UNIVERSIDAD PRIVADA DEL NORTE

FACULTAD DE INGENIERÍA
Carrera: Ingeniería de Minas

DOCENTE:
Ing. Jorge Marcial Sánchez Espinoza.
CURSO:
Software de Minería

TÍTULO DEL INFORME:

“SIMULACIONES CONDICIONALES Y PROGRAMACIÓN DE
KRIGING”

AUTORES:
Cabada Castañeda Oscar Iván (N00017858)
Cerdán López Alex (N00019523)
Díaz abanto Jeisy Jomeiny (N00022116)
Gálvez Caruajulca Mirian (N00023375)
Mendoza Quiliche Kevin (N00028182)
Ramos Bardales Marco (N00031552)

CAJAMARCA – 2018

FACULTAD DEINGENIERIA DE MINA

 INDICE
CAPÍTULO 1 ................................................................................................................................... 4
INTRODUCCION: ............................................................................................................................ 4
OBJETIVOS: .................................................................................................................................... 5
Objetivo general: ....................................................................................................................... 5
Objetivos específicos ................................................................................................................. 5
MARCO TEÓRICO:.......................................................................................................................... 6
Variables regionalizadas(VR). ........................................................................................................ 6
3.2 Momentos de distribución VR (Díaz Viera, 2002): .................................................................. 6
Análisis Exploratorio De Datos ...................................................................................................... 7
Estimación Local ............................................................................................................................ 8
Inverso de la distancia: .................................................................................................................. 8
Estimación con Kriging .................................................................................................................. 8
Parámetros requeridos para una estimación por Kriging: ............................................................ 9
Kriging Ordinario ......................................................................................................................... 10
Kriging lognormal ........................................................................................................................ 10
Variable regionalizada ................................................................................................................. 11
Momentos de primer orden........................................................................................................ 11
Momentos de segundo orden. .................................................................................................... 11
Variografía ................................................................................................................................... 12
Modelamiento de variogramas.................................................................................................. 13
Efecto pepita: ...................................................................................................................... 13
Modelo esférico y exponencial: .......................................................................................... 13
Modelo Gaussiano: ............................................................................................................. 13
Propiedades del Kriging............................................................................................................... 14
Las principales propiedades del kriging son:........................................................................... 14
Simulación. .................................................................................................................................. 14
Teoría de la Simulación Condicional .......................................................................................... 15
Algoritmo de Simulación Condicional ......................................................................................... 18
Simulación de parámetros geofísicos.......................................................................................... 20
Simulación Secuencial Gaussiana ................................................................................................ 21
Verificación de la hipótesis multi-Gaussiana. ............................................................................. 22
Nubes de correlación diferida: ................................................................................................ 22
Variogramas de indicadores:................................................................................................... 22

FACULTAD DEINGENIERIA DE MINA

 El test propuesto consiste en los siguientes pasos: ................................................................ 22
4. Análisis variográfico para modelar el variograma de la variable Gaussiana. .......................... 22
5. Simulación de la función aleatoria Gaussiana. ........................................................................ 22
6. Transformación Gaussiana inversa, para volver a la variable original. ................................... 23
7. Condicionamiento por kriging simple, ordinario y universal y varianza de kriging simple ..... 23
8. Condicionamiento por kriging ordinario y varianza de kriging ordinario: .............................. 23
9. Condicionamiento por kriging universal y varianza de kriging universal: ............................... 23
10. Propagación de errores ......................................................................................................... 23
11. VALIDACIÓN CRUZADA. ......................................................................................................... 25
12. Principio................................................................................................................................. 25
13. Nubes de correlación entre valores estimados y verdaderos. .............................................. 25
14. Nubes de correlación para intervalos de probabilidad. ........................................................ 26
16. Casos Sintéticos ..................................................................................................................... 27
17. Creación de modelos de referencia. ..................................................................................... 27
18. Simulación por bandas rotantes y método secuencial. ........................................................ 27
19. CASO REAL. ............................................................................................................................ 28
20. CONCLUSIONES. .................................................................................................................... 29
21. REFERENCIAS BIBLIOGRAFICAS ............................................................................................. 30

FACULTAD DEINGENIERIA DE MINA

 CAPÍTULO 1

INTRODUCCION:
La industria minera está pasando por una situación difícil debido a todas las
restricciones ambientales y sociales que van en aumento, esto puede conllevar
a que un mineral no sea atractivo para su explotación. Por lo tanto, minimizar la
incertidumbre generada en el modelo geológico es el reto de toda compañía
minera, para tomar decisiones acertadas.

