La Simulacin Condicional en

un Depsito Minero.
por

Marco Antonio Alfaro Sironvalle

Ingeniero Civil de Minas (U. de Chile)

Doctor en Geoestadstica (ENSM Pars)

Profesor de Probabilidades y de Procesos Estocsticos, Universidad de Chile

Profesor de Evaluacin de Recursos Mineros, USACH
Profesor de evaluacin de Recursos Mineros, U. de Concepcin
Profesor del post grado de Activos Mineros, U. Catlica de Valparaso

2015
Una cita:

Construccin de Modelos Numricos de Yacimientos Mineros.

Los mtodos llamados de simulacin muy utilizados, en particular, en el dominio de las ciencias
econmicas consisten en construir un modelo matemtico de un fenmeno natural. Estas
simulaciones permitirn de controlar el valor de las ideas tericas que han servido de base para la
construccin del modelo porque se puede examinar en qu medida las propiedades deducidas del
estudio matemtico del modelo imitan, o simulan, las propiedades del fenmeno real. Inversamente,
las simulaciones pueden conducir al descubrimiento de nuevas leyes acerca del fenmeno real, la
experimentacin es infinitamente ms fcil de realizar sobre un modelo puramente matemtico. Sera
interesante para el geoestadstico saber construir modelos numricos de yacimientos mineros, es decir,
ser capaz de alinear series de cifras, las cuales presentan las mismas caractersticas que las que se
piensa atribuir a la sucesin en el espacio de las leyes de un yacimiento real.

G. Matheron: Nota geoestadstica N 26, Construccin de modelos numricos de yacimientos

mineros, ENSM Pars, 1960.

Otra cita:

La simulacin es mejor que la realidad !

R. W. Hamming, The art of Probability, 1991.

1
 LA SIMULACION DE LEYES EN UN DEPOSITO MINERO.

I. Introduccin.

La simulacin condicional de leyes (o en general simulacin de una variable

regionalizada) es en la actualidad una herramienta importante en las aplicaciones
prcticas de la geoestadstica. Sin embargo la creacin de esta teora, su formulismo y
su implementacin prctica se remontan a principios de la dcada de los 70,
principalmente en el Centro de Geoestadstica de Fontainebleau, Centro de
Investigacin de la Escuela Nacional Superior de Minas de Pars, dirigido en ese
entonces por el geomatemtico francs Dr. Georges Matheron (1930-2000).

I. 1. Definicin de la simulacin condicional.

Por definicin, llamaremos simulacin de una funcin aleatoria a la obtencin

numrica de una o varias realizaciones.

Si consideramos una variable regionalizada conocida en los puntos experimentales x1,

x2, ..., xN :

La simulacin condicional consiste en construir una realizacin que posee el mismo

histograma por consiguiente la misma ley media y la misma varianza , el mismo
variograma que los datos disponibles, adems de estar condicionada por estos datos
experimentales z(x1 ), z(x2 ), . . . , z(xN ). Es decir, donde existen datos, simulacin y
realidad coinciden.

La figura 1 muestra dos simulaciones condicionales en una dimensin. Se observa que

todo estimador, en particular el krigeado, alisa la realidad, mientras que la simulacin
respeta la variabilidad real de las leyes.

2
Figura 1: Dos simulaciones condicionales en el espacio de una dimensin. La simulacin coincide con
la realidad donde sta es conocida, es decir en los puntos x1, x2, ..., xN. La realidad est constituida
por las leyes z(x1), z(x2), ... , z(xN) en los puntos condicionantes. Simulacin y realidad tienen las
mismas estadsticas (histograma, media y varianza) y el mismo variograma.

Existe toda una matemtica que permite obtener realizaciones condicionales de una
funcin aleatoria, con las condiciones mencionadas, tal como veremos ms adelante.

El ejemplo siguiente (M. Alfaro, 1979) muestra bien la diferencia entre estimacin y
simulacin condicional y ha sido reproducido en varias publicaciones acerca de la
simulacin condicional (ver C. Lantujoul 2001, J. P. Chils y P. Delfiner, 2000):

Estimacin versus simulacin: Sobre una lnea L se conoce la profundidad z(x) del
mar cada 10 m. Nos proponemos resolver el problema siguiente: si se conoce la
profundidad del mar cada 100 m (ver figura 2), Cul es la longitud de un cable
submarino que debe reposar sobre el fondo del mar?

3
Si se observa la figura, se ve bien que el krigeado (u otro estimador) subestima la
longitud del cable y que la simulacin condicional responde bien a nuestro problema.

Figura 2: Clculo de la longitud de un cable submarino el cual debe reposar en el fondo del mar. Con
el krigeado quedamos cortos de cable (a) datos iniciales, (b) krigeado, (c) perfil verdadero, (d) perfil
simulado. Corresponde a la instalacin de un cable submarino en el sur de Espaa.

