IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg.

1
CLASE N21
Simulacin de Yacimientos
Introduccin:
La variable regionalizada x(z) puede ser interpretada como una realizacin de una
cierta funcin aleatoria X(z).
La funcin aleatoria X(z) puede ser caracterizada por una funcin de densidad de
probabilidad y su modelo de semivariograma.
La idea de la simulacin consiste en dibujar otras realizaciones x
S
(z) a partir de
X(z). El resultado de la simulacin es que los x
S
(z) tienen las misma distribucin
(histograma) y el mismo semivariograma que los x(z).
A lo anterior se le puede agregar adems el apellido "condicional", x
SC
(z). En este
caso, adems de cumplir con las condiciones de x
S
(z), la simulacin "pasa por los
puntos experimentales", es decir:
x
SC
(z
i
) = x(z
i
) z
i

S
Las realizaciones x
SC
(z) son llamadas simulaciones condicionales del fenmeno
regionalizado x(z).
Simulacin versus Estimacin
El objetivo de la estimacin es entregar en cada punto z un estimador
Z

el cual
debe acercarse lo ms posible al valor verdadero (pero desconocido) de la ley en
dicho punto,
z
. El criterio para medir la calidad del estimador es su
insesgamiento y su minimizacin de la varianza de la estimacin ] )

[(
2
Z Z
E .
Sin embargo no hay ninguna razn para que estos estimadores reproduzcan la
variacin espacial de las leyes verdaderas. En el caso del kriging, por ejemplo,
la minimizacin de los estimadores de la varianza involucra un suavizamiento
de la dispersin real.
La simulacin x
S
(z) o x
SC
(z) tiene la misma media, variograma e histograma de
las leyes reales (estimadas a travs de los sondajes), es decir, cumple con los
principales estimadores de tendencia central y de dispersin. Pero por el
contrario a la estimacin, en cada punto el valor simulado x
S
(z) o x
SC
(z) no es el
mejor estimador posible de x(z). En particular demostraremos ms adelante que
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 2
la varianza de estimar x(z) por x
SC
(z) es exactamente el doble de la varianza de
kriging.
En la figura anterior podemos ver que a pesar de que la curva de estimacin x
K
(z)
es, en promedio, ms cercana a la curva real de los x(z), la curva de simulacin
x
SC
(z) entrega una mejor reproduccin de las fluctuaciones de la curva real.
La curva de estimacin es preferible para localizar y estimar reservas, mientras que
la curva de simulacin es preferible para estudiar la dispersin caracterstica de las
reservas, recordando que en la prctica la curva real es conocida slo por los puntos
experimentales x(z
i
).
z
x(z)
Leyes reales, x(z)
Kriging, x
K
(z)
Leyes simuladas, x
SC
(z)
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 3
Introduccin a la Simulacin Estocstica
Por qu simular? Normalmente las situaciones reales son mucho ms complejas
que los modelos y algunos supuestos bsicos de stos no se cumplen en la prctica.
En el caso particular de la evaluacin de reservas se utiliza la Simulacin
Condicional. Este tipo de simulacin se realiza mediante la construccin de
realizaciones que poseen los mismos parmetros estadsticos de la muestra (mismo
histograma, ley media y variograma) y que adems est condicionada por los datos
experimentales (sondajes). Esta metodologa la discutiremos ms adelante. Ahora
partiremos analizando brevemente la simulacin discreta.
Ejemplos simples de simulacin:
Determinacin del rea bajo la curva entre dos lmites definidos:
Lo anterior es vlido slo si f(x) es integrable. Qu pasa con f(x) = exp(-x
2
)?
f(x)
A
dx x f A
x
x

2
1
) (
X
1
X
2
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 4
Simulacin:
Podemos definir: A
TOT
= Y
o
(X
2
- X
1
)
Lanzo N puntos aleatorios (x,y) sobre el Area Total, donde:
x ~ Uniforme (X
1
, X
2
)
y ~ Uniforme (0, Y
o
)
Si n puntos caen bajo f(x), es decir, cumplen que y<f(x), entonces:
TOT
TOT
A
N
n
A
N
n
A
A
A y x

