser una combinacin lineal

ponderada de los valores conocidos:

n
Z * (u0 ) = Z (u )
=1

Se tiene entonces que la varianza de estimacin es la varianza de la diferencia

entre el valor estimado (combinacin lineal de los puntos medidos) menos el
valor real desconocido del punto a estimar. Esta varianza se puede
descomponer en la doble suma ponderada de las covarianzas de las distancias
entre las muestras ms la covarianza a priori del modelo variogrfico utilizado,
menos dos veces la suma ponderada de las covarianzas entre el punto a
estimar y los puntos medidos:

n
Var [Z * (u0 ) Z (u0 )] = Var Z (u ) Z (u0 )
=1
n n n
= C (u u ) + C (0) 2 C (u u )
=1 =1 =1

Para obtener los ponderadores que minimizan esta varianza, se debe derivar e
igualar a cero la expresin anterior, obtenindose el sistema de kriging
simple:

MI54A Evaluacin de Yacimientos 62

 n

C (u u ) = C (u u )
=1
0 = 1,,n.

Este sistema es un sistema lineal que tiene igual nmero de ecuaciones y de

incgnitas, y que corresponden al nmero de datos disponibles n. Este sistema
se presenta tambin en escritura matricial:

[C (u u )] [ ] = [C (u u0 )]

C (u1 u1 ) L C (u1 u n ) 1 C (u1 u0 )

M M M = M
C (u u ) L C (u u ) C (u u )
n 1 n n n n 0

Con esto, los ponderadores ptimos sern:

[ ] = [C (u u )]1 [C (u u0 )] .

Reemplazando estos valores en la expresin de la varianza de estimacin, que

ahora se llamar varianza de kriging, se obtiene que sta vale:

n
KS
2
(u0 ) = C (0) C (u u0 )
=1

El mismo sistema y la solucin pueden tambin plantearse en trminos del

variograma:

[ (u u )] [ ] = [ (u u0 )]

(u1 u1 ) L (u1 un ) 1 (u1 u0 )

M M M = M
(u u ) L (u u ) (u u )
n 1 n n n n 0

El haber asumido la media nula es una decisin que no parece muy prctica en
el caso minero, en que las variables regionalizadas son en su mayora mayores
que cero. Sin embargo, lo que se hace es trabajar con la variable Zm que
tiene media nula, resolver el sistema como se muestra en los prrafos
anteriores, y luego volver a Z una vez que se tengan los ponderadores ptimos
y se haya resuelto el sistema, de la siguiente forma:

n
Z * (u0 ) m = [ Z (u ) m] ,
=1

MI54A Evaluacin de Yacimientos 63

o bien
n n
Z * (u0 ) = Z (u ) + ( 1 ) m .
=1 =1

Ejemplo:

Dada la siguiente configuracin, calcular el estimador de kriging simple y su

varianza para estimar el punto u0.

15 m.

u0 u2

15 m.

u1

Figura 6: Configuracin de muestras para estimar u0.

El modelo variogrfico a utilizar es: (h) = 0,3 + 1,75 Expa=30 (h)

Se sabe que u1 = 0.50 g/t, u2 = 16.00 g/t y la media del sector (vecindad) es m =
1.40 g/t.

Las ecuaciones asociadas son las siguientes:

u0 = 0,50 1 + 16,00 2 + 1,40 (1 1 2 )

2
KS = C (u0 u0 ) 1 C (u0 u1 ) 2 C (u0 u 2 )

y para el clculo de los ponderadores ptimos, el sistema de ecuaciones es:

C (u1 u1 ) 1 + C (u1 u 2 ) 2 = C (u0 u1 )

C (u 2 u1 ) 1 + C (u 2 u 2 ) 2 = C (u0 u2 )

Del modelo variogrfico se tiene que:

C (u1 u1 ) = C (u 2 u 2 ) = C (u0 u0 ) = 2 = 2,05 (varianza de la poblacin)

C (u1 u 2 ) = C (u 2 u1 ) = 2,05 0,99 = 1,06
C (u0 u1 ) = 2,05 1,19 = 0,86

MI54A Evaluacin de Yacimientos 64

 C (u0 u 2 ) = 2,05 0,99 = 1,06

Luego, el sistema de ecuaciones queda:

2,05 1 + 1,06 2 = 0,86

1,06 1 + 2,05 2 = 1,06

Y las soluciones son:

1 = 0,208
2 = 0,410
(1 1 2 ) = 0,382

Por lo tanto, el estimador de kriging simple es:

u0 = (0,208 0,50) + (0,410 16,00) + (0,382 1,40) = 7,22 g/t

Y su varianza asociada:

KS
2
= 2,05 (0,208 0,86) (0,410 1,06) = 1,437 (g/t) 2

6. Kriging Ordinario

En la mayora de los casos la media no es conocida, por lo que el kriging

simple no se puede aplicar. Es necesario entonces, replantear el sistema de
kriging recin revisado, de manera de obtener los ponderadores sin
considerar la media.