Para los primeros 200 m se tiene la tabla siguiente:

4
 Realidad Longitud real Simulacin Longitud
acumulada zs(x) simulada
acumulada
1er dato 146 146
143 10.4 130 18.9
142 20.5 125 30.1
148 32.1 111 47.2
134 50.4 114 57.7
141 62.6 123 71.1
127 79.8 109 88.3
132 91.0 109 98.3
111 114.2 108 108-4
94 133.9 102 120.0
2 dato 86 146.8 86 138.9
104 167.3 83 149.4
121 187.1 96 165.8
136 205.1 108 181.4
140 215.9 121 197.7
156 234.7 135 215.0
168 250.3 149 232.2
167 260.4 170 255.4
171 271.2 164 267.1
185 288.3 167 277.5
3er dato 194 301.8 194 306.3

Se tiene entonces:

longitud real = 301.8 m

longitud simulada = 306.3 m

Este ejemplo nos muestra que la simulacin condicional no debe ser utilizada para
estimar la variable regionalizada. En efecto, por ejemplo, en el punto x0 de la figura
2, es mejor estimar la profundidad del mar por el krigeado que por la simulacin.

La figura 3 presenta una simulacin condicional en un banco de una mina de cobre a

cielo abierto. Se observa en esta figura el alisamiento que produce el krigeado, la
presencia de una anisotropa y que la simulacin condicional respeta, en particular, el
histograma de las leyes de cobre.

5
Los dos ejemplos presentados se refieren a leyes de mineral pero se puede simular otro
tipo de variables (potencia mineralizada, porosidad de la roca, densidad de la roca.,
etc...).

Figura 3: Simulacin condicional en un banco de una mina de cobre a cielo abierto. Se observa que la
simulacin respeta el histograma (las zonas de baja ley son ms que las zonas de alta ley) y reproduce
las anisotropas (por intermedio del variograma). Se observa tambin la presencia de un efecto de
pepita que el krigeado no puede reflejar. La simulacin puede ser conocida en cualquier punto del
depsito, en este caso, en una malla de 2 metros x 2 metros.

La simulacin produce valores numricos en los nodos de una grilla extremadamente

cerrada en comparacin con la malla de muestreo existente.

En la figura 4 siguiente aparece el krigeado y algunas simulaciones condicionales de un

depsito tipo manto subhorizontal de fsforo (Bayvar, Per). Se han simulado 100
realizaciones condicionales para la potencia del manto en metros y para la ley de P2O5
en (%) :

6
 Figura 4: Simulacin condicional de la potencia mineralizada en un manto correspondiente a una
mina de fosfatos. Se observa el alisamiento producido por el krigeado.

El objetivo de construir 100 simulaciones del manto (potencia y ley) fue para estudiar
la variabilidad de los ndices econmicos del proyecto, los cuales dependen, de manera
importante del tonelaje y de la ley. Sin las simulaciones se tendra un solo valor para la
potencia y para la ley... Con las 100 simulaciones se tienen 100 realizaciones de
valores presentes netos los cuales permiten caracterizar, probabilsticamente los ndices
econmicos del proyecto minero.

7
 Figura 5: Simulacin condicional de las leyes de fosfato P2O5.

I. 2. Simulacin de conjuntos aleatorios. Simulacin de unidades geolgicas.

Un conjunto aleatorio corresponde al caso particular de una funcin aleatoria la cual

puede tomar solo dos valores 0 1. El valor 1 se llama (arbitrariamente) grano (y
se pinta de color negro) y el valor 0 se llama poro (y se pinta de color blanco). La
figura 6 muestra una realizacin del conjunto aleatorio la luna junto a los
variogramas de varias realizaciones.

8
 Figura 6: Simulacin no condicional de la luna. La lnea horizontal en el grfico de la derecha
representa la varianza de la realizacin. Se observa que las fluctuaciones de los variogramas de las
diferentes realizaciones son enormes.

Figura 7: Simulacin condicional de la luna. Las fluctuaciones de los variogramas de las realizaciones
son ms moderadas.

9
Figura 8: Realizacin no condicional de un conjunto aleatorio obtenido al aplicar un valor de corte
a una realizacin de una funcin aleatoria.

La simulacin condicional de conjuntos aleatorios es importante en la simulacin

condicional de un borde geolgico. En algunos casos el modelo matemtico es
bastante complicado.

El caso anterior corresponde a la simulacin de dos facies o unidades. En el caso de

simular ms facies, la situacin se complica y hay que utilizar mtodos ms elaborados
como el mtodo gaussiano cortado y el mtodo pluri gaussiano.

El mtodo gaussiano cortado consiste en obtener una realizacin de una funcin

aleatoria Y(x, y) gaussiana reducida (con media 0 y varianza 1) y luego aplicar
diferentes cortes o intervalos del tipo a < Y b a la realizacin, los cuales
definen las unidades.

10
Figura 9: Simulacin del modelo gaussiano cortado. A la izquierda la realizacin gaussiana reducida
(colores claros indican valores altos, oscuros, valores bajos), a la derecha el conjunto aleatorio
resultante con 4 unidades, definidas por los intervalos.

La figura 10 muestra una simulacin condicional utilizando el mtodo gaussiano

cortado en la mina de cobre MMH.
En esta mina existen cuatro unidades: Brecha, C5 , C1 y estril, las cuales verifican
las relaciones de inclusin siguientes:

Brecha C5 C1 estril

La simulacin obtenida muestra que la unidad brecha no es tan continua como se

crea y la presencia de estril dentro del slido mineralizado.

