MI68A Clase 7

Simulacin multigaussiana
ndice
Transformacin Gaussiana
Modelo multigaussiano

Test de la distribucin bigaussiana

Algoritmos de simulacin
Aplicacin a los datos de Andina

Transformacin de los datos

(anamorfosis Gaussiana) (1)

Principio
A menudo, los datos originales tienen un histograma asimtrico, el cual es
incompatible con una distribucin Gaussiana.

Para aplicar el modelo multigaussiano, se requiere primero transformar los

datos, para que tengan (una vez transformados) una distribucin Gaussiana
estndar (media 0, varianza 1). Esta etapa se conoce como transformacin
o anamorfosis Gaussiana:
Z(x) = f[Y(x)]

variable original
(datos brutos)

funcin de transformacin
(anamorfosis)

variable transformada
(datos Gaussianos)

Transformacin de los datos

(anamorfosis Gaussiana) (2)

Ejemplo
Si los datos originales tienen una distribucin lognormal, la transformacin
es el paso a logaritmo.

Transformacin de los datos

(anamorfosis Gaussiana) (3)
Histogramas estndares
Z(x)

Histogramas acumulados
Z(x)

Y(x)

Y(x)
Se asocia a cada valor bruto el valor Gaussiano
con la misma frecuencia acumulada, luego la
transformacin es:
F[Z(x)] = G[Y(x)]
f = F-1 G

Transformacin de los datos

(anamorfosis Gaussiana) (4)
Determinacin prctica para los valores de los datos
Se construye el histograma acumulado de los datos, tomando en cuenta los
pesos de desagrupamiento. La frecuencia acumulada de un dato corresponde al
punto medio del escaln asociado en el histograma acumulado.

Transformacin de los datos

(anamorfosis Gaussiana) (5)
Determinacin prctica para todos los valores
Se interpola y extrapola el histograma acumulado de los datos originales. Esto
permite crear una tabla de transformacin que relaciona todos los valores
originales con valores Gaussianos y vice-versa.

Transformacin de los datos

(anamorfosis Gaussiana) (6)
Observaciones
Conocer la funcin de transformacin (anamorfosis) equivale a modelar el
histograma de los datos originales
Existen casos en los cuales la transformacin Gaussiana es delicada o incluso
imposible: variables categricas, variables con una proporcin importante de
valores nulos...
Problema: se debe atribuir valores Gaussianos distintos a los datos que tienen
el mismo valor original?

El modelo multigaussiano (1)

Hiptesis
Los valores Gaussianos siguen una distribucin multigaussiana (multivariable
Gaussiana), es decir, la densidad de probabilidad de los valores ubicados en los
sitios {x1,... xn} es

g(x1 ,...x n ; y1 ,...y n )

1
( 2 )n

exp y t C 1 y
det (C)
2

con y ( y1 ,... y n ) t y C i , j cov{Y (x i ), Y (x j )}

En este caso, la funcin de covarianza (o, en forma equivalente, el variograma)
caracteriza completamente las distribuciones de probabilidad multivariables.

El modelo multigaussiano (2)

Propiedad fundamental
La distribucin a priori (no condicional) de Y(x) es una Gaussiana de media 0
y varianza 1. Ahora, su distribucin a posteriori (condicional a los datos) sigue
siendo Gaussiana, de media igual a su kriging simple y de varianza igual a la
varianza de kriging simple.

El modelo multigaussiano (3)

Cmo validar la pertinencia del modelo?

Por construccin, el histograma de los datos transformados es Gaussiano, por
lo cual su distribucin univariable es consistente con el modelo.
Sin embargo, hace falta verificar que las distribuciones de orden superior sean
tambin compatibles con la hiptesis multigaussiana. En la prctica, slo se
estudia las distribuciones bivariables, es decir, las distribuciones de los pares
de valores {Y(x + h), Y(x)}.