La estimación de reservas es una operación de alta responsabilidad que

determina en gran medida el valor industrial de un yacimiento mineral. Este
cálculo puede ser realizado por métodos clásicos o modernos.

Hoy en día, las simulaciones condicionales de variables geológicas (como las

leyes de elementos de interés) se hacen utilizando, en su implementación,
kriging simple. Este método considera una media conocida, generalmente
supuesta constante a escala global. Esto se aleja de la realidad, ya que
generalmente la ley media varía en el espacio. En consecuencia, el método de
kriging simple no siempre refleja lo que ocurre a escala local, lo que puede
afectar por ejemplo la estimación para la planificación de corto plazo.

FACULTAD DEINGENIERIA DE MINA

OBJETIVOS:
Objetivo general:
 Comparar diferentes modelos de kriging (simple, ordinario y
universal) en la simulación condicional de leyes

Objetivos específicos
 Examinar el efecto que tiene en los resultados el tipo de algoritmo de
simulación utilizado y tipo de condicionamiento
 Comparar la calidad de las simulaciones, en términos de
implementación, capacidad de reproducir las estadísticas del modelo y
robustez.

FACULTAD DEINGENIERIA DE MINA

MARCO TEÓRICO:
La Geoestadística es una rama de la estadística que se encarga de estudiar
fenómeno regionalizados, es decir, variables conocidas como ¨variables
regionalizadas¨ que están distribuidas en el espacio y que miden ciertos
atributos en el espacio. Fue inventada por Georges Matheron en 1962, desde
entonces ha tenido un gran desarrollo y aplicación en la ingeniería por
representar mejor los fenómenos al tener en cuenta la variabilidad de los datos
en el espacio.

Para realizar un análisis geoestadístico se debe determinar el dominio o campo

de estudio, por esto es importante conocer el fenómeno geológico al que
pertenecen los datos.

Variables regionalizadas(VR).
Consiste en una función numérica que representa un atributo en cada lugar del
espacio, denotada 𝑧(𝑥) donde 𝑥 es la posición. Muchas veces es difícil
determinarla completamente y de forma exacta, debido a su variabilidad en el
espacio. La ley de metal es un ejemplo de variable regionalizada.

Son todas aquellas variables que representan propiedades o atributos que se

extienden en el espacio y presentan una cierta continuidad. Se pueden
definirse en cada punto del espacio y también en una superficie (2D) o en un
volumen (3D). La superficie o el volumen sobre el cual se considera la variable
regionalizada se denomina soporte. Esta noción es esencial debido a la
dependencia que existe entre el soporte y la distribución estadística de los
valores, conocida como efecto de soporte.

3.2 Momentos de distribución VR (Díaz Viera, 2002):

Las variables aleatorias regionalizadas están determinadas por Z(x) y los
momentos de la distribución son:

FACULTAD DEINGENIERIA DE MINA

- El momento de primer orden de Z (x) es la esperanza matemática definida
como:

Los momentos de segundo orden considerados en Geoestadística son:

i) La varianza de Z (x):

ii) La covarianza de dos variables aleatorias Z(xi) y Z(xj) definida como:

Esta función es también conocida como función de auto covarianza.

iii) El semivariograma γ(xi,xj) que se define como:

Se debe notar que tanto la varianza como el variograma son siempre positivos,
mientras que la covarianza puede tomar valores negativos.

Análisis Exploratorio De Datos

Consiste en estudiar una o varias variables regionalizadas con el objetivo de
analizar con estadística clásica la cantidad, la calidad y la ubicación de los
datos, definir la zona de estudio y en caso de requerirse hacer sub-zonas, e
identificar valores atípicos que puedan causar problemas en la estimación local.

FACULTAD DEINGENIERIA DE MINA

Estimación Local
La estimación local permite establecer el valor de una variable con los datos
disponibles dentro de un dominio definido. Los métodos de estimación
corresponden a diferentes técnicas de interpolación.

