Simulaciones

Geoestadística
Rodrigo Estay Huidobro
restay@utalca.cl
 Simulación geoestadística
Motivación: límites del kriging

• El kriging suaviza: el mapa de los valores estimados es más regular en el

espacio que el mapa de los valores verdaderos

 no se puede predecir la ocurrencia de valores extremos

 no se puede trabajar sobre el mapa de valores estimados como si se
trataran de los valores verdaderos

 el suavizamiento depende de la cantidad / escasez de datos

• La varianza de kriging no mide todas las fuentes de incertidumbre (no

toma en cuenta el efecto proporcional)
 Principios de la simulación

Construir “realizaciones” que reproducen la variabilidad real de la variable

en estudio (histograma, variograma, distribución espacial...)

 Cada realización representa un escenario posible

 Uso de las simulaciones

• análisis de riesgo: escenario más optimista / pesimista

• estimación: promediar los escenarios (para estimar leyes) o calcular la

frecuencia de ocurrencia de un evento (para estimar la probabilidad de
este evento)

• medición de la incertidumbre: qué tan distintos son los escenarios

 Estimación y simulación
Estimación Simulación

Media de valores
Valor estimado Estimador de kriging
simulados
 Estimación y simulación
Estimación Simulación

Medida del error Varianza de kriging Varianza condicional

 Estimación y simulación
Estimación Simulación

Varianza independiente Varianza depende de

Efecto proporcional
de medias locales medias locales vía
transformación
 Simulación no condicional vs. condicional
La simulación no condicional busca solamente construir realizaciones con la
misma variabilidad que la variable en estudio, pero sin buscar reproducir los
valores de los datos en los sitios con datos

La simulación condicional reproduce en cada realización los valores

conocidos en los sitios con datos

NO condicional Condicional
 Modelo multi-Gaussiano

Definición: una función aleatoria {Y(x), x  Rd} tiene una distribución

multi-Gaussiana si toda combinación lineal ponderada de valores sigue una
distribución Gaussiana.

 Esto requiere en particular que el histograma sea Gaussiano

 El modelo posee propiedades interesantes:

• se caracteriza por sus dos primeros momentos (media y variograma)

• el teorema del límite central* facilita la búsqueda de algoritmos de

simulación
 Modelo que es lejos el más sencillo de todos

*El teorema del límite central indica que, en condiciones muy generales, la suma de n variables
aleatorias independientes y de varianza no nula pero finita “se aproxima bien” a una distribución normal
 Simulación multigaussiana
• Transformación Gaussiana

•Modelo multigaussiano

•Test de distribución bi-gaussiana

•Algoritmos de simulación
1. Simulación secuencial
2. Descomposición matricial
3. Convolución (medias móviles, métodos auto-regresivos)
4. Espectral discreto
5. Espectral continuo
6. Bandas rotantes

Los cuatro últimos algoritmos generan realizaciones no condicionales (es decir, que no
reproducen los valores de los datos). El condicionamiento de las realizaciones requiere una
etapa adicional basada en un kriging simple. Aunque son matemáticamente más complejos,
estos algoritmos son más rápidos que el algoritmo secuencial
 Simulación multigaussiana
Transformación de los datos (anamorfosis Gaussiana)
Principio

A menudo, los datos originales tienen un histograma asimétrico, el cual es

incompatible con una distribución Gaussiana.

Para aplicar el modelo multigaussiano, se requiere primero transformar los

datos, para que tengan (una vez transformados) una distribución Gaussiana
estándar (media 0, varianza 1). Esta etapa se conoce como “transformación”
o “anamorfosis” Gaussiana:

Z(x) = f[Y(x)]

variable original función de transformación variable transformada

(datos brutos) (anamorfosis) (datos Gaussianos)
 Validación modelo multigaussiano
Por construcción, el histograma de los datos transformados es Gaussiano, por lo
cual su distribución univariable es consistente con el modelo.

Sin embargo, hace falta verificar que las distribuciones de orden superior sean
también compatibles con la hipótesis multigaussiana. En la práctica, sólo se
estudia las distribuciones bivariables, es decir, las distribuciones de los pares de
valores {Y(x + h), Y(x)}.

m = 1,05 m = 0,04
s2 = 0,42 s2 = 0,99
Frequency

Frequency

Copper grade Gaussian copper grade

 Validación modelo multi-gaussiano
Test de la distribución bigaussiana
Primer test: nubes de correlación diferida

Las curvas de isodensidad de la distribución bivariable de {Y(x + h),Y(x)} son

elipses concéntricas. Luego, la nube de correlación diferida (i.e. la nube de los
puntos (y(xa),y(xb)) tal que xb - xa  h) debe tener una forma elíptica.

