Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Datamine software/Maximize the value of your Mine
Datamine software/Maximize the value of your Mine
Í NDICE
NDICE PÁGINAS
1 RESUMEN ------------------------------------------------------------------------------------------------------------------------------------------ 4
2 INTRODUCCIÓN ---------------------------------------------------------------------------------------------------------------------------------- 5
3 MOTIVACIÓN ------------------------------------------------------------------------------------------------------------------------------------- 5
3.1 CONCEPTOS ERRÓNEOS SOBRE LAS BÚSQUEDAS CON KRIGEAJE ---------------------------------------------------------------------------------- 6
3.2 CONSECUENCIAS DE VECINDARIOS EXCESIVAMENTE RESTRINGIDOS: SESGO CONDICIONAL ----------------------------------------------------- 7
4 CRITERIOS DE EVALUACIÓN ------------------------------------------------------------------------------------------------------------------- 9
4.1 LOS CRITERIOS A CONSIDERAR AL EVALUAR UN KRIGEAJE ---------------------------------------------------------------------------------------- 9
4.2 CÁLCULO DE LOS PARÁMETROS REQUERIDOS. ---------------------------------------------------------------------------------------------------- 9
4.3 PENDIENTE DE REGRESIÓN ---------------------------------------------------------------------------------------------------------------------- 10
4.4 PESO DE LA MEDIA PARA KRIGEAJE SIMPLE ----------------------------------------------------------------------------------------------------- 11
4.5 VARIANZA DE KRIGEAJE ------------------------------------------------------------------------------------------------------------------------- 12
4.6 DETERMINACIÓN DE NÚMEROS MÍNIMOS Y MÁXIMOS DE DATOS . ---------------------------------------------------------------------------- 12
5 APLICACIONES ---------------------------------------------------------------------------------------------------------------------------------- 13
5.1 APLICACIÓN DE QKNA A LA ESTIMACIÓN DE KRIGEAJE . --------------------------------------------------------------------------------------- 13
5.2 DETERMINACIÓN DEL TAMAÑO DE BLOQUE ---------------------------------------------------------------------------------------------------- 13
5.3 DISCRETIZANDO EL BLOQUE PARA KRIGEAJE. --------------------------------------------------------------------------------------------------- 14
5.4 APLICACIÓN DE QKNA A LA SIMULACIÓN CONDICIONAL . ------------------------------------------------------------------------------------- 15
5.5 APLICACIÓN DE QKNA A SITUACIONES MULTIVARIADAS. ------------------------------------------------------------------------------------- 16
5.6 ALGUNOS COMENTARIOS ADICIONALES SOBRE LA CLASIFICACIÓN DE RECURSOS -------------------------------------------------------------- 16
6 ESTUDIOS DE CASO ---------------------------------------------------------------------------------------------------------------------------- 17
6.1 CASO A: ESTIMACIÓN DE LA CALIFICACIÓN DE ORO EN UN DEPÓSITO DE ORO (3D) ---------------------------------------------------------- 17
6.2 CASO B - ESTIMACIÓN DEL CONTENIDO DE CENIZAS PARA UN DEPÓSITO DE CARBÓN (2D)--------------------------------------------------- 19
7 CONCLUSIONES -------------------------------------------------------------------------------------------------------------------------------- 20
