Formalismo

MI5041 Evaluación de Yacimientos

Modelo probabilístico

• El valor de la variable regionalizada en un punto z(u) se interpreta como la

realización de una variable aleatoria Z(u).
• Algunos problemas:
– ¿Cómo hacer inferencia acerca de la variable aleatoria si sólo disponemos de una realización?
– ¿Cómo interpretamos la distribución de probabilidades en cada punto?
– Inferencia y Modelamiento
F(z)

1.2 ? 0.8

z
Modelo probabilístico
• Si conozco varias realizaciones y asumo cierta
homogeneidad espacial, puedo inferir su
• ¿Cómo infiero la distribución de distribución
probabilidad de un dado? – Equivalente a tirar varias veces el dado

• Pero, además, en nuestro caso, los dados no son

independientes:
 Definiciones
• Variable aleatoria: Una función desde un espacio muestreal S en los números
reales. Es una forma de representar un valor z no muestreado (desconocido).
• La variable aleatoria puede tomar cualquier valor dado por su distribución de
probabilidad. Ésta modela la incertidumbre respecto a z. La variable puede ser
continua o discreta
– Variable continua: Una variable que puede tomar valores en forma continua
entre dos valores dados: ley, densidad, concentración, precio, etc.
– Variable discreta o categórica: La variable pertenece a una clase. No continua.
Ejemplo: litologías, indicadores, contactos.
• Función Aleatoria: El conjunto de las variables aleatorias en un dominio:

Variable regionalizada es una realización de la función aleatoria

Z (u)  D
Análisis estadístico

• No interesan las estadísticas de las muestras, sino que queremos

acceder a los parámetros de la población subyacente.

• Se requiere un modelo para ir mas allá de los datos conocidos

(inferencia)

• Los fenómenos en Ciencias de la Tierra involucran procesos

complejos (parecen aleatorios). Sin embargo, los datos verdaderos
no son resultado de un proceso aleatorio
 Análisis estadístico

• Función de Distribución Acumulada de una variable aleatoria Z:

F ( z )  Prob{Z  z}[0,1]
– Definida para todos los valores de z

Frecuencia acumulada
– Puede ser una función discontinua
– zlim FZ ( z )  0 y lim FZ ( z )  1
 z 

– FZ ( z ) es una función no-decreciente z

• La probabilidad de superar cualquier valor de corte z se escribe

Prob{Z  z}  1  F ( z)
Análisis estadístico
• La función de densidad de probabilidad es la derivada de la distribución
acumulada, si es derivable:
F ( z  dz )  F ( z )
f ( z )  F ' ( z )  lim
dz  0 dz

• Es mayor que cero y su “área” total es igual a 1.0

• La distribución acumulada puede obtenerse integrando la densidad:
z
F ( z)  

f ( z ) dz
Análisis estadístico
• Poblaciones se caracterizan por parámetros (media, varianza, etc.)
• Estos parámetros deben ser inferidos a partir de muestras
– ¿Representatividad espacial?
– ¿Cantidad de datos suficiente?
• Poblaciones se caracterizan con sus momentos:
– Media: promedio ponderado por las probabilidades (si existe)

E{Z }  m   zf ( z )dz


– Varianza: esperanza de la desviación de Z respecto de su media al cuadrado

Var{Z}   2  E{[Z  m]2 }  E{Z 2 }  m2  0
Análisis estadístico
• Propiedades de la esperanza:
Ea  a
EbZ   b  EZ 
Ea  bZ   a  b  EZ 

Eg ( Z )   g ( z)  f ( z )  dz


• Propiedades de la varianza:
Vara  0
VaraZ   a 2  VarZ 
Varb  Z   VarZ 
Análisis estadístico
• El coeficiente de variación (CV), que es adimensional, es la razón
entre la desviación estándar y la media.

std
CV 
mean
Análisis estadístico bivariable

• Función de densidad de probabilidad conjunta: f ( x, y ) de R2 en R es la función de

densidad de probabilidad conjunta del vector aleatorio bivariable (X, Y) si para cada A  R

