Ingeniero

SIMULACIÓN GEOSTADÍSTICA DE Expositor: Yerko Martínez

GEOLOGÍA Y LEYES Fernández
ymartine00@gmail.com
Simulación y números aleatorios
 Agenda
Contenidos del curso:

01 INTRODUCCION
02 MODELAMIENTO DE INCERTIDUMBRE
03 SIMULACION Y NUMEROS ALEATORIOS
04 SIMULACION DE LEYES
05 SIMULACION DE GEOLOGIA
06 POST PROCESO DE LAS SIMULACIONES
07 TALLER

2
 Simulaciones
Una simulación corresponde una variable regionalizada que se parece a la variable
regionalizada que se estudia:

• Reproduce características estructurales

• Honra los valores medidos en los sitios con datos

Realidad Simulación 3
 ¿Por qué simulaciones?
La estimación por Kriging (dada sus propiedades) tiene limitaciones:

• El variograma de los valores estimados no respeta el efecto pepa de los valores reales
• La variabilidad de la estimación no es uniforme (aumenta lejos de los sitios con datos)
• El rango de valores estimados es menor al real (suavizamiento). No predice ocurrencia
de valores extremos.

La estimación por Kriging no tiene las misma propiedades que los valores reales!

4
 Simulaciones

Simulación Kriging

La simulación muestra mayor variabilidad que las estimaciones mediante Kriging

5
 Estimación / Simulación
• Estimación:

• BLUE (Best Linear Unbiased Estimator): Mejor estimador lineal insesgado

• Varianza de Kriging da una medida de la calidad de la estimación, pero es un

valor netamente geométrico, no depende del valor de los datos y por ende no
considera el efecto proporcional

• Suavizamiento
• El rango de los valores estimados es más estrecho que el rango de las muestras, especialmente
en zonas menos muestreadas
• Existe una subestimación de las leyes altas y una sobreestimación de las leyes bajas

6
 Estimación / Simulación
• Simulación

• Entrega escenarios posibles, pero no es la mejor estimación

• Reproduce las características de la variable aleatoria: histograma, continuidad

espacial

• Considera el efecto proporcional y permite cuantificar incertidumbre que

dependen del valor de los datos

7
 Efecto proporcional

• Efecto proporcional corresponde a una mayor variabilidad en las zonas de valores

altos versus una menor variabilidad en las zonas de valores bajos

• La varianza de Kriging es solo geométrica, es decir, sólo toma en cuenta información de

la ubicación espacial de las muestras que utiliza sin considerar la información local
correspondiente al valor de los datos

8
 Efecto proporcional
• El efecto proporcional se puede apreciar

• En el gráfico media vs desviación estándar

• En comportamiento espacial Mayor media, mayor dispersión

MEDIA VS DESVIACION ESTANDAR

0.8

0.7

0.6 zmin 5
zmin 3

0.5
Standard Deviations

0.4
zmin 6

0.3

0.2 zmin 2

0.1

0.0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

Means

9
 Simulaciones
• La simulación busca construir mapas de valores que reproducen la variabilidad real
de la variable en estudio respetando sus características (histograma, variograma, etc)

• El enfoque tradicional entrega una sola respuesta, mientras que las simulaciones
entregan un conjunto de escenarios posibles

10
 Simulaciones
• La simulaciones son una herramienta que permite construir distintos escenarios o
realizaciones que reproducen la variabilidad de los datos.

• Uso de las simulaciones:

• Análisis de riesgo: definir escenarios optimista/pesimista

• Estimación: promediando los distintos escenarios

• Medición de incertidumbre: qué tan distintos son los escenarios entre sí. Y en
que sectores hay más variabilidad

11
 Aplicaciones
• La cuantificación de la incertidumbre permite sustentar la toma de decisiones en el
negocio minero, aplicable a diferentes procesos:

• Categorización de recursos
• Diseño minero
• Planificación
• Evaluación económica
• Riesgo por proceso
• Etc

12
 Aplicaciones
• Las simulaciones permiten:

• Modelar la variabilidad incertidumbre

• Estimar funciones de la variable de interés:

• Probabilidad de sobrepasar una ley de corte
• Probabilidad de bajar de un umbral mínimo
aceptable

• Cantidad de metal sobre ley de corte

• Identificar sectores con mayor incertidumbre en

geología y/o en leyes

13
 Aplicaciones
• Las simulaciones permiten:

• Realizar estimaciones (promedio de los escenarios)