Inverso de la distancia:
Este método asigna un valor inversamente proporcional de la distancia el sitio
donde se desea hacer la estimación, si el valor asignado es bajo entonces la
distancia elevada a esa potencia es 1 y entonces a todos los datos se les
asigna el mismo valor, si por el contrario 17 el valor asignado es muy alto, los
valores elevados a esa potencia se volverán muy pequeños y el método se
convertirá en el vecino más cercano. Así que se recomienda para casos de
estimación de recursos mineros emplear un factor de potencia de 2.

Estimación con Kriging

Este método permite estimar la variable regionalizada en un lugar no
muestreado, a partir de los datos que se encuentren dentro de una vecindad.
La definición de esta vecindad (radio, orientación, número de datos a buscar)
toma en cuenta la continuidad espacial de la variable regionalizada y el diseño
de la malla de muestreo, lo que se realiza en la etapa del estudio exploratorio y
Variográfico. El estimador es una combinación lineal ponderada de los datos y,
por lo tanto, el problema del Kriging se reduce a calcular los valores de los
ponderadores que permitan obtener una estimación insesgada y con la mejor
precisión posible.

FACULTAD DEINGENIERIA DE MINA

Existen diferentes tipos de kriging como kriging simple, ordinario, lognormal,
entre otros.

El objetivo del Kriging es lograr el mínimo error de estimación.

El Kriging es una combinación lineal ponderada de los datos en la vecindad a la

ubicación a estimar.

donde:

 u representa la ubicación espacial

 Z*(u) es el valor estimado en esa ubicación
 Las variables Z (u i), i = 1…n corresponden a las leyes de las muestras
en la vecindad de u.
 λi son los pesos atribuidos a cada muestra

Parámetros requeridos para una estimación por Kriging:

 Modelo variográfico
 Distancia de búsqueda
 Número de muestras
 Estrategia de búsqueda
 Discretización del bloque
 Tamaño de bloque
 Estrategia para tratar valores anómalos

FACULTAD DEINGENIERIA DE MINA

Kriging Ordinario
Se supone ahora que la variable regionalizada es la realización de una función
aleatoria Z estacionaria tal que:

donde V representa la vecindad de Kriging.

Kriging lognormal
Este método consiste en aplicar kriging a una transformada (no lineal) de la
variable Z, luego en volver a esta variable. Esta etapa de transformación de
vuelta no es trivial, pues requiere introducir correcciones para que el estimador
final no tenga sesgo. Por ejemplo, si la transformada logarítmica tiene una
distribución Gaussiana, se obtiene el llamado kriging lognormal:

donde σKO2(x0) es la varianza de kriging ordinario de ln[Z(X0)] y μ es el

multiplicador de Lagrange introducido en el sistema de kriging ordinario. Esta
expresión muestra que el kriging log normal de la variable Z coincide con la
exponencial del kriging de ln(Z). El regreso a la variable inicial (Z) necesita
introducir un factor correctivo σKO2(x0)/2 + μ, sin el cual la estimación Z* sería
sesgada.

FACULTAD DEINGENIERIA DE MINA

Variable regionalizada
Consiste en una función numérica que representa un atributo en cada lugar del
espacio, denotada 𝑧(𝑥) donde 𝑥 es la posición. Muchas veces es difícil
determinarla completamente y de forma exacta, debido a su variabilidad en el
espacio. La ley de metal es un ejemplo de variable regionalizada.

Momentos de primer orden.

Esperanza: Corresponde al valor esperado o esperanza matemática de la
variable aleatoria 𝑍(𝑥), denotada m (en caso de estacionaridad) o 𝑚(𝑥), cuando
esta esperanza varía en el espacio, en cuyo caso se conoce como “deriva”. Se
puede definir como la suma de la probabilidad de cada suceso multiplicado por
su valor.

Momentos de segundo orden.

Varianza: La varianza es una medida de la dispersión de la variable aleatoria
𝑍(𝑥) en torno a su valor esperado. También se utiliza la desviación estándar,
que corresponde a la raíz cuadrada de la varianza.