8 EXPRESIONES DE GRATITUD ---------------------------------------------------------------------------------------------------------------- 22
9 BIBLIOGRAFÍA ---------------------------------------------------------------------------------------------------------------------------------- 22
10 APÉNDICE -------------------------------------------------------------------------------------------------------------------------------------- 25
10.1 VARIANZA DE ESTIMACIONES DE BLOQUE ---------------------------------------------------------------------------------------------------- 25
10.2 VARIANZA DE KRIGEAJE ----------------------------------------------------------------------------------------------------------------------- 26
Datamine software/Maximize the value of your Mine
Í NDICE
NDICE DE FIGURAS PÁGINAS
FIGURA N° 1 DIAGRAMA DE EFECTOS DE INFORMACIÓN QUE MUESTRA REGRESIÓN LINEAL. LOS CUADRANTES II Y IV SON LA CLASIFICACIÓN CORRECTA
DE ETERIL Y MINERALES, RESPECTIVAMENTE; MIENTRAS QUE LOS CUADRANTES I Y II SON CORRESPONDIENTES CLASIFICACIONES INCORRECTAS . ----- 8
FIGURA N° 2 VISUALIZACIÓN DE EJEMPLO DE SENSIBILIDAD DE , A DISCRETIZACIÓN. TENGA EN CUENTA QUE LA VARIACIÓN DE LOS RESULTADOS ,
REPRESENTADA EN EL EJE Y, NO MUESTRA UN AVANCE DESCENDENTE SIGNIFICATIVO MÁS ALLÁ DE APROXIMADAMENTE 6 × 6 × 2. EN ESTE CASO,
SERÍA ACEPTABLE 6 × 6 × 2 O 7 × 7 × 2. ---------------------------------------------------------------------------------------------------------------- 15
FIGURA N° 3 VISTA EN SECCIÓN TRANSVERSAL DEL BLOQUE ESTIMADO, UBICACIONES DE MUESTRA, PESOS KRIGEAJE Y ELIPSE DE BÚSQUEDA
SELECCIONADOS PARA EL CASO BIEN INFORMADO EN EL ESTUDIO DE CASO A. TENGA EN CUENTA QUE ALGUNAS MUESTRAS DENTRO DE LA ELIPSE NO
TIENEN PESOS PORQUE EL NÚMERO MÁXIMO DE MUESTRAS ES EL CRITERIO Y SE HA CUMPLIDO. ------------------------------------------------------ 18
FIGURA N° 4 VISTA EN PLANTA DEL BLOQUE ESTIMADO , UBICACIONES DE MUESTRA, PESOS DE KRIGEAJE Y ELIPSE DE BÚSQUEDA SELECCIONADOS PARA
EL CASO BIEN INFORMADO EN EL ESTUDIO DE CASO B. TENGA EN CUENTA QUE ALGUNAS MUESTRAS DENTRO DE LA ELIPSE NO TIENEN PESOS PORQUE
EL NÚMERO MÁXIMO DE CRITERIOS DE MUESTRA HA SIDO REUNIÓ . ------------------------------------------------------------------------------------ 21
Í NDICE
NDICE DE TABLAS PÁGINAS
TABLA N° 1 EJEMPLO DE SENSIBILIDAD DE , A LA DISCRETIZACIÓN. NÓTESE BIEN SE USÓ EL MISMO MODELO DE VARIOGRAMA PARA EL ESTUDIO
DE CASO A: PARA CADA DISCRETIZACIÓN, SE REALIZARON 13 CÁLCULOS DE , CON UN ORIGEN DE CUADRÍCULA CAMBIADO ALEATORIAMENTE .
------------------------------------------------------------------------------------------------------------------------------------------------------------ 16
TABLA N° 2 MODELO DE VARIOGRAMA PARA EL ESTUDIO DE CASO A. -------------------------------------------------------------------------------- 18
TABLA N° 3 ESTADÍSTICAS QKNA PARA EL CASO DE ESTUDIO A. ------------------------------------------------------------------------------------- 19
TABLA N° 4 MODELO DE VARIOGRAMA PARA EL ESTUDIO DE CASO B. -------------------------------------------------------------------------------- 20
TABLA N° 5 ESTADÍSTICA QKNA PARA EL ESTUDIO DE CASO B. -------------------------------------------------------------------------------------- 21
Datamine software/Maximize the value of your Mine
1 RESUMEN
Los estimadores geoestadísticos krigeaje ordinarios y los no lineales son ahora métodos
bien aceptados en el control de ley de minería y en la estimación de recursos mineros.