Prob(( X , Y )  A)   f ( x, y ) dx dy
A
Análisis estadístico bivariable
• Función de distribución acumulada:
 2 FXY ( x, y )
f XY ( x, y ) 
xy

• Distribuciones marginales:

• Distribuciones condicionales (Ley de Bayes):

Análisis estadístico bivariable
5a. Fila Ejemplo de distribuciones en filas horizontales
La media corresponde a la de la línea MN de regresión
Z1/Z22 = Z12(1-r2) = 2,835

6 7 7
4 4
1 1 1
Variable z1

1 2 3 4 5 6 7 8 9 10 11 12
9 N 9

8a. Columna

4a. Columna
8 8
1 1 1 1

1
7 L 7

15
1 2 3 3 3 1 1 1

3
6 6
31 31

1 1 4 7 7 6 4 1 Línea de

1
Variable z2

Variable z2
regresión
5 5
1 4 6 7 7 4 1 de z 2 en z 1

4
4 4
15

K1 1 1 3 3 3 2 1

3
1
Distribución Marginal (Global) de

Ejemplos de distribuciones
3 3

de la línea KL de regresión
La media corresponde a la
1 1 1 1
4

1
Z2/Z1 = Z2 (1-r ) = 1,00
en columnas verticales
2 2

Línea de regresión

2
1 1
M de z 1 en z 2

2
0 1 2 3 4 5 6 7 8 9 10 11 12 0
Z2 = 1,334
Z2 = 1,155

Variable z1
Media = 5

2
1 1 1 1
4 4
2

9 9
z2

15 15
20 20
Distribución Marginal (Global) de z1 Coeficiente de
Media = 6 Correlación
Z12 = 3,78 r = 0,5
Z1 = 1,945
 Análisis estadístico bivariable
• El momento de segundo orden de una distribución bivariable es la covarianza.
La covarianza entre las dos variables se define como:
Cov{ X , Y }  E{[ X  m X ][Y  mY ]}  E{ XY }  m X mY
 
E  dx  ( x  m
 
X )( y  mY ) f XY ( x, y ) dy

• La covarianza entre la variable y ella misma es su varianza:

Cov{ X , X }  Var{ X }
Cov{Y , Y }  Var{Y }
• El coeficiente de correlación entre dos variables se define como la covarianza
estandarizada por las desviaciones estándar:
Cov{ X , Y }
 XY   [ 1,1]
Var{ X }Var{Y }
Función aleatoria
• Función Aleatoria: el conjunto de las variables aleatorias en un dominio: Z (u),u D

La variable regionalizada es una realización

de una función aleatoria

• Es importante caracterizar cómo se correlacionan estas variables aleatorias, a modo

de modelar la continuidad espacial de los valores de la variable regionalizada

→ “análisis variográfico”
Función aleatoria
• Ejemplo: mismos conjuntos de valores, pero distribuidos de forma diferente
en el espacio. Las variables aleatorias se modelarán con altas correlaciones en
el primer caso, y con bajas correlaciones en el segundo caso.

0 0 0 0 1 1 1 0 1 0 1 0
0 0 0 0 0 1 0 0 0 0 0 1
1 1 0 0 0 0 1 0 0 1 0 1
1 1 1 0 0 0 1 0 1 0 1 0
0 1 1 0 0 0 0 0 0 0 0 0
0 0 1 1 0 0 0 0 1 1 0 0
Función aleatoria
• Ejemplo: mismos conjuntos de valores, pero distribuidos de forma diferente
en el espacio. Las variables aleatorias se modelarán con altas correlaciones en
el primer caso, y con bajas correlaciones en el segundo caso.

0 0 0 0 1 1 1 0 1 0 1 0
0 0 0 0 0 1 0 0 0 0 0 1
1 1 0 0 0 0 1 0 0 1 0 1
1 1 1 0 0 0 1 0 1 0 1 0
0 1 1 0 0 0 0 0 0 0 0 0
0 0 1 1 0 0 0 0 1 1 0 0
Estacionaridad

• Imposible inferir la función aleatoria Z(u) con sólo una

realización z(u) (los datos).
• ¿Qué sentido tiene F(z) si tenemos un dato en cada posición?