Covarianza: La covarianza entre dos variables aleatorias 𝑋 e 𝑌 se define

como:

La covarianza espacial corresponde a una función que mide la relación entre

dos variables aleatorias en función de sus posiciones en el espacio, o más
simplemente (bajo la hipótesis de estacionaridad) del vector de separación:

Variograma: Corresponde a una función que mide la mitad de la varianza de la

diferencia entre dos variables en función del vector de separación ℎ.

FACULTAD DEINGENIERIA DE MINA

Los parámetros más importantes son la covarianza y el variograma, pues
tienen que ver con la relación existente entre dos valores que se encuentran a
cierta distancia de separación. La covarianza indica qué tan semejantes son los
valores entre dos sitios, mientras que el variograma representa qué tan
distintos son. Bajo la hipótesis de estacionaridad la esperanza y varianza son
constantes y la covarianza y variograma sólo dependen de la separación entre
datos.

Variografía
La estimación y simulación geoestadística se basan en sacar provecho de la
continuidad espacial de la variable regionalizada. El objetivo de la variografía
es modelar dicha continuidad de la variable en estudio, debido a que los
valores observados en distintos puntos del espacio pueden estar
correlacionados. De esta manera es importante estudiar qué tan rápido o lento
se pierde esta correlación al aumentar la distancia de separación entre dos
puntos.

Para desarrollar este estudio se utiliza el variograma que tiene por objetivo
medir la variabilidad espacial. Lo que considera dicha herramienta es
principalmente la diferencia entre pares de datos que se encuentren separados
por un cierto vector ℎ.

FACULTAD DEINGENIERIA DE MINA

Bajo la hipótesis de estacionaridad, el variograma teórico y su estimador
experimental se presentan a continuación:

Donde:
 𝑧(𝑥) = 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑟𝑒𝑔𝑖𝑜𝑛𝑎𝑙𝑖𝑧𝑎𝑑𝑎
 𝑍(𝑥) = 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑎 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑎
 𝑁(ℎ) = 𝑁° 𝑑𝑒 𝑝𝑎𝑟𝑒𝑠 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠 𝑝𝑎𝑟𝑎 𝑢𝑛𝑎 𝑠𝑒𝑝𝑎𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑎𝑑𝑎 𝑝𝑜𝑟 𝑢𝑛 𝑣𝑒𝑐𝑡𝑜𝑟 ℎ
 𝑥𝑖, 𝑥𝑖 + ℎ = 𝑝𝑜𝑠𝑖𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑙𝑜𝑠 𝑝𝑎𝑟𝑒𝑠 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠 𝑖 = 1, 𝑁(ℎ)

Modelamiento de variogramas.
Un variograma experimental requiere ser modelado debido a que se calcula
sólo para ciertas direcciones y distancias. Así, se ajusta un modelo de
variograma, definido en todas las direcciones del espacio y para todas las
distancias, en torno al variograma experimental obtenido. Se usará este modelo
como si fuera el “verdadero” variograma de la función aleatoria que representa
la variable en estudio.

Existen una serie de modelos elementales que, según la forma que presente el
variograma experimental, principalmente en el origen, permiten modelarlo.
Algunos de ellos son:

Efecto pepita: Mientras más alto el efecto pepita, más erraticidad a pequeña
escala presenta la variable en estudio.
Modelo esférico y exponencial: Lineales en el origen.
Modelo Gaussiano: Parabólico en el origen, implica continuidad de corta
escala.

FACULTAD DEINGENIERIA DE MINA

Propiedades del Kriging
Las principales propiedades del kriging son:
• Interpolación exacta: La estimación en un sitio con dato es igual al valor del
dato y la varianza de kriging en este sitio es 0.
• Insesgo: El error de estimación tiene esperanza nula (por construcción).
• Precisión: El error de estimación tiene una varianza mínima (por construcción).
• Aditividad: La estimación de la ley de un bloque es igual al promedio de las
estimaciones de las leyes puntuales de este bloque.

Simulación.
Si nos hacemos la pregunta: ¿en qué son diferentes la simulación y la
estimación?, podemos responder que sus diferencias están relacionadas con
sus objetivos, los cuales en general no son compatibles (Journel, 1974), porque
mientras en la estimación se obtienen valores insesgados con respecto a la
realidad que es sólo conocida en algunos puntos experimentales, la simulación
proporciona valores que reproducen las fluctuaciones que se presentan en la
realidad a partir de la información que brindan estos puntos conocidos, por lo
que dependiendo de los intereses en una aplicación o investigación se utilizará
una u otra. A partir de lo anterior podemos decir que estos procedimientos son
dos alternativas que se pueden utilizar conjuntamente para caracterizar las
variables regionalizadas.