11
Figura 10: Simulacin condicional de la geologa en un banco de un depsito de cobre. Existen 4
facies: Brecha, C5 , C1 y estril.

12
Las plurigaussianas.

Sean dos funciones aleatorias independientes Y1(x, y) e Y2(x, y) las cuales son
gaussianas reducidas y toman sus valores (Y1 , Y2) en el plano, el cual ha sido
particionado en zonas D1, D2, D3, ... , las cuales se pintan con ciertos colores:

Figura 11: Particin del espacio . El punto (Y1 , Y2) cae en la zona verde.

Como estas funciones aleatorias estn indexadas con las coordenadas (x, y), a cada
punto (x, y) se le asocia el color del punto (Y1 , Y2).

La figura siguiente muestra un ejemplo. En la parte superior (en verde) aparecen las
gaussianas reducidas Y1(x, y) e Y2(x, y) (los colores claros indican valores altos, los
oscuros, valores bajos). El variograma de Y1(x, y) corresponde al modelo gaussiano
istropo, mientras que el variograma de Y2(x, y) corresponde a un modelo esfrico
istropo. Ms abajo se tienen varias simulaciones correspondientes a diferentes
particiones (o banderas) del espacio.

La simulacin condicional de los modelos gaussiano cortado y plurigaussiano es

relativamente simple y se puede ver en Lantujoul, 2001.

13
 Figura 12: Simulaciones no condicionales del modelo plurigaussiano.

Figura 13: El modelo plurigaussiano en 3D. Y1 es anistropo mientras que Y2 es istropo.

14
La figura siguiente muestra una simulacin condicional de leyes de cobre en un banco
de la mina Los Bronces. La limitacin de esta simulacin es que el modelo geolgico
no ha sido simulado, se asume determinstico:

Figura 14: Simulacin condicional en un banco de una mina de cobre. A la derecha, el modelo
geolgico, el cual no ha sido simulado. Cada dominio geolgico tiene un variograma diferente.
Conviene simular los dominios geolgicos?

El problema de simular simultneamente la geologa y las leyes no est resuelto, en la

actualidad, de manera global.

15
II. Objetivos de realizar una simulacin condicional.

Los objetivos de usar simulaciones condicionales siempre estn relacionados con la

caracterstica fundamental de las simulaciones que es reproducir la variabilidad
espacial real de la variable regionalizada. Entre los propsitos que enumeramos a
continuacin, se pueden tener combinaciones de ellos. Hay que experimentar con los
modelos numricos proporcionados por las simulaciones condicionales para ayudar a
la solucin de problemas mineros prcticos. La lista siguiente dista mucho de ser
exhaustiva:

Optimizar planes de reconocimiento en exploraciones mineras. Definir mallas

de sondajes ptimas.

Contribuir a la enseanza de la geologa y minera. Se puede construir un

depsito ficticio en el cual se pueden disear diferentes campaas de
reconocimiento, simular agrupaciones de datos en zonas de alta ley, hacer la
variografa, disear un modelo de bloques, krigearlo y comparar los resultados
con la realidad conocida. Estudio de sesgos. Estudio de la influencia del efecto
de pepita debido a errores de muestreo, etc. La figura 15 muestra un depsito
de este tipo (ver M. Alfaro y Ch. Huijbregts, 1974):

Figura 15: Depsito sedimentario subhorizontal simulado en una malla de 500x300x200. Se

tienen 3,000,000 de compsitos. Algunas universidades cuentan con este tipo de depsitos.

Estudiar diferentes mtodos de estimacin de recursos, por ejemplo, comparar

las estimaciones del inverso de la distancia (para diferentes exponentes),
krigeado simple, ordinario, disyuntivo, de indicadores..., con la realidad
conocida.

16
 Estudiar la dilucin y la selectividad de un modelo de bloques. Elegir un
tamao de bloque adecuado (ver la figura 16).

Figura 16: Dos alternativas para explotar una zona. Qu es mejor, desde el punto de vista de las
leyes de mineral? bancos simples con cuatro cargadoras o bancos dobles con dos palas. El modelo
krigeado y su re-bloqueo no sirven para resolver este problema.

Estudiar la influencia de utilizar bloques pequeos (por ejemplo de 5x5x5 m3)

cuando se tiene una malla de reconocimiento grande (por ejemplo de
100x100m2).

Estudiar el problema de la reproduccin de un modelo de variograma en las

simulaciones geoestadsticas. Cules son las condiciones que permiten que se
reproduzca un cierto modelo?

Ayudar en la definicin de las reservas recuperables (ver por ejemplo A.

Journel y C. Kyriakidis, 2004).

Calcular la variabilidad del tonelaje de mineral (y de la ley media) sobre una ley
de corte. Si se utiliza el krigeado, se obtienen sesgos.

Comprobar que la regla de oro de la geoestadstica funciona. La regla de oro

de la geoestadstica dice: al menos un compsito dentro de cada bloque. (por
ejemplo, si la malla cuadrada es de 100x100m2, el bloque debe ser de
50x50m2).