• Diseño óptimo de rajo

• Planificación minera:
• Rango de leyes esperada en la planta
• Rango de durezas / arcillas

• Análisis de riesgo:
• Escenario pesimista / optimista. Cálculo del VAN
por cada realización

14
 Aplicaciones
• Las simulaciones permiten:

• Control de leyes: Decisión más oportuna para cada

bloque entre plata o botadero

• Reconciliación de leyes mina / planta

• Simulaciones multi variables

• Simulaciones de variables continuas o categóricas

15
 Pasos del proceso de simulación

1. Caracterización de la variable
Histograma, variograma, etc

2. Simulación
Considerando un modelo y un algoritmo

3. Post Proceso

16
 Paso a paso simulación
1. Análisis exploratorio de datos
2. Determinación de estadísticas representativas (desagrupamiento)
3. Transformación a valores gaussianos (anamorfosis)
4. Variografía de distribución transformada
5. Definición del método de simulación:
• Tiempo disponible
• Software disponible
• Experiencia
6. Chequeo de la hipótesis de trabajo
7. Simulación: generación de múltiples modelos numéricos
8. Post-proceso de las realizaciones

17
 Simulaciones
• Existen dos tipos de simulaciones según si honran los datos:

• Simulación no condicional: Busca reproducir la variabilidad de los datos en todo

el depósito sin reproducir los sitios muestreados.

• Simulación condicional: Reproduce la variabilidad de los datos pero respeta los

valores de sitios conocidos.
• Más realista
• En un sitio con dato, todos los escenarios reproducen este dato
• Lejos de los datos, la simulación se vuelve no condicional

18
 Simulación no condicional
Una simulación no condicional de Z(x) es una función aleatoria que tiene la misma distribución espacial
que Z(x) (misma esperanza, covarianza, distribución marginal, distribuciones bivariables)

Simulación no condicional
γ 𝐡 = 0.2 𝑝𝑒𝑝𝑎 𝒉 + 0.8𝐸𝑥𝑝(400) (𝒉)
Algoritmo: Bandas rotantes

19
 Simulación condicional
Una simulación condicional honra los valores en los datos con medición. A nivel de modelo probabilístico
esta condición se formaliza con la noción de condicionamiento, es decir, la v. a. tiene la misma distribución
que Z(x) conociendo los valores que deben tomarse en los sitios con datos

Simulación condicional
γ 𝐡 = 0.2 𝑝𝑒𝑝𝑎 𝒉 + 0.8𝐸𝑥𝑝(400) (𝒉)
Algoritmo: Bandas rotantes

20
 Simulación condicional
Una simulación condicional honra los valores en los datos con medición. A nivel de modelo probabilístico
esta condición se formaliza con la noción de condicionamiento, es decir, la v. a. tiene la misma distribución
que Z(x) conociendo los valores que deben tomarse en los sitios con datos

• Más realista

• En un sitio con dato, todos los

escenarios reproducen este dato

• Lejos de los datos, la simulación se

vuelve no condicional

21
 Modelo Paramétrico

• Utilizan un modelo predeterminado de distribución espacial para la variable aleatoria

• La distribución debe:

• Depender de un pequeño número de parámetros para poder ser inferida a partir de

los datos experimentales
• Satisfacer restricciones de compatibilidad entre las distribuciones multi variables

22
 Modelo Paramétrico

• Por eso en la práctica interesan principalmente las distribuciones aleatorias de

distribución espacial gaussiana, caracterizadas completamente por sus primeros dos
momentos

• Un ejemplo es el modelo multigaussiano, comúnmente utilizado para simular leyes

23
 Modelo Paramétrico
Como es poco frecuente que la distribución de la variable en estudio sea gaussiana se
realiza una transformación para convertirla en gaussiana: anamorfosis

24
 Modelo Paramétrico
Como es poco frecuente que la distribución de la variable en estudio sea gaussiana se
realiza una transformación para convertirla en gaussiana: anamorfosis

25
 Modelos no paramétricos

• No dependen de un modelo de distribución espacial ni especificación de parámetros

o La idea es estimar la función de distribución local para una serie de umbrales que discretizan el
intervalo de los valores de la variable

o Luego interpolar y extrapolar los valores estimados para obtener una estimación de la función de
distribución local para todos los umbrales posibles

26
 Modelos no paramétricos
Funciones de distribución condicional en un sitio x

Teórica Estimada en varios umbrales

27
 Modelos no paramétricos
Funciones de distribución condicional en un sitio x

Corregida Interpolada y extrapolada

28
 Modelos no paramétricos
• Liberan de un modelo predeterminado

• Proporcionan una estimación incompleta de la función de distribución teórica. La elección de los

métodos de interpolación/extrapolación pueden tener un gran impacto.