Se usarán dos algoritmos para la simulación:

 Simulación mediante algoritmo secuencial.
 2. Simulación mediante algoritmo de bandas rotantes.

Para cada uno de estos algoritmos, se hará una sensibilización del tipo de
kriging generando así distintos modelos de simulación. Se aplicarán los
modelos primero a un caso sintético y se realizarán validaciones estadísticas

FACULTAD DEINGENIERIA DE MINA

(reproducción de variogramas, variogramas generalizados, gráficos de deriva,
etc.)
Dichas simulaciones, además de su respectivo post procesamiento, se
realizarán principalmente con ayuda de los softwares MATLAB e ISATIS.

Teoría de la Simulación Condicional

Consideremos los datos experimentales Z(xi); con i=1 a n; con media m y
covarianza C(h) o Semivariograma g(h). En una estimación por Kriging se
obtiene un valor Z*(x) por cada localización a estimar, el cual, según las
condiciones con que fue construido este procedimiento, es el mejor valor
posible, es decir, es un valor insesgado que se produce de acuerdo a las
características de continuidad espacial de la información disponible. Ahora,
como no existe ningún método, por muy sofisticado que sea, que proporcione
valores exactos de una realidad desconocida, sólo es posible plantear que el
valor estimado por kriging ZK*(x) es aproximado al valor real y desconocido
Z(x).

No es difícil comprender que estos valores son diferentes en la cantidad [Z(x)-

ZK*(x)], de modo que la aproximación anterior se puede completar de forma
exacta como:

Z(x) = ZK*(x) + [Z(x) - ZK*(x)]

Pero la diferencia [Z(x)-ZK*(x)] no se conoce, porque no se poseen los valores

de las localizaciones no muestreadas, sólo es posible obtener su valor en las
localizaciones donde fueron medidos valores experimentales, los cuales son
nulos debido a que el kriging es un interpolador exacto (Matheron, 1970), es
decir, la estimación en las localizaciones muestreadas coincide con el valor real
medido.

El problema consiste entonces en encontrar un modo de obtener la diferencia

[Z(x)-ZK*(x)], lo que sólo es posible mediante una simulación. La geoestadística
propone este procedimiento generando primero valores de una función
aleatoria ZS (x) a partir de las características de variabilidad y correlación

FACULTAD DEINGENIERIA DE MINA

espacial de la información experimental disponible Z(xi), a la cual
posteriormente son condicionados

Existiendo un conjunto de localizaciones compuestas por los puntos de la red y

aquellos donde se conoce un valor experimental, en cada localización de este
conjunto se generan valores de una función aleatoria ZS(x) a partir de las
características de variabilidad obtenida de la información inicialmente
disponible, este proceso se conoce como simulación no condicional, para lo
cual:

Localización de las muestras.

Red de puntos a simular.

FACULTAD DEINGENIERIA DE MINA

Posteriormente, con el objetivo de condicionar la simulación a los valores
experimentales, se realiza la estimación por kriging de cada punto de la red a
partir del conjunto de valores simulados de forma no condicional en las
localizaciones donde se conocen datos experimentales, obteniéndose los
valores Z*SK(x). Ahora, a partir de estos valores y los simulados de forma no
condicional ZS(x), se puede simular la diferencia [Z(x) - Z*K(x)] como [ZS(x) -
Z*SK(x)], por lo que la expresión (1) se puede sustituir por:

ZSC(x) = ZK*(x) + [ZS(x) - ZSK*(x)]

donde:
 ZSC(x) es el valor simulado en el punto x por la simulación condicional.
 ZK*(x) es el valor estimado en el punto x por el procedimiento kriging, a
partir de los datos.

Distribución de datos medidos experimentalmente y localizaciones propuestas

a simular.
experimentales.
 ZS(x) es el valor simulado en el punto x por la simulación no condicional.
 ZSK*(x) es el valor estimado en el punto x por el procedimiento kriging, a
partir de los valores simulados no condicionalmente en las localizaciones
correspondientes a los datos experimentales.