17
 Contribuir al estudio de la categorizacin de los recursos mineros. Dar un
sentido ms preciso, respecto de la variabilidad de las leyes, a las zonas
medidas, indicadas e inferidas. Mencionemos en este sentido que no existe
consenso en la industria minera acerca de la categorizacin de los recursos:
Todos los criterios existentes tienen alg grado de arbitrariedad (una aplicacin
de las simulaciones condicionales a la clasificacin de las reservas puede verse
en el Anexo 2).

Estudiar el riesgo financiero de un proyecto minero, utilizando la variabilidad

de las leyes y de los tonelajes. En la actualidad, en algunas empresas mineras
todos los proyectos deben ser acompaados de un anlisis de riesgo
econmico, el cual debe considerar la incertidumbre de leyes y de tonelajes.

Determinar el error de estimacin de planes trimestrales, semestrales y

anuales. Estos errores son solicitados a menudo por los bancos.

Basndose en las leyes simuladas del modelo de bloques, estudiar las

fluctuaciones de las leyes a la entrada de la planta. Si se utiliza el krigeado, se
tendr una imagen alisada la cual tiene una variabilidad muy inferior a la
variabilidad de un cortador de muestras a la entrada de la planta (ver figuras 17
y 18).

Figura 17: Modelo de bloques de 20x20x15 m3 en una mina de xidos de cobre explotada a cielo
abierto (El Tesoro). Se producen aproximadamente 2 bloques por da. Los 102 bloques (51 das
de produccin) fueron evaluados por el mtodo del krigeado.

18
 Figura 18: Ley diaria CuT (proveniente del modelo de bloques de la figura 17). La curva en azul
no sirve para predecir las fluctuaciones de leyes a la entrada de la planta. Los peaks de leyes son
importantes en la planta de tratamiento.

II.1. Importancia de las simulaciones.

Para ver la importancia de las simulaciones condicionales, estudiaremos algunos

ejemplos:

Ejemplo 1: En ciertas zonas de la mina de hierro de Marquesado (Sud-Este de

Espaa), la ley de Fe es superior a la ley de corte. La seleccin se efecta sobre las
leyes de impurezas (alcalinos), a partir de una malla de sondajes irregular, tal como
muestra la figura.

El problema consiste en predecir las fluctuaciones de las leyes diarias de bloques de

10 x 10 x 8 m3 a la entrada de la planta, de manera de tener un flujo aproximadamente
constante, en el cual la ley de alcalinos no sobrepase la cota de 0.8%. En la figura se
puede observar que el krigeado no responde bien a nuestro problema porque alisa la
realidad, mientras que la simulacin condicional responde bien porque hace "honor" a
los datos; es decir, respeta las caractersticas (histograma, ley media, variograma) de la
realidad, reproduciendo la variabilidad.

19
 Figura 19: Simulacin condicional y krigeado. El krigeado establece que en la parte norte las
impurezas tienen leyes inferiores a 0.8% de alcalinos. La simulacin nos indica que podran existir
problemas, los cuales hay que tener presente en la planificacin.

Ejemplo 2: En algunas minas de cobre, la ley de arsnico es una variable muy errtica
en su variacin espacial, no muy bien reconocida, lo cual implica que las estimaciones
de leyes suavizan la realidad. La figura 20 muestra un banco en la mina Los Bronces,
donde existen dos alternativas de explotacin: 1 frente (situacin actual) y 2 frentes:

20
 Figura 20a: Dos alternativas de explotacin de un banco. Con un frente y con dos frentes.

La Figura 20b muestra el krigeado y la simulacin condicional de un banco:

Figura 20b: Krigeado As y Simulacin Condicional en un banco de Mina Los Bronces. Se observa el
alisamiento que produce el krigeado: casi no hay zonas rojas sobre 200ppm (en este tipo de problemas
el krigeado no se puede usar).

21
Para ver si la explotacin con dos frentes disminuye las fluctuaciones de las leyes de
arsnico a la entrada de la planta, se construy una simulacin condicional. La figura
21 muestra las leyes de arsnico diarias para las dos alternativas, se ha graficado
adems la ley crtica de 130 pp m de arsnico:

Figura 21: Leyes de arsnico diarias. La ley crtica es de 130 ppm.

La conclusin es que con 2 frentes se mejoran las fluctuaciones pero igual resulta
inaceptable, luego hay que poner un sistema de mezcla a la entrada de la planta de
tratamiento.

Ejemplo 3: El problema del halo mineralizado. En la mina de cobre El Soldado

existi una discusin acerca del problema (conjetura) siguiente: El krigeado produce
un halo mineralizado, es decir estima mineral en zonas de estril.

La ley de corte es de 0.8% Cu. Las figuras 22 y 23 ilustran este problema.

22
 Figura 22: Un perfil vertical en mina subterrnea El Soldado. Leyes de cobre. Se observan cambios
abruptos de leyes. En la zona vertical derecha no hay informacin.

Figura 23: Krigeado de la zona anterior. En verde sectores en los cuales la ley estimada es mayor que
la ley de corte. Existe un halo mineralizado?