) ) , (( Prob
A es exacto cuando N
Determinacin de pi
Probabilidad de que un punto caiga sobre el crculo:
4
Prob


A
s
f(x)
A
X
1
X
2
Y
o
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 5
Simulacin Discreta:
Un modelo de simulacin es como una versin en miniatura de un sistema real,
sobre el cual realizaremos experimentos.
Componentes de un modelo de simulacin
(Ref: P. Gazmuri, 1994, Modelos Estocsticos para la Gestin de Sistemas)
- Un conjunto de variables de estado que permiten describir el estado del
sistema en un instante dado.
- Un reloj que lleva cuenta del tiempo real en que se encuentra la
simulacin.
- Un conjunto de tipos de eventos que pueden ocurrir.
- Un arreglo que incluye una posicin para cada tipo de evento y que
guarda el tiempo en que ocurrir el siguiente evento de este tipo.
- Una subrutina para cada evento, que actualiza el estado del sistema
cuando ocurre un evento de este tipo.
- Un programa principal que determina el siguiente evento a ocurrir y que
transfiere el control a la subrutina del evento correspondiente.
- Indicadores que van llevando cuenta de las estadsticas de inters.
Simulacin tipo Montecarlo: Se somete al sistema a muchas series de excitaciones
independientes entre s; para cada serie se tiene un resultado; se realiza un anlisis
estadstico de los resultados.
Ejemplo: Los tiempos de llegada de camiones a una pala distribuye exponencial
1
,
el tiempo que se demora la pala en cargar a los camiones distribuye exponencial

2
: Simulacin:
Genero tiempos de llegada
1
para un da
Genero tiempos de atencin
2
para un da
Estimo el largo de la cola para un da
Almaceno informacin da i
i = i + 1
Resultados
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 6
Generacin de variables aleatorias con diferentes distribuciones:
Normalmente para simular la ocurrencia y caractersticas de eventos es necesario
generar variables aleatorias con diferentes distribuciones probabilsticas.
a) Generacin de nmero uniformes.
La mayora de las herramientas de clculo poseen un funcin incorporada que
genera nmero aleatorios uniformemente distribuidos en el intervalo (0, 1).
Qu pasa si yo quiero generar valores que distribuyan Uniforme (a, b)?
) 1 , 0 ( ) , ( U
a b
a X
Y b a U X

b) Mtodo de inversin
Para reproducir: X ~ F
x
(x), se utiliza el procedimiento de inversin:
Analticamente lo anterior se puede expresar como:
F
x
(z) = U
X = F
x
-1
(U)
Para aplicar este mtodo se requiere que la funcin F
x
(x) sea invertible.
x
x~ F
x
(x)
1
F
x
(x)
0
U(0,1)
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 7
Por ejemplo caso de la distribucin exponencial:
) (
) (
xo x
x
e x f



por lo tanto:
) (
1 ) (
xo x
x
e x F



Entonces, segn el mtodo de la inversin:
) ln(
1
) 1 , 0 ( ) ( 1
) 1 , 0 ( ) (
) (
U X X
e U
U x F
U x F
o
xo x
x
x
+

Caso de la distribucin Normal

Qu pasa si necesito simular una variable X ~ N(,
2
)?
La funcin F
x
(x) de la Normal no es invertible. Una alternativa es usar grficos
o tablas para obtener los valores de la funcin F
x
-1
(x).
Otro mtodo es usar el teorema del lmite central:
Si y~f(y) cualquiera, entonces:
) , ( ) (
2
1
N y n lim
n
i
i

Utilizando adems que: Si x ~ N(,

2
), entonces:
) 1 , 0 ( N
x

Luego, Para simular x ~ N(0, 1):

12
3
3
6
1

i
i
U
x
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 1
CLASE N22
Teora de la simulacin condicional
El principio de la condicionalidad:
Consideremos la variable regionalizada x(z). Esta variable queda representada por
su valor esperado y su semivariograma (h). El problema consiste en construir
una realizacin x
SC
(z) isomrficas con respecto a x(z), es decir, realizaciones que
tengan igual valor esperado y semivariograma (h), y adems que pase por los
puntos, es decir, que: x
SC
(z
i
) = x(z
i
) z
i