• La función de distribución estimada suele presentar problemas de coherencia (probabilidades menor a 0

o mayor a 1, problemas de relación de orden). Se debe corregir antes de interpolar/extrapolar.

• Problemas con el cambio de soporte: a falta de un modelo de distribución espacial no es posible obtener
de manera rigurosa las distribuciones de probabilidad de valores definidos sobre un soporte distinto a
aquel de las mediciones

29
 Modelos para la simulación
Simulación de variables continuas (leyes)

30
 Modelos para la simulación
Simulación de variables categóricas (geología)

Modelo plurigaussiano Modelo Gaussiano Truncado Modelo jerárquico

31
 Modelos para la simulación
Simulación de procesos puntuales

Puntos agrupados Proceso de repulsión Proceso de Poisson

32
 Modelos para la simulación
Simulación de conjuntos aleatorios (redes de fractura)

Modelo fractal Modelo Booleano Modelo jerárquico

33
 Tipos de simulaciones

• Las simulaciones puedes ser de distintos tipos según:

• Si honra los datos: Condicionales o No condicionales

• Tipo de modelo: Paramétrico o No paramétrico
• Naturaleza de la variable simulada: Continuas (leyes), Categóricas (geología),
Objetos

• Las simulaciones se generan considerando un modelo y utilizando algoritmos

34
 Algoritmo / Modelo

• Algoritmo: Conjunto ordenado y finito de operaciones que permite hallar la solución

de un problema

• Modelo: Representación de fenómenos, sistemas o procesos con el fin de analizar,

describir, explicar, simular estos procesos. Un modelo permite determinar un resultado
final a partir de unos datos de entrada.

35
 Modelos y simulación
Modelos:

• Los modelos son abstracciones simplificadas, que abarcan sólo el alcance y nivel de
detalle necesario para satisfacer los propósitos del estudio

• Son empleados en general cuando la investigación directa del sistema es impráctica o

prohibitiva ya sea por que es cara, lenta, disruptiva, insegura o ilegal

36
 Modelos y simulación
Simulaciones:

• La simulación es un enfoque particular para estudiar modelos que es básicamente

experimental

• Es simular a realizar test en terreno, sólo que el sistema de interés es reemplazado por
un modelo físico o computacional

• La simulación implica crear un modelo que imita el comportamiento de interés con el

fin de entender y analizar tal comportamiento

Proceedings of the 2009 Winter Simulation Conference M. D. Rossetti, R.

R. Hill, B. Johansson, A. Dunkin and R. G. Ingalls, eds. 37
 Números aleatorios
• Previo a revisar los algoritmos de simulación geostadística se debe entender la
generación de números aleatorios

• Existen dos tipos de generadores de números aleatorios:

• PRNG (Pseudo-Random Number Generator)

• TRNG (True Random Number Generator)

38
 PRNG

• PRNGs corresponden a generadores de números pseudo-aleatorio

• Estos números son “pseudo” aleatorio en el sentido que no son igualmente aleatorios a
lanzar un dado.

• Son algoritmos que usan algoritmos matemáticos y tablas pre-calculadas para entregar
una secuencia de números que parecen aleatorios en la práctica

39
 PRNG
Se caracterizan por ser:

• Eficientes: Generan gran cantidad de números en poco tiempo

• Determinísticos: Existe una secuencia que se puede reproducir nuevamente en

cualquier momento si es que se conoce el punto de partida (semilla)

• Periódicos: La secuencia eventualmente se repite.

Se utiliza un periodo suficientemente grande para que en la práctica se los números

obtenidos se aprecien como aleatorios

40
 TRNG
• La aleatoriedad se obtiene de un fenómeno físico y se introduce al computador

• Ejemplos: ruido atmosférico, decaimiento radioactivo

• Ejemplo de generación
mediante fotos a
lámparas de lava
(lavarand)

41
 PRNG vs TRNG
• Los TRNG en comparación con los PRNGs, son menos eficientes, no determinísticos y aperiódicos por lo
cual se utilizan en aplicaciones que requieren una secuencia que no se pueda reproducir

• Según su aplicación el tipo de generador que se utilice. En el caso de simulaciones, conviene utilizar
PRNG dado su eficiencia y la gran cantidad de números a generar.

