Datamine software/Maximize the value of your Mine

ARTICULO PARA LA COMPRENSIÓN DEL KNA DENTRO DEL MÓDULO ADVANCE GRADE

ESTIMATION DE DATAMINE STUDIO RM

ANÁLISIS CUANTITATIVO DE VECINDARIOS DE KRIGEAJE PARA EL GEÓLOGO DE MINAS : UNA

DESCRIPCIÓN DEL MÉTODO CON EJEMPLOS DE CASOS TRABAJADOS 

Traducido al español por:

Orestes Gómez G. Geo. Eng., MSc. QP.

DEVELOPMENT  
SALES & BUSINESS DEVELOPMENT
Tel: + 56 2 2963 9934
Tel: + 56 9 5626 0461
DATAMINE® |  |  www.dataminesoftware.com
www.dataminesoftware.com  
 

 
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

ANÁLISIS CUANTITATIVO DE VECINDARIOS DE KRIGEAJE PARA EL GEÓLOGO DE MINAS : UNA

DESCRIPCIÓN DEL MÉTODO CON EJEMPLOS DE CASOS TRABAJADOS 
J. Vann1, S. Jackson2 & O. Bertoli3 

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

Cuando no se realiza un QKNA, la elección de la búsqueda se realiza a veces sobre la base

de comparar los resultados de salida de varias estimaciones con diferentes búsquedas. En
la experiencia de los autores, el peligro en este enfoque es que a menudo se seleccionará
el resultado más atractivo financieramente. Dado que la estimación más atractiva desde el
punto de vista financiero es generalmente un producto de la búsqueda más restringida, el
riesgo es que el resultado con mayor sesgo condicional tiende a seleccionarse.
3.2  Consecuencias de vecindarios excesivamente restringidos: sesgo condicional
3.2 
El vecindario que elegimos tiene un impacto muy significativo en el resultado de la
estimación de krigeaje. En particular, un vecindario que es demasiado restrictivo dará lugar
a sesgos condicionales graves (Krige, 1994, 1996a, 1996b). La comprensión de que los
sesgos condicionales pueden eliminarse mediante un enfoque de regresión fue la
contribución original primordial de D. G. Krige a la estimación de recursos (Krige, 1951), y
marcó el comienzo de los enfoques modernos para la estimación de recursos, lo que lleva
a la geoestadística. El método de interpolación llamado krigeaje es simplemente una
solución de regresión lineal para el problema de la interpolación de leyes.
La incómoda frase "imparcialidad condicional" ha sido utilizada históricamente por los
geoestadísticos para describir la siguiente propiedad de krigeaje: los bloques que se estiman
para tener una cierta ley de Z  v* tendrán, en promedio, esa ley (David, 1977).
La Figura 1 muestra la regresión conocida entre las leyes de bloques estimados Z V* y las
verdaderas leyes de los bloques ZV (consulte Journel y Huijbregts, 1978 para una discusión
más detallada). La correlación entre las leyes verdaderas y estimadas siempre es imperfecta
en cualquier situación práctica, es decir, en cualquier muestreo no exhaustivo de
perforación, y la línea de regresión generalmente será más plana que Y = X (Z V = ZV*).
Esto implica que el uso de cualquier “estimador que respete los datos”, como el vecino más
cercano (o, para el caso, los estimadores de inverso de la distancia, que a medida que
aumenta la potencia, se aproxima al vecino más cercano), dará lugar a sesgos condicionales,
específicamente:
1. Las leyes estimadas ZV* serán mayores que la ley media, en promedio, demasiado alto; y
2. Las leyes estimadas ZV* serán manores que la ley media, en promedio, demasiado bajo.
La falta de información "perfecta" o "exhaustiva" implica que la correlación entre las
estimaciones y las calificaciones de bloques reales será imperfecta. Esto, a su vez, implica
una exageración de la calificación alta y la subestimación de las calificaciones bajas por parte
de los estimadores locales, en promedio. A medida que la correlación espacial de las leyes
se deteriora (es decir, pepita relativa alta y/o presencia de una estructura de corto alcance),
la pendiente de la regresión se vuelve progresivamente menor que uno. Debido a que es
importante (por ejemplo, en cualquier clasificación de material) que un estimador resulte
en la estimación de la ley promedio correcta para los bloques en varias clases de leyes, se
 