El Krigeaje también es un paso necesario en los métodos de simulación condicional más
utilizados en la industria minera. Tanto en krigeaje como en la simulación condicional, el
usuario define el volumen de búsqueda o "vecindad de krigeaje". La definición de esta
búsqueda puede tener un impacto muy significativo en el resultado de la estimación de
krigeaje o la calidad del condicionamiento de una simulación. En particular, un vecindario
que es demasiado restrictivo puede resultar en sesgos condicionales graves. La metodología
para evaluar cuantitativamente la idoneidad de una vecindad de krigeaje implica algunas
pruebas simples (que llamamos "Análisis Cuantitativo de Vecindad de Krigeaje" o QKNA
[siglas en Ingles]) que están bien establecidas en la literatura geoestadística. Los autores
argumentan que QKNA es un paso obligatorio en la configuración de cualquier estimación
con krigeaje, incluido uno utilizado para condicionar una simulación. El Krigeaje se describe
comúnmente como un "estimador de varianza mínima", pero esto solo es cierto cuando la
vecindad se define correctamente. Las decisiones arbitrarias sobre las búsquedas son
altamente riesgosas, ya que los pesos de krigeaje están directamente relacionados con el
modelo de variograma, la geometría de los datos y el soporte de bloque/muestra
involucrados en el krigeaje. Los criterios que se deben tener en cuenta al evaluar un
vecindario de krigeaje en particular son los siguientes:
1. La pendiente de la regresión de la calificación del bloque "verdadero" en la calificación
del bloque "estimado";
2. El peso de la media para un krigeaje simple;
3. La distribución de las ponderaciones de krigeaje en sí mismas (incluida la proporción
de ponderaciones negativas); y
4. La varianza krigeaje.
1
FAusIMM, Principal Geologist – Geostatistician, Quantitative Geoscience Pty Ltd, PO Box 1304, Fremantle WA 6959. E-
mail: jv@quantitativegeoscience.com
2
MAusIMM, Principal Geologist – Geostatistician, Quantitative Geoscience Pty Ltd, PO Box
B ox 1304, Fremantle WA 6959. E-
mail: sj@quantitativegeoscience.com
3
MAusIMM, Principal Mining Engineer – Geostatistician, Quantitative Geoscience Pty Ltd, PO Box 1304, Fremantle WA
6959. E-mail: ob@quantitativegeoscience.com
Datamine software/Maximize the value of your Mine
Fuera de la literatura geoestadística técnica, hay poco en el dominio público para describir
la naturaleza de QKNA y no hay una presentación práctica de ejemplos de casos. En este
documento intentamos corregir esto estableciendo los cálculos necesarios para QKNA y
definiendo algunos enfoques para interpretar los resultados. También se dan varios
ejemplos prácticos de minería trabajada. Finalmente, se hacen algunos comentarios sobre
el uso de los resultados de QKNA para ayudar con la selección del tamaño de bloque, la
elección de discretización y las decisiones de clasificación de recursos minerales.
2 INTRODUCCIÓN
Este artículo presenta la metodología para evaluar cuantitativamente la idoneidad de una
vecindad de krigeaje: es decir, la combinación de la estrategia de búsqueda y la definición
de bloque utilizadas en un krigeaje. En este documento, 'krigeaje' se refiere a krigeaje
ordinario (OK), a menos que se indique lo contrario y el proceso de evaluación de un
vecindario de krigeaje (para cualquier tipo de krigeaje) se denomina “Análisis cuan titativo
de vecindad de Krigeaje” o QKNA. Los autores argumentan que QKNA es un paso obligatorio
en la configuración de cualquier estimación de krigeaje, incluido uno utilizado para
condicionar una simulación.
Los criterios para evaluar la calidad del krigeaje dad una vecindad de krigeaje específica (o
"vecindad") están bien establecidos. Sin embargo, fuera de la literatura geoestadística
especializada (Armstrong, 1998; David, 1977; Rivoirard, 1987; Chiles y Delfiner, 1999), hay
poco en el dominio público para describir QKNA o para guiar a los geólogos en la
implementación. En este documento se intenta corregir esto estableciendo los cálculos
necesarios para QKNA y definiendo algunos enfoques para interpretar los resultados.
También se dan varios ejemplos prácticos de trabajos en minería. Finalmente, se hacen
algunos comentarios sobre el uso de los resultados de QKNA para ayudar con la selección
del tamaño de bloque, la elección de discretización y las decisiones de clasificación de
recursos minerales.
Este documento asume que el lector tiene una comprensión básica de la geoestadística
lineal. Se puede consultar a Armstrong (1998), Chiles y Delfiner (1999), Isaaks y Srivastava
(1989) o Journel y Huijbregts (1978) para obtener los antecedentes necesarios sobre
variogramas y el krigeaje.