Se obtienen de esta forma valores simulados, uno por cada localización de la

red, que son en conjunto una realización particular de la función aleatoria de las

FACULTAD DEINGENIERIA DE MINA

tantas posibles que pueden ser generadas, de la cual la realidad desconocida
lo es también, pero que reflejan las mismas características de variabilidad y
correlación espacial que esta realidad.

Algoritmo de Simulación Condicional

Consideremos el caso en una dimensión para facilitar la explicación. Se poseen
Z(xi); con i = 1 a n datos experimentales. En la Figura anterior se representa su
distribución espacial en un gráfico de los valores medidos Z contra su posición
x. Es importante señalar aquí que los datos iniciales pueden distribuirse de
forma regular o irregular, en el ejemplo tomamos el segundo caso.

 Mediante un análisis estructural es posible obtener un modelo que

represente las características de variabilidad y correlación espacial del
fenómeno estudiado.
 Se proponen una serie de localizaciones en la misma zona de estudio,
donde se desee simular el fenómeno analizado. En dos dimensiones se
tendría una red de puntos, y en tres dimensiones una distribución regular
de puntos o bloques en el interior de un volumen.
 Se estima un valor en cada localización propuesta por kriging a partir de
los datos experimentales, obteniéndose los valores ZK*(x) como se
muestra a continuación.

Valores ZK *(x), obtenidos por kriging a partir de los datos experimentales.

FACULTAD DEINGENIERIA DE MINA

Valores ZS(x), simulados no condicionalmente

Valores ZSK *(x), obtenidos por kriging a partir de los datos simulados en las
localizaciones muestreadas.
Se puede apreciar, la estimación realizada es una representación suave de una
realidad desconocida.

 Se generan simulaciones no condicionadas en las localizaciones

propuestas y en las localizaciones donde se poseen datos
experimentales, a partir de las características de variabilidad obtenidas
en el primer paso, obteniéndose los valores ZS(x). Note que, si los
puntos experimentales son regulares, las localizaciones muestreadas

FACULTAD DEINGENIERIA DE MINA

  coinciden con sus correspondientes localizaciones propuestas en la
simulación.
 Se estiman nuevamente por kriging las localizaciones propuestas a
simular, pero esta vez a partir de los valores simulados en las
localizaciones correspondientes a los datos experimentales,
obteniéndose los valores ZSK*(x)

Simulación de parámetros geofísicos

Existiendo numerosos datos geológicos y geofísicos, tanto de superficie como
en pozos profundos, que permiten realizar análisis probabilísticos y
geoestadísticos, tanto en aquellas zonas de yacimientos en producción como
en zonas de probable existencia, lo cual es una premisa imprescindible para la
elaboración de los modelos matemáticos.

Diferencia [ZS(x) – ZSK*(x)] simulada

FACULTAD DEINGENIERIA DE MINA

Valores ZSC *(x) de la simulación condicional.

Simulación Secuencial Gaussiana

En este caso se busca resolver la interrogante ¿Cómo predecir la variabilidad
de corto plazo con simulación con datos de largo plazo?

Para dar respuesta a tal interrogante se simulará un modelo de leyes mediante

el método secuencial Gaussiano. Tal simulación se realizará a través del
software SGSIM (Sequential Gaussian Simulation) de GSLIB. Para esto se
debe preparar los datos, transformándolos mediante una función de
anamorfosis y así llevar su histograma a una normal. Para calcular el
variograma se utiliza la aplicación NSCORE de GSLIB.

Se grafica el histograma de los datos Gaussianos como la función de

anamorfosis para detectar posibles errores en este proceso. Se muestran un
esquema de la transformación de los datos reales al espacio Gaussiano.

Ejemplo de distribución de datos transformados.

FACULTAD DEINGENIERIA DE MINA

Verificación de la hipótesis multi-Gaussiana.
Es necesario verificar la hipótesis básica del modelo que establece multi
gaussianidad. Sin embargo, hace falta verificar que las distribuciones de orden
superior sean también compatibles con la hipótesis multi-Gaussiana. En la
práctica, sólo se estudia las distribuciones variables, a través de los siguientes
test:

Nubes de correlación diferida:

Estas nubes deben presentar una forma elíptica para distancias
de separación menores, y una forma circular para distancias mayores.