Test de la distribucin bigaussiana (1)

Primer test: nubes de correlacin diferida

Las curvas de isodensidad de la distribucin bivariable del par {Y(x + h),Y(x)}

son elipses concntricas. Luego, la nube de correlacin diferida (i.e. la nube de
los puntos (y(xa),y(xb)) tal que xb xa h) debe tener una forma elptica.
densidad de probabilidad

nube de correlacin diferida

Test de la distribucin bigaussiana (2)

Cuando |h| tiende a infinito, la nube de correlacin diferida se vuelve circular.
Cuando |h| tiende a 0, la nube se restringe en torno a la primera bisectriz.

Test de la distribucin bigaussiana (3)

Segundo test: variogramas de indicadores

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

de corte):

I Y (x; y)

1 si Y( x) y
0 en caso contrario

Bajo la hiptesis bigaussiana, existe una relacin entre el variograma g(h) de los
datos Gaussianos y el variograma gI,y(h) de la variable indicador:
1 arcsen[1g (h )]
y2
g I, y (h) G( y) [1 G( y)]
exp[
] d

0
2
1 sen

donde G(.) es la funcin de distribucin de la Gaussiana estndar.

Test de la distribucin bigaussiana (4)

Por ejemplo, para el umbral y = 0 (mediana), se tiene:

g I , 0 (h)

1 1

arcsen[1 g (h)]
4 2

Para los otros umbrales, el variograma de indicador se puede calcular gracias a

una integracin numrica, o a un desarrollo en polinomios.

Test de la distribucin bigaussiana (5)

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 1) segn 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 expresin terica
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 distribucin.
7) Concluir si los variogramas tericos de indicador ajustan razonablemente
bien los variogramas experimentales.

Test de la distribucin bigaussiana (6)

Consecuencias de la expresin de los variogramas de indicadores

1) La expresin de gI,y(h) es invariante cuando se cambia y en y: la continuidad
espacial de los indicadores es simtrica con respecto al umbral mediano y 0.
Por consiguiente, los rasgos (anisotropa, continuidad...) que se manifiestan
para los valores bajos tambin caracterizan los valores altos.
2) Si y tiende a , gI,y(h) tiende a su meseta G(y) [1 G(y)] cualesquiera h: los
variogramas de indicadores se vuelven pepticos para los umbrales extremos.
Esta propiedad da cuenta de un fenmeno conocido como desestructuracin
de las altas leyes: la ocurrencia de valores extremos es puramente aleatoria.

Test de la distribucin bigaussiana (7)

desestructuracin total

desestructuracin parcial

nula desestructuracin

El modelo multigaussiano es inapropiado a las dos ltimas situaciones, donde los

valores extremos estn espacialmente agrupados

Test de la distribucin bigaussiana (8)

Tercer test: comparacin 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 distribucin bigaussiana, entonces se tiene
g (h)
g 1 (h)

(independiente de h)

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

Test de la distribucin bigaussiana (9)

Se puede completar este test al analizar los variogramas de distintos ordenes w
comprendidos entre 0 y 2:

g w (h)

1
E{| Y(x h) Y(x) |w}
2

2 w1 w 1
w/2

[ g (h)]
2
bajo la hiptesis bigaussiana
En escala log-log, los puntos que representan a gw(h) en funcin de g(h) deben
ser alineados sobre una recta de pendiente w/2. Esta relacin se puede verificar
sobre los variogramas experimentales de los datos Gaussianos.

Test de la distribucin bigaussiana (10)

Aplicacin a los datos de Andina

Nubes de correlacin diferida (omnidireccionales)
|h| = 20m

|h| = 100m

Test de la distribucin bigaussiana (11)

Variogramas de indicadores

horizontal
horizontal
vertical
vertical

(promedio entre el primer

cuartil y el tercer cuartil)

Test de la distribucin bigaussiana (12)

Variogramas de orden inferior a dos

Pasos a seguir para la simulacin

1) Transformacin de los datos a valores Gaussianos (anamorfosis)