3 MOTIVACIÓN
La motivación para el QKNA
Los estimadores geoestadísticos Krigeaje Ordinario (OK) y no lineales, incluidos el
condicionamiento uniforme y krigeaje de indicadores múltiples (KIM), ahora son métodos
generalizados y de rutina en la estimación de recursos minerales y control de ley. En este
documento, “krigeaje” se refiere a OK, a menos que se indique lo contrario. El Krigeaje
Datamine software/Maximize the value of your Mine
(Matheron, 1962, 1963a, 1963b; Journel y Huijbregts, 1978) también es un paso necesario
en los principales métodos de simulación condicional utilizados en la industria minera, por
ejemplo, simulación secuencial gaussiana (SGS), bandas rotantes (TB) y la simulación
secuencial de indicadores (SIS). La simulación condicional (Journel, 1974; Lantuejoul, 2002)
ahora está siendo utilizada por geólogos y mineros en aplicaciones de control de ley,
estimación de recursos y análisis de riesgo.
Tanto en el krigeaje como en la simulación condicional, el vecindario es definido por el
usuario (o al menos debería serlo: en algunos casos, un "enfoque de caja negra" puede
implicar aceptar parámetros predeterminados).
La especificación arbitraria del vecindario es muy arriesgada porque los pesos de krigeaje
están directamente relacionados con el modelo de variograma, la geometría de los datos y
el soporte de bloque/muestra involucrados en el krigeaje. Si bien el krigeaje se describe de
manera común y correcta como un "estimador de varianza mínima", esto solo es cierto
cuando el vecindario está correctamente definido. Esto requiere un método objetivo para
evaluar lo que constituye un vecindario "apropiado".
3.1 Conceptos erróneos sobre las búsquedas con krigeaje
3.1
Existe la idea errónea de que "el rango del variograma" es una buena estrategia para definir
el vecindario. La elección del vecindario debería verse influida más por la pendiente del
modelo de variograma en intervalos cortos y el efecto pepita (Nugget Effect) relativo (es
decir, la relación de la varianza del efecto pepita con la varianza total, expresada como un
porcentaje) que por los rangos en sí.
De hecho, a medida que el rango de un variograma se aproxima a cero ("efecto pepita
puro"), se puede demostrar que la vecindad requerida para una buena estimación será cada
vez más grande. En el caso de "efecto pepita puro", la correlación entre dos puntos
cualquiera en un dominio es cero. Por lo tanto, las muestras ubicadas dentro de cualquier
vecindario de búsqueda limitado, no se correlacionarán con la ley real del bloque. En otras
palabras, la estimación local es arriesgada y será cada vez más riesgosa a medida que
definamos vecindarios cada vez más pequeños. En el caso del "efecto pepita puro", la
estimación más confiable se realizará con el mayor número de muestras. De hecho, en este
caso, la búsqueda de todo el dominio será la "solución de varianza de estimación mínima".
Por otro lado, cuando el efecto de pepita relativo se aproxima a cero y el rango es muy largo
en relación con las dimensiones del bloque, las muestras más cercanas están altamente
correlacionadas con la verdadera calificación del bloque.
Por lo tanto, solo se requerirán muestras cercanas para gara
garantizar
ntizar que se realice una buena
estimación cuando el krigeaje y la búsqueda relativamente restringida pueda produc
producir
ir una
"solución de varianza de estimación mínima".
Datamine software/Maximize the value of your Mine
Datamine software/Maximize the value of your Mine
requiere un suavizado para asegurar que la pendiente de regresión sea lo más cercana
posible a uno. Nota: los cuatro cuadrantes marcados en la Figura 1 indican la clasificación
correcta e incorrecta del material para una ley de corte dada.
Figura N° 1 Diagrama de efectos de información que muestra regresión lineal. Los cuadrantes II y IV son la cla sificación
correcta de eteril y minerales, respectivamen
respectivamente;
te; mientras que los cuadrantes I y II son correspondiente
correspondientess clasificaciones
incorrectas.
Al observar la Figura 1, es obvio que en la práctica nunca conocemos las leyes de bloques
"verdaderas". Sin embargo, podemos inferir la relación entre los valores de bloque
verdaderos y los valores de bloque estimados bajo ciertas suposiciones. Una suposición
crítica es que el variograma se modela de manera confiable y representa adecuadamente
el dominio de interés, es decir, la suposición de estacionariedad intrínseca (ver Journel y
Huijbregts, 1978, Capítulo II) es razonable. El supuesto de estacionariedad intrínseca
permite el cálculo de covarianzas, por lo tanto, las correlaciones, entre cualquier soporte
específico, por ejemplo, entre bloques verdaderos y estimados. También debemos asumir
que una regresión lineal puede capturar la esencia de la relación entre las leyes de bloque
verdaderos y estimados.