Nuevamente, el estimador que se utiliza es una combinacin lineal de los

valores medidos de la variable en una vecindad:

n
Z * (u0 ) = Z (u )
=1

Sin embargo, en este caso debe imponerse la condicin de insesgo, es decir,

se debe imponer que la esperanza del error de estimacin sea nula:
n
E [ Z * (u0 ) Z (u0 )] = E [ Z (u )] E [ Z (u0 )]
=1
1424 3 1424 3
m m
n
=m ( 1 )
=1
Esto lleva a la siguiente restriccin (llamada tambin condicin de
universalidad):

=1
= 1.

MI54A Evaluacin de Yacimientos 65

Ahora, nuevamente se debe minimizar la varianza de estimacin, pero sujeta a
la restriccin recin presentada:
n n n
min Var [Z * (u0 ) Z (u0 )] = C (u u ) + C (0) 2 C (u u )
=1 =1 =1
n
s.a.

= 1
=1

Este problema se resuelve utilizando la tcnica de los multiplicadores de

Lagrange. Para esto, se minimiza la siguiente funcin:

n
E2 2 1
=1

igualando a cero sus derivadas parciales respecto a los ponderadores y al

multiplicador de Lagrange, se obtiene el sistema de kriging ordinario:

= 0 : C (u u ) = C (u u0 ) = 1...n
=1

= 0 : =1
n

=1

o matricialmente,

C (u u ) 1 C (u u0 )
1 0 = 1

C (u1 u1 ) L C (u1 u n ) 1 1 C (u1 u0 )

M M M M M
C (u u ) L C (u u ) 1 = C (u u )
n 1 n n
n n 0

1 L 1
0 1

Y la varianza de kriging vale:

n
KO
2
(u0 ) = 2 C (u u0 ) +
=1

Se puede utilizar equivalentemente el variograma en lugar de la covarianza,

obtenindose el sistema siguiente:

MI54A Evaluacin de Yacimientos 66

 n
(u u ) + = (u u0 ) = 1... n
=1
n
=1

=1

o matricialmente,

(u u ) 1 (u u0 )
1 0 = 1

(u1 u1 ) L (u1 u n ) 1 1 (u1 u0 )

M M M M M
(u u ) L (u u ) 1 = (u u )
n 1 n n
n n 0

1 L 1 0 1

Y la varianza de kriging vale:

n
KO
2
(u0 ) = (u u0 ) + .
=1

Ejemplo:

Dada la misma configuracin anterior, calcular el estimador de kriging ordinario

y su varianza para estimar el punto u0.

15 m.

u0 u2

15 m.

u1

Figura 7: Configuracin de muestras para estimar u0.

El modelo variogrfico a utilizar es: (h) = 0,3 + 1,75 Expa=30 (h)

Se sabe que u1 = 0.50 g/t y u2 = 16.00 g/t.

Las ecuaciones en este caso son:

MI54A Evaluacin de Yacimientos 67

 u0 = 0,50 1 + 16,00 2 con 1 + 2 = 1
2
KO = C (u0 u0 ) 1 C (u0 u1 ) 2 C (u0 u 2 ) +

y para el clculo de los ponderadores ptimos, el sistema de ecuaciones es:

C (u1 u1 ) 1 + C (u1 u2 ) 2 = C (u0 u1 )

C (u2 u1 ) 1 + C (u 2 u 2 ) 2 = C (u0 u 2 )
1 + 2 = 1

Del modelo variogrfico se tiene que:

C (u1 u1 ) = C (u 2 u 2 ) = C (u0 u0 ) = 2 = 2,05 (varianza de la poblacin)

C (u1 u 2 ) = C (u 2 u1 ) = 2,05 0,99 = 1,06
C (u0 u1 ) = 2,05 1,19 = 0,86
C (u0 u 2 ) = 2,05 0,99 = 1,06

Luego, el sistema de ecuaciones queda:

2,05 1 + 1,06 2 = 0,86

1,06 1 + 2,05 2 = 1,06
1 + 2 = 1

Y las soluciones son:

1 = 0,399
2 = 0,601
= 0,595

Por lo tanto, el estimador de kriging ordinario es:

u0 = (0,399 0,50) + (0,601 16,00) = 9,82 g/t

Y su varianza asociada:

KO
2
= 2,05 (0,399 0,86) (0,601 1,06) + 0,595 = 1,66 (g/t) 2

Se puede observar que el kriging simple es ms robusto que el kriging

ordinario, debido al efecto suavizante de la media.