2) Verificacin del carcter bigaussiano; anlisis variogrfico de los datos
Gaussianos
3) Simulacin de la funcin aleatoria Gaussiana

eleccin de un algoritmo de simulacin

construccin de varias realizaciones
condicionamiento a los datos Gaussianos disponibles (si el algoritmo no
lo hace directamente)
4) Transformacin Gaussiana inversa, para volver a la variable original

Construccin de realizaciones

Una vez que se ha comprobado la pertinencia de la hiptesis multigaussiana, el

modelo queda enteramente caracterizado por la funcin de anamorfosis y por
el variograma de los datos Gaussianos.
Falta definir un algoritmo para poder construir realizaciones de este modelo y
condicionarlas a los datos disponibles. En el caso multigaussiano, existen
numerosos algoritmos para responder a este problema. El ms sencillo es el
llamado mtodo secuencial Gaussiano.

Algoritmo de simulacin secuencial (1)

Supongamos que se busca simular los valores de una funcin aleatoria Gaussiana
de media 0 y variograma g(h) en los sitios {x1,... xn} del espacio. La simulacin
secuencial se realiza de la siguiente manera:
1) simular un valor Gaussiano U1 (media 0, varianza 1) y plantear Y(x1) = U1

2) para cada i {2,... n}, plantear

Y(x i ) Y SK (x i ) sSK (x i ) U i

donde YSK(xi) es el kriging simple de Y(xi) a partir de los valores previamente

simulados {Y(x1),... Y(xi-1)}
sSK(xi) es la desviacin estndar de kriging
Ui es un valor Gaussiano independiente de U1,... Ui-1

Algoritmo de simulacin secuencial (2)

En cada etapa, se simula el valor en un sitio y se agrega el valor simulado a los

datos condicionantes para simular los sitios siguientes.
mtodo secuencial
se requiere usar un kriging simple (de media conocida = 0). De lo contrario,
no se logra reproducir correctamente el variograma.

Algoritmo de simulacin secuencial (3)

Pros
mtodo sencillo y fcil de ejecutar
permite refinar una simulacin existente (aumentar la resolucin)

permite realizar directamente simulaciones condicionales a un conjunto

de datos: se considera estos datos como si fueran valores ya simulados

Algoritmo de simulacin secuencial (4)

Contras

a veces, problemas numricos cuando se trata de simular un variograma muy

regular en el origen (matrices de kriging casi-singulares)
mtodo lento: el sistema de kriging se vuelve cada vez ms grande a medida
que se desarrolla la simulacin
en la prctica, se debe restringir los datos condicionantes (datos iniciales
+ valores previamente simulados) a los ms cercanos del sitio a simular,
es decir, se usa una vecindad mvil.

fuente de imprecisin, que requiere ciertos trucos para minimizar sus

efectos:
aleatorizacin del orden de los sitios a simular, para evitar artefactos
grillas mltiples: simular sitios en una malla amplia, luego refinar

Algoritmo de simulacin secuencial (5)

Ejemplo

Simulacin no condicional de una funcin aleatoria Gaussiana de variograma

esfrico + pepa (dominio de 400 400 nodos): variogramas de 100 realizaciones
Vecindad con 20
datos condicionantes

Vecindad con 100

datos condicionantes

Otros algoritmos de simulacin

Mtodo de descomposicin matricial (Davis, 1987):

limitado a la simulacin de un nmero limitado de valores

Mtodo espectral continuo (Shinozuka and Jan, 1972)
Mtodo espectral discreto (Chils and Delfiner, 1994)
Mtodo de bandas rotantes (Matheron, 1973)
Los tres ltimos mtodos generan simulaciones 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. Estos mtodos son ms
rpidos que el algoritmo secuencial por dos razones: 1) el sistema de kriging slo
involucra a los datos originales y 2) se puede condicionar mltiples realizaciones
con un solo kriging.

Aplicacin a los datos de Andina (1)

Estudio exploratorio y variogrfico de los datos disponibles

Se dispone de 2376 muestras de exploracin con sus leyes de cobre total
mapa

histograma de los
datos originales

variograma de los
datos Gaussianos

Aplicacin a los datos de Andina (2)

Simulacin condicional (modelo multigaussiano, 50 realizaciones)

Leyes de cobre simuladas (soporte puntual) en una malla de 2m 2m.