23
La nica forma de saber si existe un halo mineralizado es comparar la estimacin del
krigeado con la realidad de este perfil. Como no se conoca esta realidad se decidi
construir una simulacin condicional la cual sera la referencia o la realidad.
La figura 24 muestra la simulacin condicional de la zona:

Figura 24: Simulacin condicional del perfil (en una malla de 1m x 1m). En verde zonas con ley
superior a la ley de corte.

La simulacin condicional llevada a bloques aparece en la figura 25, la cual hay que
comparar con la figura 23:

24
Figura 25: Bloques simulados. Existen algoritmos que permiten simular directamente los bloques, sin
pasar por la simulacin de puntos.

Figura 26: Zonas de extrapolacin.

Se observa que el krigeado produce un halo de mineral (en otros trminos las leyes se
desparramaron) en la zona vertical derecha, zona en la cual las leyes se
extrapolaron, y que este mtodo de estimacin funciona bien en las otras zonas donde
las leyes se interpolaron.

25
Como conclusin resulta que es peligroso extrapolar (extrapolar es como conducir un
vehculo hacia adelante basndose exclusivamente en los espejos retrovisores). La
zona de extrapolacin debera ser categorizada como inferida. Por consiguiente, no
se puede planificar con leyes inferidas.

Ejemplo 4: Dilucin en minas de nitratos. En las minas de nitratos siempre se

produce una dilucin en la parte vertical de un bloque, la cual tiene por efecto que la
ley planificada es siempre inferior a la ley real. La simulacin condicional del contacto
entre estril y mineral se utiliza para prever la dilucin de las leyes de nitrato:

Figura 27: Vista en planta de la simulacin de leyes de nitrato (izquierda) y de la potencia

mineralizada (derecha).

Figura 28: Simulacin condicional del contacto mineral estril. Se produce una dilucin en la
parte inferior del bloque.

26
Ejemplo 5: Simulacin Condicional en un nivel de la mina El Teniente. Se
construyeron 100 realizaciones en un nivel, con el propsito de estudiar la variabilidad
de leyes. En la Figura 29 se tiene una de las realizaciones. Se observa la gran
variabilidad de las leyes, tipo spotty:

Figura 29: Una simulacin en un nivel de la mina El Teniente.

III. Mtodos de Simulacin

Existen numerosos procedimientos probabilsticos (llamados a veces mtodos de

Montecarlo) para generar realizaciones de funciones aleatorias que tienen un vario-
grama dado (h).

En resumen, estos mtodos son, principalmente:

a. Mtodo del anlisis armnico.

b. Mtodo de las medias mviles.

c. Mtodo de las lneas rotantes.

d. Mtodo gaussiano secuencial.

27
El mtodo a) es demasiado laborioso y presenta problemas de convergencia. El
mtodo d) presenta problemas de reproduccin del variograma (por ejemplo, no
reproduce bien el modelo esfrico).

Las demostraciones de los diferentes resultados se pueden ver en Ch. Lantujoul, 2001
y J. P. Chils y P. Delfiner, 2000.

El Mtodo de las medias mviles.

Este mtodo consiste en lo siguiente:

Se sortean, al azar, realizaciones independientes wi de una variable aleatoria Wi , la

cual es normal o gaussiana con esperanza matemtica 0 y varianza 1, y se afectan
estos valores en los vrtices de una malla regular (1 - D, 2 - D 3 - D). Sea f una
cierta funcin. La simulacin es entonces:

(1) Yi f (kb ) wi k
k

(esta suma puede ser simple, doble o triple; b es el paso de la malla). Es fcil de ver
que para cada funcin f se tiene un variograma diferente.

En la figura 30 se tiene una grilla muy densa con valores normales con media 0 y
varianza 1 (llamada tambin normal reducida). A cada punto de la grilla se le asocia
la suma ponderada siguiente, la cual se realiza sobre todos los puntos que caen dentro
de la elipse E:

( xi , y j )E
W ( xi , y j )
Z ( x, y )
n

Siendo n el nmero de puntos que caen dentro de la elipse E. Es fcil probar que
Z(x, y) tambin sigue una ley normal reducida.

28
 Figura 30: Simulacin por medias mviles en el espacio de 2 dimensiones. Hay que imaginar como
funciona el mtodo en el espacio de 3 dimensiones.

Un caso interesante es cuando f tiene la expresin siguiente, en el espacio de tres

dimensiones:

1 si x pertenece a una esfera de dimetro a

f ( x)
0 en caso contrario

Se puede demostrar, sin dificultad que obtiene en este caso el variograma esfrico, con
alcance a.

Luego, para simular el variograma esfrico en el espacio de 3 dimensiones, se pasea

una esfera de dimetro a por el interior de un paraleleppedo (o un cuerpo
tridimensional) el cual est lleno de valores aleatorios independientes W (i, j, k) y se
afecta al centro de la esfera, la suma de los valores W que estn en su interior. Ms
generalmente, en vez de una esfera, se puede considerar un elipsoide (figura 31), con
lo cual se obtienen realizaciones anistropas:

29
 Figura 31: El elipsoide proporciona una realizacin anistropa.

Si se desea simular en 2-D un variograma esfrico, hay que tomar un plano particular
de la simulacin precedente.