S
Supongamos que estimamos el valor de la variable x
0
(z) mediante el uso de
kriging, el error de estimacin, que es desconocido, queda expresado como:
x
0
(z) = x
0K
(z) + [x
0
(z) - x
0K
(z)]
Podemos utilizar la siguiente homologacin:
x
0
(z) - x
0K
(z) = x
S
(z) - x
SK
(z)
Por lo tanto podemos escribir que:
x
SC
(z) = x
0K
(z) + [x
S
(z) - x
SK
(z)]
Si los requerimientos de la simulacin condicional se satisfacen, entonces:
1- E[x
0K
(z)] = E[x
0
(z)]
E[x
SK
(z)] = E[x
S
(z)]
E[x
SC
(z)] = E[x
0
(z)] = , z
2- x
0K
(z
i
) = x
0
(z
i
), z
i

S
x
S
(z
i
) = x
SK
(z
i
), z
i

S
x
SC
(z
i
) = x
0
(z
i
), z
i

S
Conclusiones:
1- Los ponderadores de kriging son los mismos para x
0K
(z) que para x
SK
(z),
debido a que x
0
(z) y x
S
(z) son isomrficos y las ambas configuraciones de
kriging son idnticas.
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 2
2- El error de estimacin utilizando x
SC
(z) queda definido como:
E{[ x
0
(z) - x
SC
(z)]
2
} = E{[ x
0
(z) - x
0K
(z)]
2
} + E{[ x
S
(z) - x
SK
(z)]
2
}
E{[ x
0
(z) - x
SC
(z)]
2
} = 2E{[ x
0
(z) - x
0K
(z)]
2
} = 2
2
K
En trminos de la varianza de estimacin, kriging es 2 veces mejor estimador que la
simulacin condicional, por lo tanto la estimacin no es el principal objetivo de la
simulacin.
Mtodos de Simulacin No Condicional
Existen numerosos procedimientos probabilsticos para generar realizaciones de
funciones aleatorias que tienen un cierto semivariograma (h) pero que no
necesariamente cumple con la condicin de condicionalidad (es decir, "pasar por
los puntos").
Los 2 principales mtodos son:
a. Mtodo de las medias mviles
b. Mtodo de las lneas rotantes
a- Mtodo de las medias mviles
Este mtodo consiste en lo siguiente:
Se sortean al azar realizaciones t
i
de una variable aleatoria T
i
con E(T
i
) = 0 y
Var(T
i
) =
2
. Cada uno de los resultados de estas realizaciones se asigna a los
vrtices de una malla regular en 1-D, 2-D o 3-D.
Ejemplo del mtodo para el caso de 1-D tenemos la siguiente lnea:
El siguiente paso consiste en tomar un promedio mvil y
i
ponderado por una cierta
funcin f(kb), lo que define la siguiente realizacin en cada punto i:

+

+

k
k i i
b k f t y ) (
Aplicacin al caso del modelo esfrico:
b
t
i-k
t
i
t
i+1
t
i+k
....... .......
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 3
Para el modelo esfrico sabemos que:
1
1
]
1

,
_

,
_

3
2
1
2
3
1
a
h
a
h
C Si h < a
C(h) =
0 Si h a
Recordemos que:
(h) = C - C(h)
Se define la siguiente funcin auxiliar:
( ) ) ( ) (
) 1 (
s C s
s
s C

Se puede demostrar que C

(1)
(s) puede escribirse como el producto de convolucin
de la funcin f(u) y su transpuesta ) ( ) (

u f u f :

+

+ du s u f u f f f s C ) ( ) (

* ) (
) 1 (
Para el caso del modelo esfrico:
1
1
]
1

,
_

,
_

3
2 3 1
a
s
a
s
C
Si s [0;a]
C
(1)
(s) =
0 Si s a
Para la funcin anterior se puede encontrar la funcin f(u) que cumple con la
condicin del producto de convolucin: f f s C