densidad de probabilidad nube de correlación diferida

 Validación modelo multi-gaussiano
Test de la distribución bigaussiana
Cuando |h| tiende a infinito, la nube de correlación diferida se vuelve circular.
Cuando |h| tiende a 0, la nube se restringe en torno a la primera bisectriz.
 Validación modelo multi-gaussiano
Test de la distribución bigaussiana
Segundo test: variogramas de indicadores

Un indicador es una función binaria definida por referencia a un umbral y (o ley

de corte):
1 si Y(x)  y
I Y (x; y ) 
0 en caso contrario

Bajo la hipótesis bigaussiana, existe una relación entre el variograma g(h) de los
datos Gaussianos y el variograma gI,y(h) de la variable indicador:

1 arcsen[1- g (h )] y2
g I, y (h)  G ( y ) [1 - G ( y )] -
2 0
exp[-
1  sen 
] d

donde G(.) es la función de distribución de la Gaussiana estándar.

 Validación modelo multi-gaussiano
Test de la distribución bigaussiana
El test consiste en:
1) Modelar el variograma g(h) de los datos Gaussianos.
2) Deducir el variograma gI,y(h) asociado a un determinado umbral y.
3) Codificar los datos Gaussianos en indicador (0 ó 1) según si superan o no el
umbral y.
4) Calcular el variograma experimental de los datos de indicador.
5) Comparar el variograma experimental del indicador con la expresión teórica
obtenida en el paso 2).
6) Repetir el procedimiento (pasos 2 a 5) para varios valores del umbral y, por
ejemplo, para los cuartiles de la distribución.
7) Concluir si los variogramas teóricos de indicador ajustan razonablemente
bien los variogramas experimentales.
 Validación modelo multi-gaussiano
Test de la distribución bigaussiana
Tercer test: comparación del variograma con el madograma

El madograma o “variograma de orden 1” se define de la siguiente manera:

1
g1 (h)  E{| Y(x  h) - Y(x) |}
2

Si {Y(x + h),Y(x)} tienen una distribución bigaussiana, entonces se tiene

g (h)
  (independiente de h)
g 1 (h)

o sea, el madograma es proporcional a la raíz cuadrada del variograma.

 Validación modelo multi-gaussiano
Test de la distribución bigaussiana
Tercer test: comparación del variograma con el madograma
𝛾(ℎ)
𝛾1 (ℎ)

Distance (m)
 Validación modelo multi-gaussiano
Test de la distribución bigaussiana
Se puede completar este test al analizar los variogramas de distintos ordenes w
comprendidos entre 0 y 2:
1
g w (h)  E{| Y(x  h) - Y(x) |w}
2

2w-1  w  1  w/2
   [ g (h)]
  2 

bajo la hipótesis bigaussiana

En escala log-log, los puntos que representan a gw(h) en función de g(h) deben
ser alineados sobre una recta de pendiente w/2. Esta relación se puede verificar
con los variogramas experimentales de los datos Gaussianos.
 Validación modelo multi-gaussiano
Test de la distribución bigaussiana
• Variogramas de orden inferior a dos
 Resumen simulación condicional
1) Desagrupar los datos originales.

2) Transformar estos datos en datos Gaussianos, tomando en cuenta los ponderadores de

desagrupamiento.

3) Realizar el análisis variográfico de los datos Gaussianos.

4) Validar la hipótesis multi-Gaussiana (nubes de correlación diferida, comparación entre

variograma y madograma, variogramas de indicadores).

5) Simular la función aleatoria Gaussiana

• Elegir un algoritmo de simulación
• Construir varias realizaciones
• Condicionar a los datos Gaussianos disponibles si el algoritmo escogido no lo
hace directamente.

6) Transformación Gaussiana inversa, para volver a la variable original.

7) Procesar los resultados.

Categorización de recursos y
reservas
 Categorización de recursos y reservas
Código JORC
Reserva Minera:
Recurso Mineral:
• Económicamente explotable
• Interés económico intrínseco
• Incluye dilución y pérdidas por factores de
• Características definidas vía extracción, metalúrgicos, económicos, de
conocimientos geológicos mercados, legales, ambientales, sociales y
gubernamentales

Financiera
Confianza

Confianza
Geológica
Categorización de recursos y reservas

• Corroborar interpretación geológica

Estudio Exploratorio de Datos • Verificar continuidad en geología y
leyes

• Existencia de efecto proporcional

Análisis de Continuidad Espacial • Validez de hipótesis para eventual
transformación

Estimación y Simulación • Medida del error

 Cuantificación de incertidumbre
Criterios geológicos:
• Continuidad geológica del
Criterios geoestadísticos:
depósito
• Continuidad espacial de las leyes 
anisotropía y efecto pepa
Criterios geométricos:
• Abundancia y redundancia de los datos
• Disposición espacial de los datos
• Densidad de sondajes y radios de
búsqueda