En el caso de simular un modelo esfrico (en 2-D o en 3-D), existe un mtodo ms

eficiente conocido como las monedas aleatorias, el cual consiste en implantar en el
plano (espacio) crculos (esferas) cuyos centros y dimetros son aleatorios y asignar en
cada implantacin un nmero (aleatorio o no) a los puntos interiores, sumando la
contribucin de las implantaciones (ver figura 31). En el espacio de 2 dimensiones el
radio del crculo es aleatorio, en 3 dimensiones el dimetro de la esfera es una
constante a (este mtodo se llama tambin random token o monedas aleatorias;
para mayores detalles, ver M. Alfaro, 1980).

Figura 32: Monedas aleatorias. A la izquierda contribucin con 4 crculos, a la derecha, contribucin
con 600 crculos.

30
El mtodo de las lneas rotantes.

Sean k rectas al azar Di en el espacio. Cada recta se caracteriza por un vector

unitario ei. Se genera, en cada recta Di , una realizacin Yi(x) de una funcin
aleatoria de una dimensin (mediante el mtodo de las medias mviles).

Sea x un punto del espacio. La simulacin tridimensional es:

k
1
Y ( x)
k
Y (x e )
i 1
i i

En que ( x ei ) es el producto escalar entre el vector x (de componentes x1, x2, x3)
y el vector unitario ei :

Figura 33: Lneas rotantes en 2D y 3D.

Para tener una buena convergencia, es necesario utilizar por lo menos unas 50 rectas
aleatorias en 2 D y unas 120 rectas aleatorias en 3 D. Tambin se pueden utilizar
rectas uniformemente distribuidas en 2D o 3D. La situacin es ligeramente ms
complicada en 3D (ver C. Lantejoul, 2001).

Se puede demostrar que para simular mediante lneas rotantes el variograma esfrico
hay que utilizar en las rectas la funcin f(x) (aplicada a la ecuacin 1) siguiente:

x si x (-b, b)
f ( x)
0 si x (-b, b)

31
Para simular el variograma exponencial, hay que utilizar en las rectas la funcin f(x)
siguiente:

(1 ax)e ax si x 0
f ( x)
0 si x 0

IV. La Simulacin Condicional.

Falta por analizar cmo se obtiene que el valor simulado en un punto xi coincida con
el dato localizado en este punto (x1, x2, . . . , xN).

Se puede demostrar que la ecuacin siguiente resuelve el problema.

Z1 ( x ) Z k 1 ( x ) Z S ( x) Z k 2 ( x)

En que:

z1(x) es la simulacin condicional

zk1(x) es el krigeado en el punto x, utilizando los datos disponibles en los puntos x1,
x2, . . . , xN . Sin embargo, para garantizar la reproduccin del variograma, la
interpolacin debe corresponder al krigeado simple (no al krigeado ordinario).
zs(x) es la simulacin no condicional (resultado del mtodo de medias mviles o de las
bandas rotantes)
zk2(x) es el krigeado en el punto x , utilizado los valores simulados zs(x) en los
puntos x1, x2, . . . , xN
Como el krigeado es un interpolador exacto (figura 34):

32
 Figura 34: El krigeado es un interpolador exacto (pasa por los datos).

Entonces la simulacin condicional coincide con los datos en los puntos x1, x2, . . . , xN

Las figuras siguientes resumen las etapas para obtener una simulacin que hace
honor a los datos:

Figura 35: Datos iniciales.

Figura 36: Krigeado de los datos.

33
Figura 37: Simulacin no condicional, la cual se muestrea en los mismos puntos donde se conocen los
datos.

Figura 38: Se krigea la simulacin no condicional y se hace la diferencia entre esta simulacin y el
krigeado. Observar que esta diferencia es nula en las coordenadas de los datos.

Figura 39: Al krigeado de los datos se le suma la diferencia anterior. Esta es la simulacin final.

IV.1. La Anamorfosis Gaussiana

En la prctica, los valores reales presentan diferentes tipo de histograma (lognormal).

Sin embargo, los mtodos de simulacin (medias mviles, lneas rotantes) generan
realizaciones cuyo histograma es normal.

34
El objetivo de la anamorfosis gaussiana es la reproduccin del histograma
experimental de los datos.

La solucin consiste en trabajar, desde el inicio, no con la variable regionalizada z(x)

en estudio, sino ms bien con otra variable regionalizada y(x) , transformacin
biunvoca tal como se muestra en la figura 40:

Figura 40: Anamorfosis gaussiana. En rojo, ley normal reducida, en azul, histograma acumulado
experimental. La anamorfosis gaussiana presenta problemas importantes en las colas de la
distribucin.

En el caso particular en que z(x) es lognormal, la transformacin o anamorfosis es muy

simple:

y(x) = ln( z(x) )

z(x) = exp( y(x) )

Observacin importante: Cuando se utiliza el histograma de las leyes, es necesario

que no existan agrupaciones de datos, es decir, por ejemplo, una densidad de
informacin mayor en las zonas de alta ley que en las zonas de baja ley. Si esta

35
condicin de reconocimiento homogneo no se cumple, es necesario desagrupar
previamente los datos (ver figura 41).