7. Ejemplos de kriging ordinario

A continuacin se presentan ocho casos de kriging, donde se observa sobre los

ponderadores el efecto de la distancia, de la anisotropa, el efecto pantalla, el

MI54A Evaluacin de Yacimientos 68

efecto de declusterizacin y el resultados de tener un efecto pepita mayor en el
modelo variogrfico.

Se considera en primer lugar el caso base siguiente y el efecto de aumentar la

distancia de una de las muestras, con el variograma:

(h) = 0,2 + 0,8 Spha =100 (h)

En la figura siguiente se presenta la posicin de las muestras respecto al

bloque, con el valor del ponderador calculado mediante kriging ordinario.
Adems, se muestra el valor de la varianza de estimacin.

Caso base Efecto de distancia

2 2
K = 0,1888 K = 0,2162

0,25 0,265

50 0,25 0,25 50 0,303 0,303

0,25
0,129

50 50
Figura 8: Caso base y efecto del aumento de la distancia sobre los
ponderadores.

Como es lgico, al alejar una muestra, los pesos de las muestras ms cercanas
al bloque a estimar aumentan y el de la que se alej, disminuye. La varianza de
estimacin aumenta (pues la informacin es de peor calidad al estar ms lejos).
Adems se produce un resultado interesante: las muestras ms cercanas a la
muestra que se alej toman un peso mayor que la ms lejana (en este caso la
de ms arriba). Esto se debe a que el peso que pierde la muestra al alejarse se
traspasa principalmente a las muestras que se encuentran ms cercanas a ella.

Ahora considerando respecto al caso base, la presencia adicional de dos

muestras que estn ocultas respecto al bloque a estimar, se tendr el efecto
pantalla.

MI54A Evaluacin de Yacimientos 69

 Efecto pantalla

2
K = 0,1668

0,247

50 0,233 0,233

0,174
0,080

0,033

50

Figura 9: Efecto pantalla sobre los ponderadores de kriging.

Como se puede ver, los ponderadores de las muestras afectadas por este
efecto pantalla son muy bajos. Las tres muestras que forman este grupo suman
un peso de 0,287 (muy distinto al 0,5 que se podra suponer por tratarse de tres
muestras de seis). La varianza de estimacin disminuye, pues se cuenta con
una mayor cantidad de informacin (adems sta es de calidad superior al
caso base, pues adems de las cuatro muestras ubicadas en las mismas
posiciones, se dispone de dos muestras adicionales).

Se presenta ahora el efecto de declusterizacin del kriging sobre los pesos.

Este efecto se pudo apreciar en el caso anterior y se manifiesta como una
disminucin de los ponderadores cuando las muestras estn muy cerca unas
de otras (formando grupos o clusters).

Efecto de declusterizacin Efecto de decl. + distancia

2 2
K = 0,1668 K = 0,2107

0,215 0,3437

0,111 0,016
50 0,242 0,106 50 0,2674 0,013
0,111 0,016

0,215
0,3437

50 50 100 150

Figura 10: Efecto de declusterizacin y efecto de

declusterizacin + distancia.

Al igual que antes, la varianza de estimacin depende de la cantidad de

informacin disponible.

Se supone ahora que el variograma no es istropo. Se considera una

anisotropa geomtrica de razn 4 a 1 en la direccin X (es decir, el alcance del
modelo en esta direccin es cuatro veces mayor que en la direccin Y).

MI54A Evaluacin de Yacimientos 70

Considerando la misma disposicin de las muestras que en el caso base, se
tiene lo siguiente:

Efecto de la anisotropa

2
K = 0,2248

0,074

50 0,426 0,426

0,074

50

Figura 11: Efecto de la anisotropa geomtrica sobre

los ponderadores de kriging.

Finalmente, se presenta una configuracin para un modelo con un efecto pepita

de 20% y se compara, para la misma disposicin de las muestras, con un
modelo que tiene un efecto pepita de 70%.