 
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

4.3   Pendiente de regresión

4.3
Bajo los supuestos indicados anteriormente (que el variograma es válido y la regresión es
lineal), es posible calcular los parámetros principales de la regresión entre las leyes de
bloque estimadas y verdaderas. Repetimos que el diagrama de dispersión real (como se
ilustra y resume en la elipse de la Figura 1) no se puede trazar porque no conocemos las
leyes verdaderas de bloques individuales. Lo que se puede calcular es la covarianza (por lo
tanto, el coeficiente de correlación) entre las leyes de bloque estimadas y verdaderas. La
pendiente se da en términos de esta covarianza y la varianza de los bloques estimados por
la expresión:

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:

es el peso asignado a la ley promedio global o “peso de la media”  

El peso de la media para un vecindario dado, denotado λm, da una idea clara de la calidad
de krigeaje porque es una medida de la debilidad del efecto de pantalla. Cuanto mayor es
λm, más débil esperamos que sea el "efecto de pantalla". En consecuenci
consecuencia,
a, en igualdad de
condiciones, es mejor elegir un vecindario krigeaje más grande a medida que aumenta λm
(Rivoirard, 1987). Como regla general, preferimos que el peso de la media sea cercano a
cero. El objetivo de QKNA es obtener la combinación de la mejor pendiente con un peso
minimizado de la media.Tenga en cuenta que el uso de SK aquí es únicamente para QKNA y
que, en general, las suposiciones de estacionariedad de SK no son adecuadas para la
estimación de la ley minera. Se puede mostrar que OK es exactamente igual a SK cuando m
se reemplaza por su estimación krigeada (Armstrong, 1998).
Pesos de Krigeaje (y pesos negativos)
Si podemos expandir el vecindario y aun así asignar un peso positivo significativo a las
muestras incrementales así obtenidas, entonces la búsqueda es demasiado restrictiva. En
los márgenes de una búsqueda optimizada, los pesos de krigeaje deben ser muy pequeños
 

 
Datamine software/Maximize the value of your Mine

("triviales"), o incluso ligeramente negativos. La mayoría de las variables de ley en minería

no son espacialmente suaves, es decir, hay al menos algún efecto pepita. En estas
circunstancias, se puede esperar un "efecto de pantalla" y, a cierta distancia, se observarán
pesos negativos. La distancia que necesitamos buscar antes de encontrar pesos negativos
aumenta progresivamente
progresivamente a medida que aumenta el efecto del efecto pepita. En el caso de
"efecto pepita pura", cada muestra encontrada tiene el mismo peso (1/N) sin importar
cuánto busquemos. Los pesos negativos no son problemáticos si representan una pequeña
proporción (por ejemplo, < 5 por ciento) del peso total. Los autores desaconsejan los
algoritmos de krigeaje modificados que ajustan los pesos negativos (por ejemplo, Deutsch,
1996) o los ponen a cero, ya que tales enfoques asegurarán un sesgo condicional.
4.5   Varianza de Krigeaje
4.5
La solución de varianza mínima para las ecuaciones de krigeaje ordinarias da como
resultado una varianza de estimación, también llamada varianza de krigeaje (KV). Consulte
el apéndice para la expresión de KV.
Un mapeo de la KV da una idea de la calidad relativa de la estimación (principalmente en
términos de densidad de datos y geometría), pero los mapas de pendiente de regresión
pueden ser más útiles.
4.6   Determinación de números mínimos y máximos de datos.
4.6
El número mínimo de datos utilizados en una estimación ("Nmin") se puede estudiar como
una variable en un ejercicio QKNA. Sin embargo, como regla general no se recomienda usar
menos de 10 - 12 muestras, especialmente en presencia de cualquier estructura apreciable
de corta escala o efecto de pepita. El valor predeterminado para Nmin en los sistemas de
software puede ser tan bajo como 1 o 2: esta es en realidad la interpolación más cercana a
un vecino y, en la mayoría de los casos, no se puede defender técnicamente.
Hay casos en los que la búsqueda se establecerá más grande de lo estrictamente necesario
para garantizar que se utilice un número adecuado de datos en las áreas menos
muestreadas de un dominio (por ejemplo, en los bordes). En estos casos, la capacidad de
especificar un número máximo de datos para usar en una estimación ("Nmax") permite que
la búsqueda se relaje "automáticamente".
Otra cuestión práctica de la implementación de interés es el uso de búsquedas en
cuadrantes u octantes. La estimación de krigeaje realiza un grado de desagrupamiento, pero
tales estrategias a menudo siguen siendo muy importantes.
 

 
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