• Asumiendo que la misma función aleatoria se aplica a todas las

coordenadas u (ubicaciones o tiempo), podemos usar la
información z(u) para inferir la función aleatoria implícita Z(x)

Estacionaridad
Estacionaridad

• Le da sentido al formalismo de la función aleatoria

• Permite hacer inferencia a partir de una sola realización
• Es una decisión, no una hipótesis

• Es una propiedad del modelo, no de los datos:

 Un modelo estacionario se ajusta a los datos
Estacionaridad
• Estacionaridad estricta: se asume que la ley espacial es invariante por traslación.
Es decir, la relación espacial entre puntos en una determinada configuración
espacial, se mantiene independiente de dónde esté situada dicha configuración.

• Estacionaridad de segundo orden: una función aleatoria es estacionaria de

segundo orden cuando su esperanza matemática existe y es constante y cuando
para cualquier par de puntos, la covarianza existe y sólo depende del vector de
separación entre los puntos.
Estacionaridad
• Estacionaridad de segundo orden:

E ( Z (u))  m
u  D
Cov( Z (u), Z (u  h))  C (h)

• Implica la siguiente relación y la existencia del variograma

 (h)  C (0)  C (h)

Estacionaridad

• Casi-estacionaridad de segundo orden: cuando esta relación se

cumple a una escala pequeña (radio de búsqueda del plan de
kriging).

• Considerar la posibilidad de subdividir el área en subzonas más

homogéneas
 Modelamiento geológico (unidades de estimación)
Estacionaridad
Representatividad
• La muestra debe ser representativa del área o población

• La representatividad de la muestra debiera cuestionarse siempre que los datos no

están dispersos uniformemente sobre el área (sesgo espacial), el cual
desafortunadamente es a menudo el caso en aplicaciones de ciencias de la tierra.
– Área a explotar en los primeros años
– Área de más alta ley (anomalía geoquímica)
Representatividad
• Se dice que el muestreo es preferencial (sesgado) si la ubicación de los datos
no es regular ni está aleatoriamente distribuida sobre el área.

– Condiciones de accesibilidad
– Valores esperados del atributo: el muestreo es a menudo más denso en áreas
que son consideradas críticas
– Estrategia de muestreo: Ubicaciones agrupadas pueden haberse muestreado
para caracterizar la variabilidad de pequeña escala
Representatividad
• Restricciones técnicas y económicas
• Delineación de zonas de interés económico
• Accesibilidad
Representatividad

Realizaciones

+ Fluctuaciones
Ergódicas
Histograma Histograma

No hay desagrupamiento o remoción del sesgo espacial inherente en

los algoritmos de simulación geoestadística
Desagrupamiento

• Las técnicas de desagrupamiento (declustering) permiten obtener estadísticas

representativas

• Varios métodos:
– Método de las celdas
– Método de los polígonos
– Pesos de kriging ordinario

• La idea es cambiar las frecuencias (pesos) de las muestras en función de su

representatividad:
– Donde hay más muestras, éstas informan menos acerca del fenómeno (más redundantes)
– Donde hay menos muestras, éstas son más informativas
Desagrupamiento
• Una forma de corregir el muestreo preferencial consiste en la retención solamente
de los datos regularmente espaciados  adecuado si hay suficiente información al
utilizar sólo grilla regular para inferencia

• Cuando la escasez de datos no permite dejar los valores agrupados, las áreas más
densamente muestreadas debieran recibir menor ponderación que las datos en
áreas menos muestreadas
Desagrupamiento
• Método de las celdas
– Ponderar las muestras en función de su peso en una celda
Desagrupamiento
• Método de las celdas
– Cambio en la media depende fuertemente de deriva en los datos
– Se recomienda utilizar el tamaño que se deduce de la malla de
sondajes
Desagrupamiento
• Método de los polígonos
– Ponderar el valor de cada muestra por el volumen de influencia