Variogramas de indicadores:
Existe una relación entre el variograma de un indicador y el variograma
de los datos Gaussianos. Con 𝐺 como función de distribución Gaussiana
estándar se define el variograma de la variable indicador
El test propuesto consiste en los siguientes pasos:

i. Modelar el variograma 𝛾(ℎ) de los datos Gaussianos.

ii. Deducir el variograma 𝛾𝐼, 𝑦 (ℎ) del indicador asociado a un determinado
umbral.
iii. Codificar los datos Gaussianos en indicador (0 o 1) según si superan o no el
umbral.
iv. Calcular el variograma experimental de los datos de indicador.
v. Comparar este variograma experimental con la expresión teórica obtenida
en el paso ii.
vi. Repetir el procedimiento (pasos ii a v) para varios valores del umbral.
vii. Concluir si los variogramas teóricos de indicador se ajustan razonablemente
bien a los variogramas experimentales.

4. Análisis variográfico para modelar el variograma de la variable

Gaussiana.

5. Simulación de la función aleatoria Gaussiana.

a. Elección de un algoritmo de simulación.
b. Construcción de varias realizaciones.
c. Condicionamiento a los datos Gaussianos disponibles.

FACULTAD DEINGENIERIA DE MINA

6. Transformación Gaussiana inversa, para volver a la variable
original.
Se transforman esta vez los valores Gaussianos simulados a los valores
originales, utilizando la inversa de la anamorfosis usada anteriormente.

7. Condicionamiento por kriging simple, ordinario y universal y

varianza de kriging simple
Se plantea la opción de considerar medias locales estimadas por kriging
ordinario para ser usadas en la simulación secuencial. Igualmente se puede
utilizar una simulación secuencial Gaussiana “con deriva”, reemplazando el
kriging simple por kriging universal. Originalmente, se plantea conservar la
varianza de kriging simple en la construcción de las distribuciones
condicionales.

8. Condicionamiento por kriging ordinario y varianza de kriging

ordinario:
Se ha propuesto el uso de kriging ordinario y varianza de kriging ordinario en
lugar de kriging simple [11]. Esto se justifica en un modelo donde la media de
los datos Gaussianos se convierte en una variable aleatoria M (reflejando así
una incertidumbre en esta media) cuya dispersión a priori es muy grande. En
este modelo, el kriging simple coincide con el kriging ordinario (los
ponderadores de kriging simple de los datos suman 1, por lo cual la media no
recibe ponderación y puede ser omitida).

9. Condicionamiento por kriging universal y varianza de kriging

universal:
El enfoque propuesto puede ser extendido a modelos con derivas que son
polinomios en las coordenadas espaciales [11]. Se propone el uso de kriging
universal y varianza de kriging universal para construir las realizaciones. Esto
constituye un paso hacia la simulación condicional en casos no estacionarios,
pero a la fecha no ha sido aplicado.

10. Propagación de errores

El diseño de la vecindad es fundamental para el algoritmo de simulación
secuencial, ya que vecindades demasiado restrictivas conducen a una
reproducción inexacta de la variabilidad espacial, especialmente si el modelo
de variograma presenta un efecto pepita y no se utiliza kriging simple.

FACULTAD DEINGENIERIA DE MINA

En un caso de estudio presentado en para determinar la sensibilidad de la
definición de la vecindad en la reproducción del variograma, se construyen 100
realizaciones utilizando simulación secuencial con kriging ordinario. Cuatro
modelos sintéticos se ponen a prueba, cada uno con meseta:
 Efecto pepita puro
 Esférico
 Esférico + pepita
 Modelo cúbico

Para cada modelo, se consideran tres vecindades, con 10, 20 y 50 datos

condicionantes (datos originales y previamente simulados, respectivamente).
Los resultados obtenidos indican que la reproducción del variograma resulta
ser pobre en presencia de un efecto pepita. Esto se explica porque la vecindad
móvil omite datos que recibirían ponderadores no despreciables si se utilizara
una vecindad única. En cuanto a los modelos sin efecto de pepita, se necesita
por lo menos 50 datos en la vecindad del kriging para reproducir correctamente
el variograma.