Generador más
Aplicación
adecuado
Juegos de azar TRNG
Simulación PRNG
Seguridad (encriptación) TRNG

42
 Simulación de variable uniformes en [0,1]
En simulación estocástica la generación de números pseudo-aleatorios con distribución
uniforme [0,1] se emplean para distintos propósitos:

• En forma directa (cuando se desea obtener valores distribuidos uniformemente en [0,1])

• Generar otras variables aleatorias con distribuciones discretas o continuas
• Generar conjuntos de variables aleatorias dependientes

43
 Simulación de variable uniformes en [0,1]
Un buen generador debe satisfacer las siguientes propiedades:

• Repetibilidad: Si se dan los mismos parámetros, el generador debe producir la misma sucesión. Es
auditable el proceso de simulación

• Portabilidad: Bajo mismas condiciones de definición, la sucesión es la misma independiente del

lenguaje de programación utilizado y del computador

• Velocidad computacional: Permite generar gran número de realizaciones y está ligado con la precisión
requerida en los resultados

44
 Simulación de variable uniformes en [0,1]
La densidad de probabilidad de una variable aleatoria uniforme U en [0,1] es:

45
 Simulación de variable uniformes en [0,1]
Generadores congruenciales

Se generan números aleatorios enteros

Con M entero positivo M grande para la sucesión de números:

46
 Simulación de variable uniformes en [0,1]
Generadores congruenciales

Sea M un entero positivo M ≥ 2. Una sucesión 𝑦1 , 𝑦2 , … 𝑦𝑛 valores en {0,1, … ,M-1} se

dice generada por el generador congruencial lineal con parámetros 𝑎, 𝑐 y M y semilla 𝑦0
si:

𝑦𝑛+1 = 𝑎𝑦𝑛 + 𝑐 𝑚𝑜𝑑 M 𝑛≥1

Con 𝑎 (multiplicador), 𝑐 (incremento), 𝑦0 (semilla) enteros del conjunto {0,1, … ,M-1}

47
 Simulación de variable uniformes en [0,1]
Ejercicio: Generar 25 números aleatorios con el método de generadores congruenciales
para el caso 𝑐 = 0 (generadores multiplicativos) con:

• M = 7 , a = 5 , y0 = 1
• M = 13 , a = 12 , y0 = 1
• M = 23 , a = 5 , y0 = 1

¿Qué puede decir respecto de los números generados?

¿Qué pasa si se cambia la semilla?

48
 Simulación de variable uniformes en [0,1]
Ejercicio: Generar 25 números aleatorios con el método de generadores congruenciales
para el caso 𝑐 = 0 (generadores multiplicativos) con:

Caso M a y0 y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12 y13 y14 y15 y16 y17 y18 y19 y20 y21 y22 y23 y24 y25
1 7 5 1 5 4 6 2 3 1 5 4 6 2 3 1 5 4 6 2 3 1 5 4 6 2 3 1 5
2 13 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12
3 23 5 1 5 2 10 4 20 8 17 16 11 9 22 18 21 13 19 3 15 6 7 12 14 1 5 2 10

El caso 1 y caso 3 alcanzan su periodo máximo (m – 1) mientras el caso 2 tiene un periodo

1 y por lo mismo no representa una secuencia de números aleatorios

49
 Simulación de variable uniformes en [0,1]
Ejercicio: Generar 25 números aleatorios con el método de generadores congruenciales
para el caso 𝑐 = 0 (generadores multiplicativos) con:

Caso M a y0 y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12 y13 y14 y15 y16 y17 y18 y19 y20 y21 y22 y23 y24 y25
1 7 5 1 5 4 6 2 3 1 5 4 6 2 3 1 5 4 6 2 3 1 5 4 6 2 3 1 5
2 13 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12 1 12
3 23 5 1 5 2 10 4 20 8 17 16 11 9 22 18 21 13 19 3 15 6 7 12 14 1 5 2 10

Para que la sucesión de números tenga alcance su periodo máximo (m – 1), se requiere:
• m es un número primo
• (m – 1) / 2 es un número primo
( m 1) / 2
•a  1 [m]
50
 Simulación de variable uniformes en [0,1]
Ejercicio: Dado los resultados del punto anterior, genere una simulación de 20, 200 y
2000 números de la variable uniforme [0,1] y grafique el histograma teórico versus el
experimental