Bajo los supuestos indicados anteriormente (el variograma es válido y la regresión es lineal),
es posible calcular los parámetros principales de la regresión entre las leyes de bloque
estimados y verdaderos, dado un determinado modelo de variograma, que informa el
conjunto de datos, el tamaño del bloque y la vecindad. Tenga en cuenta que el diagrama de
dispersión real (como se ilustra y resume en la elipse en la Figura 1) no se puede trazar
porque no conocemos las verdaderas leyes individuales de los bloques. Sin embargo, lo que
se puede saber es la pendiente de la regresión y la covarianza (por lo tanto, el coeficiente
de correlación) entre las leyes de bloque estimados y verdaderos.
Datamine software/Maximize the value of your Mine
El proceso de QKNA es, en esencia, uno de ajustar la vecindad para llegar a buenas
estadísticas de regresión con el fin de reducir o eliminar el sesgo condicional. Es importante
apreciar que esto requerirá un suavizado. Esta necesidad de suavizar es una consecuencia
del "efecto de información" (Journel y Huijbregts, 1978) que implica que los valores de
bloque estimados tendrán una varianza más baja que los verdaderos valores de bloque. La
única forma de obtener estimaciones en bloque que sean equivalentes a las leyes reales
("verdaderas") es basar la estimación en datos exhaustivos: es decir, "extraer la fuente con
un equipo de perforación". En todos los casos realistas, es necesario realizar algunos ajustes
y la tarea es minimizar el sesgo condicional. En otras palabras: suavizar es el precio que
debemos pagar por información no exhaustiva.
La pregunta es: "¿cuánto suavizamos para asegurar la imparcialidad condicional?" La
respuesta a esta pregunta requiere análisis (QKNA), no conjeturas.
4 CRITERIOS DE EVALUACIÓN
4.1 Los criterios a considerar al evaluar un Krigeaje
4.1
El objetivo de QKNA es determinar la combinación de vecindad de búsqueda y tamaño de
bloque que resultará en una imparcialidad condicional. Los criterios a considerar al evaluar
una vecindad de krigeaje en particular, el orden de prioridad utilizado en la práctica por los
autores, son:
1. La pendiente de regresión de la ley del bloque "verdadera" sobre la ley del bloque
"estimada";
2. El peso de la media para un krigeaje simple;
3. La distribución de las ponderaciones de krigeaje en sí mismas (incluida la proporción
de ponderaciones negativas); y
4. La varianza de krigeaje.
4.2 Cálculo de los parámetros requeridos.
4.2
Cualquier programa de krigeaje útil proporcionará la varianza de krigeaje para cada bloque
estimado. El criterio más importante, la pendiente de la
l a regresión, generalmente se puede
obtener de los programas de krigeaje. Puede ser necesario usar una opción de
“depuración”, donde los bloques se krigean individualmente y los pesos y otras estadísticas
se informan a un archivo de salida. En algún software de minería comercial, la salida
requiere un procesamiento posterior adicional para obtener la pendiente de regresión.
Si la pendiente de la regresión no se puede obtener en su software, le recomendamos que
se ponga en contacto con los desarrolladores para tener disponible esta mejora simple.
El peso de la media en un krigeaje simple no es tan fácil de obtener porque no se ofrece
como opción en algunos programas de planificación de minas.
Datamine software/Maximize the value of your Mine
dónde:
a: es la pendiente de la regresión
ZV: es la ley verdadera de bloque
ZV*: es la ley de bloque estimada
Tenga en cuenta que el valor de “a” es a menudo dado directamente por los programas
krigeaje. Sin embargo, incluimos en un apéndice técnico más detalles sobre la derivación de
“a” para lectores interesados.
Idealmente, la pendiente de la regresión “a” debería estar muy cerca de 1,0 y por lo tanto
implicar imparcialidad condicional. En estas circunstancias, la ley real de un conjunto de
bloques debe ser aproximadamente igual a la ley pronosticada por la estimación krigeda.
Krige (1994; 1996a) y Rivoirard (1987) analizan la pendiente y su interpretación.