Aplicacin a los datos de Andina (3)

Uso de las simulaciones

Rebloqueo a unidades de seleccin minera (10m 10m 12m)

Aplicacin a los datos de Andina (4)

Evaluacin de las leyes de bloques y de su incertidumbre

Comparar con los resultados obtenidos por kriging

La varianza de las realizaciones toma en cuenta el efecto proporcional.

Aplicacin a los datos de Andina (5)

Evaluacin de los recursos recuperables sobre una ley de corte de 0.5%Cu

Estos mapas no pueden ser obtenidos por kriging, debido al suavizamiento de ste

Aplicacin a los datos de Andina (6)

Otras aplicaciones posibles de las simulaciones
Anlisis de riesgo, clculos de VAN
Categorizar recursos y reservas
Diseo de pit ptimo
Planificacin minera
Control de leyes (planta / botadero)

Reconciliacin de leyes (mina / planta)

La metodologa de la simulacin se puede extender a variables categricas (que
modelan la extensin espacial de unidades geo-metalrgicas) y variables de
geotecnia o de metalurgia (dureza, recuperacin, work index, etc.)

Bibliografa
Conceptos y algoritmos
Chils J.P. and Delfiner P., 1994, Using FFT techniques for simulating Gaussian random fields, in
Proceedings of the conference in mining geostatistics, Berg-en-dal, South Africa, 19-22 September
1994.

Davis M., 1987, Production of conditional simulations via the LU triangular decomposition of the
covariance matrix, Mathematical Geology, Vol. 19, n2, p. 91-98.
Gmez-Hernndez J. J. and Cassiraga E. F., 1994, Theory and practice of sequential simulation,
in M. Armstrong and P. A. Dowd (eds.), Geostatistical simulations, Kluwer Academic Publishers,
Dordrecht, Holland, p. 111-124.
Lantujoul C., 1994, Non conditional simulation of stationary isotropic multigaussian random
functions, in M. Armstrong and P. A. Dowd (eds.), Geostatistical simulations, Kluwer Academic
Publishers, Dordrecht, Holland, p. 147-177.
Matheron G., 1973, The intrinsic random functions and their applications, Advances in Applied
Probability, Vol. 5, p. 439-468.
Shinozuka M. J. and Jan C. M., 1972, Digital simulation of random processes and its applications,
Journal of sound and vibrations, Vol. 25, n1, p. 111-128.

Bibliografa
Aplicaciones mineras
Deraisme J., de Fouquet C. and Fraisse H., 1984, Geostatistical orebody model for computer
optimization of profits from different underground mining methods, in Proceedings of the 18th
APCOM Symposium, Institution of Mining and Metallurgy, London, p. 583-590.
Deutsch C.V., Magri E. and Norrena K., 2000, Optimal grade control using geostatistics and
economics: methodology and examples, in SME Transactions, Vol. 308, p. 43-52.
Dowd P.A., 1994, Risk assessment in reserve estimation and open-pit planning. Transactions of
the Institution of Mining and Metallurgy (Section A: Mining industry), Vol. 103, p. 148 - 154.
Journel A.G., 1974, Geostatistics for conditional simulation of orebodies, Economic Geology, Vol.
69, p. 673-687.
Kim Y.C., Medhi P.K. and Arik A., 1982, Investigation of in-pit ore-waste selection procedures
using conditionally simulated orebodies, in Proceedings of the 17th APCOM Symposium, T.B.
Johnson and R.J. Barnes (eds.), Society of Mining Engineers of the AIME, New York, p. 121-142.
Vieira J.L, Travassos J.F., Gonalves A, Santos N and Muge F.H, 1993, Simulation of medium
and short term mine production scheduling using geostatistical modelling, in Geostatistics Tria92,
A. Soares (ed.), Kluwer, Dordrecht, The Netherlands, Vol. 2, p. 1013-1027.