51
 Simulación de variable uniformes en [0,1]
Ejercicio: Dado los resultados del punto anterior, genere una simulación de 20, 200 y
2000 números de la variable uniforme [0,1] y grafique el histograma teórico versus el
experimental

M = 50041463, a = 100000 , y0 = 1
52
 Simulación de variable gaussiana estándar
Generadores de Box-Müller

Sean U y V independientes y uniformes [0,1]

Las variables X e Y definidas por

Son gaussianas estándar e independientes

53
 Simulación de una distribución cualquiera
Métodos para realizar simulación de cualquier distribución

• Método de inversión o de la anamorfosis uniforme

• Método de aceptación y rechazo
• Simulación por iteraciones markovianas

54
 Simulación de una distribución cualquiera
Método de inversión o de la anamorfosis uniforme
Sea X una variable aleatoria con F(x) función de distribución

F( x )  Prob (X  x )

Sea U una variable uniforme en [0,1], entonces

x  R, Prob[F1 ( U)  x ]  Prob [ U  F( x )]  F( x )

es decir, F-1(U) tiene la misma distribución que X

55
 Simulación de una distribución cualquiera
La función de distribución de la variable aleatoria X indica la probabilidad de estar bajo un umbral

F x = Prob(X < x)

La probabilidad
de estar bajo 6,
es de 50%

56
 Simulación de una distribución cualquiera
La función de distribución U toma valores de manera uniforme en [0,1], por lo tanto F-1(U) devuelve el
mismo espectro de valores que toma la variable X

F x = Prob(X < x) F −1 U = Prob(F −1 (U) < x)

Si U entrega un valor 0.5 para evaluar, F-1(0.5) = 6,

luego la evaluación es la probabilidad de que x sea
menor a 6 es igual a F(x) 57
 Simulación de una distribución cualquiera
La utilidad de este resultado es que se para simular cualquier distribución, sólo se requiere que F sea
invertible y simular una función de distribución uniforme [0,1]

Ejemplo: Distribución exponencial F(x)=1 – exp(-x), x ≥ 0

58
 Simulación de una distribución cualquiera
La utilidad de este resultado es que se para simular cualquier distribución, sólo se requiere que F sea
invertible y simular una función de distribución uniforme [0,1]

Ejemplo: Distribución exponencial F(x)=1 – exp(-x), x ≥ 0

F-1(U) = – ln(1 – U)

Para simular la distribución

exponencial se debe simular una
uniforme [0,1] y aplicar la función F-1
59
 Simulación de una distribución cualquiera
La utilidad de este resultado es que se para simular cualquier distribución, sólo se requiere que F sea
invertible y simular una función de distribución uniforme [0,1]

Ejemplo: Distribución exponencial F(x)=1 – exp(-x), x ≥ 0

Distribución experimental generada con

1000 números F-1(U) simulados

60
 Simulación de una distribución cualquiera
Método de aceptación y rechazo

Sea X una variable aleatoria con f(x) densidad de probabilidad.

Sea g(x) densidad de probabilidad conocida y C constante tal que:

∀x, f x ≤ C ∙ g(x)

61
 Simulación de una distribución cualquiera
Método de aceptación y rechazo

Se generan punto (X,Y) uniformes en el área bajo la curva C x g(x) mediante:

1. X variable aleatoria de densidad de probabilidad g(x)

2. Y = U x C x g(X) donde U es variable aleatoria uniforme [0,1]
3. Se eliminan los puntos que no están bajo el la curva f(x). La abscisa X de los puntos no rechazados sigue
la distribución que se busca simular

Tomar la menor constante C posible que cumple la desigualdad

62
 Ejercicios
Ejercicio 1: Genere una simulación de 2000 números con distribución exponencial y grafique el histograma
teórico versus el experimental

Ejercicio 2: Genere una simulación de 2000 números con distribución gaussiana estándar utilizando el
método de Box-Müller y grafique el histograma teórico versus el experimental

Ejercicio 3: Simular una distribución gaussiana estándar con el método de aceptación y rechazo.
2
−𝑥
2𝑒 𝑒 −|𝑥| 1
Considere C x g(x) = y f(x) gaussiana = 𝑒 2
𝜋 2 2𝜋

63
 Ejercicio
Ejercicio 1: Genere una simulación de 2000 números con distribución exponencial y grafique el histograma
teórico versus el experimental