Figura 41: Agrupacin de datos en zonas de alta ley en el Salar de Atacama la variable regionalizada
es la ley de litio. Las caractersticas estadsticas (media, varianza, histograma) estn sesgadas porque
las zonas de mayor ley tienen mayor reconocimiento (est sesgado el variograma?).

Existen, principalmente, dos mtodos para desagrupar los datos: mtodo de los
polgonos y mtodo de las celdas, los cuales se pueden revisar en el Anexo 1.

36
V. Referencias.

M. Alfaro, 1979: Etude de la robustesse des simulations de fonctions alatoires.

ENSM Pars. Tesis de Doctorado.
M. Alfaro, 1980. The Random Coin Method. Mathematical Geology.
M. Alfaro y Ch. Huijbregts, 1974: Simulation of a Sedimentary Deposit. Congreso
APCOM, Colorado School of Mines (primer artculo publicado a nivel internacional
acerca de las simulaciones).
M. Alfaro, 1975: Introduccin a la Geoestadstica Operativa. E. N. S. de Minas de
Madrid, Centro de Clculo.
M. Alfaro, 1995: Simulacin Condicional del Arsnico en Mina Los Bronces. BHP
Ingeniera.
M. Alfaro, 2004. Simulacin de la Geologa en mina MM. Metlica Consultores,
Chile.
M. Alfaro, 2006: Introduccin a la Teora de las Funciones Aleatorias. U. de Chile,
Depto. Ingeniera Matemtica.
M. Alfaro, 2007: Evaluacin de Recursos Mineros. USACH, Depto. Ingeniera en
Minas.
M. Alfaro, 2008: Microergodicity and Geostatistical Simulations. Congreso
Geostat2008, Santiago, Chile.
M. Alfaro, 2000: Estadstica. U. de Chile, Depto. Ingeniera Matemtica.
M. Alfaro, 2006: Probabilidades. U. de Chile, Depto Ingeniera Matemtica.
A. Journel y C. Kyriakidis: Evaluation of Mineral Reserves A Simulation
Approach. Oxford University Press.
C. Lantujoul, 2001: Geostatistical Simulations. Springer Verlag.
J. P. Chils y P. Delfiner, 1999: Geostatistics, Modeling Spatial Uncertainty.
Wiley, Nueva York.
G. Matheron, 1972: Quelques aspects de la monte. Nota 120. ENSM Pars.
G. Matheron, 1973: The intrinsic Random Functions. Advances in Applied
Probability, Vol 5.

37
G. Matheron 2006: La Teora de las Variables Regionalizadas y sus Aplicaciones.
ENSMP Pars (traduccin al espaol por Marco Alfaro).
G. Matheron, 2008: La Teora de las Variables Regionalizadas y su Estimacin.
ENSM Pars (traduccin al espaol por Marco Alfaro)

Anexo 1

El Problema de las Agrupaciones de Datos (Clusters)

Una situacin bastante comn en las minas es la existencia de agrupaciones de

datos, la cual est caracterizada por el hecho que en las zonas de alta ley, la
densidad de informacin es mayor que en las zonas de baja ley:

Figura A-1: Agrupacin de datos en zonas de alta ley en una mina de yodo. Vista de las
muestras en una planta.

38
Esta situacin puede producir sesgos en el clculo de variogramas, de
histogramas, de leyes medias y de varianzas, sobre todo en el caso en que la
agrupacin de datos se produce en zonas de alta ley.

Para eliminar la influencia de las agrupaciones de datos (desagrupacin de la

informacin) existen, principalmente, dos mtodos, ambos empricos:

a) Mtodo de los polgonos, el cual consiste en asignar a cada muestra un

peso proporcional al rea de su polgono de influencia. El mtodo de los
polgonos asigna, a cada punto del espacio, la ley del dato ms cercano a
este punto.

Figura A-2: Mtodo de desagrupacin por polgonos aplicado a leyes de litio en el Salar de
Atacama. A cada dato se le asocia un peso igual a su rea de influencia. En 3D hay que
utilizar volmenes.

39
b) Mtodo de las celdas, el cual consiste en ignorar datos en zonas sobre-
muestreadas. Se definen celdas de tamao a . En la figura, hay que
retener una muestra por celda, la cual se sortea al azar dentro de cada
celda:

Figura A-3: Mtodo de las celdas. Se considera un valor por celda, el cual es sorteado al azar
en cada celda entre las k muestras interiores (las celdas vacas no se consideran). x0 es
el origen (variable) del conjunto de celdas.

Para el clculo del variograma, medias, varianza e histograma, se retiene un solo

valor de ley por celda. Sin embargo, para krigear bloques y para la simulacin
condicional hay que utilizar todos los datos.

Una variante de este mtodo consiste en calcular, para cada celda, el promedio
de datos interiores. Sin embargo, esta alternativa produce un cierto

40
suavisamiento de las leyes retenidas (en aquellas celdas que tienen ms de un
dato).

El problema de este mtodo radica en el tamao de la celda.