FACULTAD DEINGENIERIA DE MINA

Modelo de variograma y variogramas promedio de 100 simulaciones
secuenciales usando una vecindad con 10 (línea punteada), 20 (línea punteada
y raya).
Condicionamiento por kriging ordinario.

11. VALIDACIÓN CRUZADA.

Se puede verificar la adecuación entre los datos y los parámetros adoptados
(modelo de variograma, vecindad de kriging), utilizando la llamada técnica de la
validación cruzada.

12. Principio.
El principio es estimar sucesivamente, mediante kriging, cada dato,
considerando solo los datos restantes o simular sucesivamente, cada dato
considerando los datos restantes.
La validación cruzada es presentada usualmente bajo la forma de pruebas
gráficas, en especial, nubes de correlación entre valores verdaderos y
estimados y nubes de correlación para intervalos de probabilidad.

13. Nubes de correlación entre valores estimados y verdaderos.

Debe tener una regresión cercana línea diagonal.

Fig. Validación Cruzada: Nube de correlación entre valores estimados y

verdaderos.

FACULTAD DEINGENIERIA DE MINA

14. Nubes de correlación para intervalos de probabilidad.
se calcula la función de distribución local a partir de los datos vecinos. Para una
probabilidad 𝑝 fija, un intervalo de confianza tal que hay una probabilidad 𝑝 que
el dato correspondiente esté en dicho intervalo; si el modelo es válido, la
proporción de los datos que están efectivamente en el intervalo de confianza
asociado debe ser cercana a 𝑝. el intervalo de confianza es el rango inter cuartil
de la distribución local.
Cuando 𝑝 varía, se obtiene una serie de proporciones, que se pueden
comparar con las probabilidades teóricas por medio de una nube de
correlación.

El modelo queda validado cuando los puntos están aproximadamente

alineados en la diagonal. Si la nube de puntos está encima esto significa que la
proporción efectiva es mayor que la probabilidad teórica.
Pero si la nube se ubica bajo la diagonal, la proporción efectiva es menor que
la probabilidad teórica: el modelo es demasiado optimista y subestima la
incertidumbre real.

FACULTAD DEINGENIERIA DE MINA

Situaciones donde el modelo aprecia mal la incertidumbre local.
15. METODOLOGIA
Para realizar las simulaciones condicionales se usará el algoritmo secuencial
Gaussiano y método de bandas rotantes. Para cada uno de estos algoritmos
, se hará una sensibilización del tipo de kriging generando así distintos
modelos de simulación.

16. Casos Sintéticos

Para aplicar los modelos de simulación a casos sintéticos se crearán
escenarios base y se evaluarán los distintos modelos de simulación dado que
se conoce el resultado esperado.

17. Creación de modelos de referencia.

Se crean modelos de referencia donde se conoce el variograma y la
distribución real de los datos, con esto se evaluarán distintos modelos de
simulación.

18. Simulación por bandas rotantes y método secuencial.

se realiza simulación por bandas rotantes para cada una de las 100
realizaciones. Se condiciona la simulación utilizando KS, KO y KU para cada
caso.
Para ver si cambia la calidad de las simulaciones al cambiar el algoritmo de
simulación, se hace lo mismo, pero con simulación secuencial Gaussiana.

FACULTAD DEINGENIERIA DE MINA

19. CASO REAL.
Aplicamos los modelos en un caso real.
 Estudio exploratorio de los datos.
 Transformación de los datos a valores Gaussianos (anamorfosis)
 Verificación hipótesis multi gaussiana y análisis variográfico de los datos
Gaussianos.
 Simulaciones Condicionales.
 Análisis de los resultados, considerando la influencia de; algoritmo de
simulación utilizado, tipo de condicionamiento.
 Validación de los modelos mediante validación cruzada.

FACULTAD DEINGENIERIA DE MINA

20. CONCLUSIONES.
 Este método asigna un valor inversamente proporcional de la distancia
el sitio donde se desea hacer la estimación.

 Se generan simulaciones no condicionadas en las localizaciones

propuestas y en las localizaciones donde se poseen datos
experimentales.

 El objetivo del Kriging es lograr el mínimo error de estimación.

FACULTAD DEINGENIERIA DE MINA

21. REFERENCIAS BIBLIOGRAFICAS

FACULTAD DEINGENIERIA DE MINA