Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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:
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
5
Estimación / Simulación
• Estimación:
• 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
7
Efecto proporcional
8
Efecto proporcional
• El efecto proporcional se puede apreciar
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.
• 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:
13
Aplicaciones
• Las simulaciones permiten:
• 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:
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:
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
21
Modelo Paramétrico
• La distribución debe:
22
Modelo Paramétrico
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
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
27
Modelos no paramétricos
Funciones de distribución condicional en un sitio x
28
Modelos no paramétricos
• Liberan de un modelo predeterminado
• 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)
31
Modelos para la simulación
Simulación de procesos puntuales
32
Modelos para la simulación
Simulación de conjuntos aleatorios (redes de fractura)
33
Tipos de simulaciones
34
Algoritmo / Modelo
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
36
Modelos y simulación
Simulaciones:
• Es simular a realizar test en terreno, sólo que el sistema de interés es reemplazado por
un modelo físico o computacional
38
PRNG
• 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:
40
TRNG
• La aleatoriedad se obtiene de un fenómeno físico y se introduce al computador
• 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:
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
• 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
46
Simulación de variable uniformes en [0,1]
Generadores congruenciales
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
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
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
53
Simulación de una distribución cualquiera
Métodos para realizar simulación de cualquier distribución
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 )
x R, Prob[F1 ( U) x ] Prob [ U F( x )] F( 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
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]
F-1(U) = – ln(1 – U)
60
Simulación de una distribución cualquiera
Método de aceptación y rechazo
∀x, f x ≤ C ∙ g(x)
61
Simulación de una distribución cualquiera
Método de aceptación y rechazo
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
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
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
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
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
1.20 0.9
Simulación Monte Carlo 0.8
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
73
Resumen
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