En el caso en que la agrupacin se produce en zonas de alta ley, se puede hacer

variar el tamao a de la celda y construir el grfico siguiente de la ley media m
en funcin del tamao de celda a:

Figura A-4: Determinacin del tamao ptimo de celda. Para obtener un buen grfico, es
necesario cambiar al azar el origen x0 de la figura A-3.

En que a* = tamao ptimo de la celda, m* = estimacin (desagrupada) de la

ley media de S ( m0 es la media aritmtica de todos los datos).

En la prctica, el grfico de la media es muy irregular y es difcil encontrar el

tamao ptimo de la celda.

Comparacin de ambos mtodos.

Compararemos ambos mtodos en el caso hipottico siguiente, un cuadrado

bidimensional con 7 datos y una agrupacin en la zona noroeste (figura A-5):

41
 Figura A-5: Estimacin de un cuadrado.

La ley media aritmtica es 11 / 7 es decir:

m = 1.57

Consideramos que este valor es muy alto. Como la media aritmtica atribuye un
peso igual a 1 / N (en que N es el nmero de datos) a cada dato, las 4
muestras altas tienen un peso de 4 / 7 , es decir un 57%, cuando slo
representan algo ms de un 25% del rea.

El mtodo de los polgonos pondera la ley de cada dato por su rea de

influencia Si , tal como se puede ver en la figura A-6:

Figura A-6: Mtodo de los polgonos.

Se observa que las 4 muestras de la zona noroeste tienen ahora un peso ms

bajo, obtenindose ahora el valor ms razonable:

42
 mP = 1.36

Apliquemos ahora el mtodo de las celdas, con una celda de tamao 50mx50m.
Se obtienen 4 celdas y se pueden tener 4 casos segn sea el valor sorteado en la
celda superior izquierda:

Figura A-7: Desagrupacin por el mtodo de las celdas. Ninguno de los valores obtenidos es
convincente.

Figura A-8: Desagrupacin por promedios

Si promediamos la celda superior izquierda se obtiene, para esta celda, el valor

2.0, que promediado con los otros valores (iguales a 1.0) proporciona:

m = 1.25

Valor que resulta demasiado bajo.

Mencionemos que en este caso, el krigeado, con un variograma lineal istropo,

proporciona el estimador mK = 1.38.

En resumen, no existe un mtodo satisfactorio para desagrupar las leyes.

43
 El mtodo correcto que habra que utilizar para desagrupar debera ser el
krigeado, sin embargo, debido a la agrupacin de datos, el variograma no es
muy confiable.

En el caso en que se verifica exactamente la hiptesis intrnseca, que

corresponde a decir que el variograma (h) solo depende de la distancia h y
no depende del campo S de la variable regionalizada, se puede utilizar el
krigeado para desagrupar la informacin.

Anexo 2

Aplicacin de la simulacin condicional a la categorizacin de los recursos

La mina la Chapada es un depsito de cobre porfdico y oro localizado en Brasil. La

Figura A2-1 muestra una vista en planta de los compsitos del open pit:

Figura A2-1: Vista en planta Mina La Chapada. Leyes de Au.

44
El criterio de categorizacin se asocia a dos perodos de produccin:
trimestral y anual, con los criterios siguientes:

MEDIDOS: Error <=15% con 90% de Probabilidad (confianza)

para el Cu, en un trimestre de produccin.

INDICADOS: Error <= 15% con 80% of Probabilidad para el

Cu en un ao de produccin.

INFERIDOS: Error > 15% con 80% para el Cu en un ao de

produccin.

En primer lugar se definieron prototipos para las producciones trimestrales y

anuales, los cuales son paraleleppedos:

Figura A2-2: Prototipos para las producciones trimestrales y anuales (medidas en metros)

Se divide el depsito en estos prototipos y se analizan en primer lugar los

paraleleppedos anuales y a continuacin los trimestrales

Para calcular el error de estimacin, se hicieron 100 simulaciones

condicionales, entonces cada paraleleppedo tiene 100 leyes de Cu (tambin
puede ser de Au) z1, z2, , zn (con n = 100).

45
La Figura A2-3 muestra una simulacin condicional en un banco de la mina
(observar que se rot la mina):

Figura A2-3: Una simulacin condicinal en el banco de cota 190 de la mina Chapada.

Se calcula entonces, para cada paraleleppedo el error cuadrtico medio

relativo (en %):

n
1 2
e
m
zi m
i 1

En que m es la ley media de las 100 simulaciones para ese paraleleppedo.

Entonces. Por propiedades de la ley normal o de Gauss, el error es:

Error con 80% de confianza: 1.28 e

Error con 90% de confianza 1.65 e

46
La Figura A2-4 muestra los resultados de la categorizacin. Se ha includo
adems la categorizacin anterior (basada en la varianza del error de los
bloques) para comparar:

Figura A2-4: Categorizacin usando simulaciones condicionales

Esta es una aplicacin de las simulaciones condicionales a la clasificacin

de los recursos mineros.

Sin embargo, se puede comentar que:

La confianza (80%, 90%) es en cierto modo arbitraria

Es difcil dividir el depsito en paraleleppedos tan grandes

47
 Si se usa un plan minero, estamos mezclando recursos con
reservas.

48