La pendiente debe ser 1,0 para la imparcialidad condicional. Es posible una reescritura de
la expresión para la pendiente en términos del coeficiente de correlación ρ:
dónde:
a: es la pendiente de la regresión lineal
ρ: es el coeficiente de correlación lineal (de Pearson)
σZV: es la desviación estándar de las leyes
ley es verdaderas de bloque
σΖV*: es la desviación estándar de los
lo s grados de bloque estimados
Datamine software/Maximize the value of your Mine
De la expresión anterior podemos ver que incluso para una pendiente igual a 1,0; la
correlación puede ser menor que 1,0 (debido a que el efecto de suavizado del krigeaje
requiere que la variabilidad de las estimaciones sea menor que la de los bloques
verdaderos). Discutimos la interpretación de la pendiente más adelante en la siguiente
sección sobre clasificación de recursos, pero observamos que ningún criterio estadístico
debería ser la única base de la categorización de recursos.
4.4 Peso de la media para krigeaje simple
4.4
En lugar de realizar un krigeaje ordinario, donde la suma de los pesos se establece en uno,
podemos ejecutar krigeaje simple (SK) donde la suma de los pesos no está limitada a sumar
uno. El peso restante se asigna a la calificación media del dominio ("el peso de la media") y
es un índice inversamente proporcional del "efecto de pantalla". Se dice que una muestra
se "apantalla" si otra muestra se encuentra entre ella y el punto que se estima, en cuyo caso
se reduce el peso de la estimación de la muestra seleccionada. Si el variograma indica una
alta continuidad, el efecto de pantalla se pronunciará; a la inversa, el efecto pepita alto (o
estructura de escala corta significativa) implica que las ponderaciones se distribuirán lejos
de un bloque para reducir el sesgo condicional y minimizar la varianza de la estimación.
SK (Krigeaje Simple) también se denomina "krigeaje con media conocida" y se basa en el
supuesto de que la calificación promedio global es conocida e igual a m:
Donde:
Datamine software/Maximize the value of your Mine
Datamine software/Maximize the value of your Mine
5 APLICACIONES
5.1 Aplicación de QKNA a la estimación de krigeaje.
5.1
La solución óptima sería "sintonizar" el vecindario para cada bloque estimado, pero esto
obviamente no es práctico.
Por lo tanto, el objetivo es encontrar la mejor solución de compromiso: se define un
vecindario para un dominio que será adecuado para tantos bloques como sea posible. Si las
diferencias entre los vecindarios óptimos y este "vecindario de compromiso" son
demasiado grandes (como puede ocurrir cuando la densidad de datos es variable en un
dominio), puede haber un argumento para dividir más el área de estimación y realizar
múltiples ejecuciones.
Los pesos de krigeaje dependen de los datos en el sentido de que el modelo de variograma
que elegimos está íntimamente relacionado con el histograma y la continuidad espacial de
las propias muestras; sin embargo, las ecuaciones de krigeaje no contienen una referencia
directa a los valores de los datos en sí.
Esto significa que el conjunto de pesos obtenidos para una muestra determinada/geometría
de bloque y un modelo de variograma especificado siempre serán los mismos,
independientemente de las calificaciones de la muestra. Debido a esta propiedad, solo
necesitamos probar un rango de configuraciones de datos "típicas" para determinar la
búsqueda óptima (no tenemos que probar cada bloque). Los autores recomiendan probar
un rango de bloques de la siguiente manera:
1. Bloques bien informados (en medio de abundante información de muestreo,
especialmente con muestras internas al bloque);
2. Bloques menos informados, pero aún con datos que rodean el bloque; y
3. Bloques mal informados, incluyendo:
• Bloques sin muestras internas; y
• Bloques sin muestras en ciertas direcciones (es decir, bloques en los bordes de
los dominios).
5.2 Determinación del tamaño de bloque
5.2
Es importante entender que el tamaño del bloque es crítico en todos los casos en que se
aplicará un corte a una estimación (es decir, a menos que la estimación se use solo en un
sentido global y sin corte).
Existe una larga bibliografía de advertencias contra la estimación de bloques pequeños (por
ejemplo, Armstrong y Champigny, 1989; Ravenscroft y Armstrong, 1990; Royle, 1979; Vann
y Guibal, 2000). La pregunta es, ¿qué tan pequeño es demasiado pequeño?
Al ejecutar QKNA para un rango de tamaños de bloque, en casos relativamente bien o mal
informados, es posible la determinación cuantitativa de tamaños de bloque apropiados. Los