64
 Ejercicio
Ejercicio 2: Genere una simulación de 2000 números con distribución gaussiana estándar utilizando el
método de Box-Müller y grafique el histograma teórico versus el experimental

65
 Ejercicio
Ejercicio 3: Simular una distribución gaussiana estándar con el método de aceptación y rechazo.
2
−𝑥
2𝑒 𝑒 −|𝑥| 1
Considere C x g(x) = y f(x) gaussiana = 𝑒 2
𝜋 2 2𝜋

Resultado de considerar 2000 valores

simulados. En gris puntos rechazados y
en amarillo puntos aceptados

66
 Ejercicio
Ejercicio 3: Simular una distribución gaussiana estándar con el método de aceptación y rechazo.
2
−𝑥
2𝑒 𝑒 −|𝑥| 1
Considere C x g(x) = y f(x) gaussiana = 𝑒 2
𝜋 2 2𝜋

Basta tomar X de los puntos aceptados

para tener una distribución gaussiana

67
 Método de Monte Carlo
• El método de Monte Carlo corresponde a un conjunto de algoritmos que se basan en el muestreo aleatorio
para obtener resultados numéricos con áreas de aplicación en física, finanzas, matemáticas, etc

• El principio es usar la aleatoriedad para resolver problemas que en principio no se pueden resolver
determinísticamente o que su resolución determinística es altamente costosa en cómputos

• Deben su nombre al casino de Monte Carlo (generación de números aleatorios)

68
 Método de Monte Carlo
• Se utilizan principalmente en:

• Optimización
• Integración numérica
• Generación de valores de una distribución de probabilidad

• Son la base de las técnicas de simulación estocástica y pueden ser aplicados a distribuciones de valores
continuos o discretos

69
 Simulación con Monte Carlo
El procedimiento consiste en:

CDF

1. Se construye la función de distribución acumulada (CDF) Obtenido

por MC
2. Se genera un valor aleatorio uniforme [0,1] pk=0.6
3. El valor obtenido en 2. se utiliza como valor del cuantil a
leer en la CDF
4. Dado el cuantil en la CDF se obtiene el valor simulado
correspondiente en el eje x

0.308

Valor
simulado

70
 Simulación con Monte Carlo
Ejemplo de uso de MC en simulación secuencial gaussiana

Ley
1.60

1.40

1.20

CCDF
1.00
uk
0.80

0.60
Estimación por KS
0.40
• Vecindad sobre un punto uk
0.20 • Construcción de una ccdf

0.00
0 20 40 60 80 100 120 140 160 180 200

71
 Simulación con Monte Carlo
Ejemplo de uso de MC en simulación secuencial gaussiana

Ley
1.60

1.40 CCDF - N(y*(uk),σ2KS(uk))

1

1.20 0.9
Simulación Monte Carlo 0.8

• Simular por MC [0,1] CCDF

1.00 0.7
0.66
• Obtener z’(uk) mediante uk 0.6

0.80 CCDF

F(Y)
0.5

0.4

0.60 0.3

0.2
0.40
0.1

0
0.20 -3 -2 -1 0 1 2 3

Y 1.2 →0.7
0.00
0 20 40 60 80 100 120 140 160 180 200

72
 Resumen

• Métodos de estimación no reproducen las características de la variable de interés:

suavizan y la varianza de Kriging no considera el efecto proporcional.

• Simulaciones reproducen las características de la variable de interés. Permiten

evaluar la incertidumbre y determinar múltiples escenarios equiprobables para la toma
de decisión.

73
 Resumen

• Las simulaciones se generan considerando un modelo y utilizando algoritmos.

• La generación de números aleatorios es la base para las técnicas de simulación

geostadística, en particular el método de simulación de valores por Monte Carlo.

74
 Información presentada
Este curso toma información de fuentes académicas y de experiencia de la industria con
proyectos reales ejecutados en consultoría.

Fuente académica:
• Cátedras diploma DEGY, Simulación Geoestadística de Geología y Leyes, Profesor Julián Ortiz
• Cátedras Evaluación de Yacimientos, Profesor Alejandro Cáceres
• Cátedras Simulación Geostadística, Profesor Xavier Emery
• Cátedras Simulación Geostadística, Profesor Danilo Castillo
• Bibliografía relevante

Fuente laboral
• Proyectos de consultoría realizados en la empresa GeoInnova Consultores Ltda

75