* ) (
) 1 (

u
a
C

3
12
Si u
1
]
1

2
;
2
a a
f(u) =
0 En otro caso
Con lo anterior, la simulacin y
i
puede discretizarse como:

+

+

R
R k
k i i
b k f t y ) (
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 4
Donde k vara entre -R y +R; donde R es el radio de bsqueda para el promedio
ponderado y b es el intervalo en que se divide la discretizacin.
Para el caso del modelo exponencial:
a
h
e C h C

) ( h 0
a
s
e
a
s
C s C

,
_

1 ) (
) 1 (
s 0
a
u
e
a
u
a
C

,
_

1 2 Si u 0
f(u) =
0 En otro caso
Para el caso del modelo gausseano:
2
) (

,
_

a
h
e C h C h 0
2
2
) 1 (
2 1 ) (

,
_

,
_

,
_

a
s
e
a
s
C s C s 0
2
2
) (

,
_

a
u
e u u f u [-;+]
donde:

3
16
a
C
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 5
b- Mtodo de las lneas rotantes:
Sean K rectas D
i
en el espacio. Cada recta se caracteriza por un vector unitario e
i
.
Se genera, en cada recta D
i
, una realizacin y
i
(x) de una funcin aleatoria de una
dimensin (mediante el mtodo de las medias mviles).
Sea x un punto del espacio. La simulacin y(x) queda definida como:

) (
1
) (
i i
e x y
K
x y
r r
Se puede demostrar que para simular el semivariograma esfrico hay que utilizar la
funcin f(x):
x Si x [-b;+b]
f(x) =
0 En otro caso
Para simular un semivariograma exponencial hay que utilizar la funcin f(x):
( )
x a
e x a

1 Si x > 0
f(x) =
0 En otro caso
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 6
Simulacin condicional
Hasta aqu hemos visto como simular realizaciones que tienen un cierto
semivariograma ((h)) dado. Sin embargo nosotros necesitamos simular
condicionalmente, es decir, necesitamos que la simulacin pase por los puntos.
Se puede demostrar que la ecuacin siguiente resuelve el problema:
) ( ) ( ) ( ) (
2 1
z x z x z x z x
K S K SC
+
Donde:
x
SC
(z) es la simulacin condicional.
) (

1
z x
K
es el kriging en el punto z, utilizando los datos disponibles en los puntos z
1
,
z
2
,..., z
N
.
x
S
(z) es la simulacin no condicional (resultado del mtodo de las medias mviles
o las lneas rotantes)
) (
2
z x
K
es el kriging en el punto z, utilizando los valores simulados x
S
(z) en los
puntos z
1
, z
2
,..., z
N
.
IMM 2032 Geoestadstica y Evaluacin de Reservas Mineras pg. 7
Geoestadstica No-Lineal
Para evaluar un valor desconocido x(z
o
) a partir de los datos cercanos x
i
= x(z
i
) con
i = 1,..,n, kriging utiliza una combinacin lineal de la informacin disponible:

n
i
i i K
z x x
1
*
) (
En el caso de la geoestadstica no-lineal, los estimadores pueden tomar cualquier
forma:

n
i
i i DK
z x f x
1
*
)] ( [
Notar que el estimado x
*
K
es una caso especial del estimador x
*
DK
. El estimador
x
*
DK
es ciertamente un mejor estimador (o a lo menos igual) que x
*
K
.
En el caso del estimador x
*
DK
claramente hay un problema operativo: el dominio
sobre el cual se buscan los estimadores es muy grande, entonces es necesario
disponer de un gran cantidad de informacin. Encontrar los mejores estimadores
no-lineales no es tarea fcil y normalmente est condicionado a fuertes requisitos
los cuales no siempre se cumplen.
El uso de la geoestadstica no-lineal no slo se justifica para mejorar la exactitud de
la estimacin, sino que adems intenta mejorar el efecto de suavizamiento que
impone el kriging lineal.