• Requiere conocer los límites del

dominio
• En 3D es computacionalmente difícil
de programar
• Muy fácil de aproximar
numéricamente
• Si los límites del dominio son
conocidos, da buenos resultados
Derivas
• En la mayoría de los casos alguna clase de deriva está presente en
el fenómeno
– Los fenómenos de interés son anomalías
No estacionarios
30 14

• Escala de la deriva 25
zona
pobre 12

es importante z(x)
20 10

z(x)
15 8

10 6

5 4
zona rica

0 2
0 200 400 0 20 40
global local
Derivas

• Modelamiento de la deriva es
subjetivo
– Modelo resultante es función de
cómo se modeló la deriva
– Extremos:
• El modelo de la deriva captura toda la
variabilidad y el residuo es ruido puro
(efecto pepita)

• La variabilidad se reparte entre el

modelo de la deriva y la estructura de
los residuos
 Modelamiento geológico
Captura de Modelamiento e Estimación de Factores Análisis de riesgo
Clasificación de
información y interpretación recursos modificantes y evaluación
recursos
muestreo geológica minerales Geometalúrgicos económica
Bases de datos
• Datos geológicos: • Datos geofísicos
– Mapeo Geológico
• Análisis
– Litología, alteración
– Análisis geoquímicos
– % de especies minerales
– QEMSCAN
– Pruebas metalúrgicas
• Datos de ubicación:
– Topografía
– Coordenadas collar • Datos de producción
– Trayectorias (desviaciones) – Pozos de tronadura
Bases de datos
Modelamiento geológico
• Un modelo es una representación de un objeto o fenómeno en el
mundo real. El modelo recoge la estructura y características
esenciales del objeto o fenómeno a estudiar.

• El modelo se utiliza para explorar, entender, predecir o simular el

fenómeno modelado.

Modelos = Realidad
Modelamiento geológico
• Aspectos claves (etapas) del modelo geológico

– Mapeo, captura y manejo de información

– Conceptualización
– Construcción
– Validaciones
 Modelamiento geológico
Conceptualización geológica Construcción de modelo

Mapeo/análisis de datos
Modelamiento geológico

Interpretación con sondajes Interpretación con pozos de tronadura

 Modelamiento geológico
Interpretación en plantas y secciones: modelamiento con herramientas CAD
 Modelamiento geológico
• Lento y agotador
• Desarrolla real capacidad de pensamiento 3D
• El paso de una sección a planta y secciones siguientes permite confirmar o
rechazar morfología asumida
• Permite generar morfología deseada (vetas, diques, etc).
 Modelamiento geológico
• Modelamiento implicito:
– Calcula distancias al contacto más
cercano
– Asigna signo +/- dependiendo si el
sondaje pertenece o no a la unidad
objetivo a modelar
 Modelamiento geológico
1- Codificación en indicadores de dos unidades
 Modelamiento geológico
2- Cálculo de las distancias con signo positivo y negativo al contacto más
cercano
 Modelamiento geológico
3- Interpolación en el resto del espacio
 Modelamiento geológico
4- Obtención del borde estimado (estimación 0)
Modelamiento geológico
Modelamiento geológico
Modelamiento geológico
Modelamiento geológico
Modelamiento geológico
Compañías mineras Consultoras
– Antofagasta Minerals – Amec
– GeoInnova
– Pelambres
– Golder
– Collahuasi
– SRK
– BHP – Atticus
– Anglo American – Aranz Geo
– Teck
– Codelco

Modelamiento implícito es parte de la industria

Modelamiento geológico
• Modelo geológico es una representación de la distribución
espacial de atributos geológicos basado en información
fragmentaria.
• Requiere información de entrada y conceptualización geológica.
• Es la base sobre la cual se realiza la estimación de recursos y es
parte integral de la evaluación de yacimientos.
• El objetivo es generar un modelo predictivo del comportamiento
de atributos geológicos de interés económico para el proceso
minero.