Caso base Cambio en el efecto pepita

2 2
K = 0,0827 K = 0,1206

0,208 0,1044
50 50

0,042 0,1456

50 50
(h) = 0,2 + 0,8 Sph(100) (h) = 0,7 + 0,3 Sph(100)

Figura 12: Efecto sobre los ponderadores de un cambio en

el efecto pepita del modelo variogrfico.

Como puede verse, los ponderadores tienden a parecerse cuando el efecto

pepita es ms alto, llegando al extremo de ser todos iguales si se tiene efecto
pepita puro, sin importar la posicin de las muestras respecto al bloque a
estimar.

8. Estimacin en GEMS

Tras haber seleccionado los parmetros del plan de kriging ms indicado

mediante validaciones cruzadas, es necesario realizar la estimacin.

MI54A Evaluacin de Yacimientos 71

BLOCK > INTERPOLATE > KRIGING / INVERSE DISTANCE ESTIMATION

Se selecciona el archivo de control y ejecuta la estimacin. Segn los

parmetros indicados antes, se desplegarn los bloques y las muestras
(compsitos) utilizados en la estimacin, codificados segn el perfil de colores
escogido. La estimacin actualizar los archivos (modelos de bloques) de leyes
y varianzas (*.BL1 y *.VR1, respectivamente). Adems Se genera un archivo
ASCII (*.ASC) con un resumen de la estimacin y otro (*.LIS) con un listado de
los parmetros utilizados en la estimacin.

9. Despliegue de un modelo de bloques

Una vez realizada la estimacin, se puede desplegar en pantalla cualquiera de

los bloques actualizados. El despliegue se puede realizar en plantas o
secciones (filas o columnas) o combinar estos ltimos. Para ello, debe existir
un perfil de colores y debe realizarse una seleccin de los bloques a desplegar.
Haciendo clic con el mouse sobre un modelo de bloques en el rea del
proyecto, aparece el siguiente men. Seleccionando DISPLAY, aparece el
siguiente cuadro, donde se define el perfil de despliegue a utilizar.

Al seleccionar el botn para modificar o crear un perfil de despliegue (CELL

DISPLAY PROFILE), aparece el siguiente cuadro, donde se seleccionan el tipo
de despliegue, el perfil de colores y otros atributos.

MI54A Evaluacin de Yacimientos 72

Adems de esto, se deben seleccionar los niveles, columnas o filas a
desplegar, lo que tambin puede hacerse a travs del men:

BLOCK > SELECTION > DEFINE SELECTION

En esta ventana, se puede hacer una seleccin simple (de un solo nivel, fila o
columna), o bien, una seleccin mltiple:

Con la seleccin hecha, se desplegarn en pantalla los bloques seleccionados,

codificados con el perfil de colores indicado.

MI54A Evaluacin de Yacimientos 73

 10. Validacin de la estimacin

Validacin grfica: Consiste bsicamente en determinar si los compsitos

influenciaron de manera correcta a los bloques estimados. Se debe verificar
que en los puntos donde existan datos de alta ley, se generaron zonas de
bloques de alta ley y que lo mismo ocurra con las leyes bajas. Para realizarlo,
se deben desplegar plantas y secciones donde se incluyan los compsitos
(considerando un espesor en la visualizacin) y los bloques. Cualquier
problema mayor en el perfil de kriging realizado antes podr observarse
mediante esta validacin.

MI54A Evaluacin de Yacimientos 74

Validacin estadstica: El siguiente paso consiste en calcular estadsticas del
modelo de bloques por poblacin y compararlas con las estadsticas de los
compsitos utilizados para realizar la estimacin. Sin embargo, debe
considerarse que las leyes de bloques estimadas sern ms suaves (menor
varianza), por tratarse de una interpolacin. Esta validacin permitir definir si
existe sesgo global (debe compararse con las estadsticas desagrupadas de
los compsitos, por poblacin). Adems, se podr verificar la reduccin en la
varianza de dispersin, la que tericamente puede calcularse si se conoce el
variograma.

Clculo de derivas: Para determinar si las tendencias en el espacio de la

variable estimada corresponden a lo que los compsitos indican, se calculan
derivas, que corresponden a promedios tanto de los bloques estimados como
de los compsitos utilizados en franjas en cada una de las tres direcciones
(este, norte y elevacin). Se debe graficar, para cada direccin, la deriva de los
bloques y la de los compsitos. Las derivas de las leyes de bloque sern ms
suaves que aquellas de los compsitos, por el efecto de soporte.

La construccin de derivas permitir detectar errores en los mrgenes

(extrapolaciones incorrectas), principalmente.

MI54A Evaluacin de Yacimientos 75