Professional Documents
Culture Documents
INDICE...................................................................................................... 1
INTRODUCCION......................................................................................... 2
OBJETIVOS................................................................................................ 3
FUNDAMENTO TEORICO............................................................................4
4.1
Distribucin de Poisson......................................................................4
4.2
4.3
Histograma......................................................................................... 7
4.4
5.2
5.3
5.4
CONCLUSIONES...................................................................................... 17
BIBLIOGRAFIA......................................................................................... 18
2 INTRODUCCION
3 OBJETIVOS
probabilidad
Conocer el concepto, uso y funcionamiento del variograma
promedio , conocer si las uestras presentan fenmenos
isotrpicos o anistropos .
Analizar y comparar los diferentes variogramas obtenidos de
una maya de perforacin, calculando el variograma promedio en
diferentes direcciones para saber si se trata de un fenmeno
anistropo o isotrpico.
Comprender la importancia y uso de las variables regionalizadas
4 FUNDAMENTO TEORICO
4.1 Distribucin de Poisson
La distribucin de Poisson, que debe su nombre al matemtico francs
Simen Denis Poisson (1781-1840), ya haba sido introducida en 1718
por Abraham De Moivre como una forma lmite de la distribucin
binomial que surge cuando se observa un evento raro despus de un
nmero grande de repeticiones 10 .En general, la distribucin de
Poisson se puede utilizar como una aproximacin de la binomial,
Bin(n, p), si el nmero de pruebas n es grande, pero la probabilidad de
xito p es pequea; una regla es que la aproximacin Poisson-binomial
es buena si n20 y p0,05 y muy buena si n100 y p0,01. La
distribucin de Poisson tambin surge cuando un evento o suceso
raro ocurre aleatoriamente en el espacio o el tiempo. La variable
asociada es el nmero de ocurrencias del evento en un intervalo o
espacio continuo, por tanto, es una variable aleatoria discreta que
toma valores enteros de 0 en adelante (0, 1, 2,...). As, el nmero de
intervalo.
La probabilidad de que ocurran dos o ms eventos en un intervalo
muy pequeo es tan reducida que, a efectos prcticos, se puede
considerar nula.
El nmero de ocurrencias en un intervalo pequeo no depende de lo
que ocurra en cualquier otro intervalo pequeo que no se solape con
aqul.
2
1
f ( x )=
e
x2
=0 y
VARIABLE y
4.3 Histograma
Un histograma es una representacin grfica de una variable en forma
de barras, donde la superficie de cada barra es proporcional a la
frecuencia de los valores representados. En el eje vertical se
representan las frecuencias, y en el eje horizontal los valores de las
variables, normalmente sealando las marcas de clase, es decir, la
mitad del intervalo en el que estn agrupados los datos.
As pues, podemos evidenciar comportamientos, observar el grado de
homogeneidad, acuerdo o concisin entre los valores de todas las
partes que componen la poblacin o la muestra, o, en contraposicin,
poder observar el grado de variabilidad, y por ende, la dispersin de
general
se
utilizan
para
relacionar
variables
cuantitativas
HISTOGRAMA
PLOT)
VISTA EN 3D DE LA MALLA DE
PERFORACION, primera vista
LEYENDA
VISTA EN 3D DE LA MALLA DE
PERFORACION, segunda vista
0-0.2
magenta
0.2-0.4 azul
0.4-0.6
amarrillo
0.6 -08
verde
0.8 -1 rojo
1 -10 marrn
VISTA EN 2D DE LA MALLA DE
PERFORACION
Normal Histogram
Leyes de Cobre
9967
FRECUENCIA
7974
5980
3987
1993
0
0
1.277
2.554
3.830
5.107
6.384
7.661
8.937
10.214
VALOR REAL
Software By Gemcom
Se puede apreciar que existe una mayor concentracin de datos con leyes
que estn en el intervalo de 0 -1 y existen muy pocos datos con una ley
mayor a uno, los datos presentan una distribucin de Poisson .
FRECUENCIA
1849
1387
924
462
0
0.010
0.100
1.000
10.000
100.000
VALOR REAL
Software By Gemcom
Aplicando el logaritmo natural al valor de nuestros datos estas siguen una distribucin
normal, formando as una campana de GAUSS. Lo cual comparado con el histograma
anterior nos demuestra que los datos tiene una distribucin log normal.
100.00
Probabilidad
99.74
91.28
50.00
8.72
0.26
1.277
2.554
3.830
5.107
6.384
7.661
8.937
10.214
Valor real
S oftwar e By Gem com
100.00
Probabilidad
99.74
91.28
50.00
8.72
0.26
0.010
0.100
1.000
10.000
100.000
Valor real
S oftwar e By Gem com
distribucin de Gauss. De estas dos graficas se puede concluir que los datos
de la malla siguen una distribucin LOG NORMAL.
0.215
Gamma (H)
0.107
#
0
0
12
16
20
24
Range [m]
Software By Gemcom
28
32
36
40
Se observar que en ambos casos los variogramas son muy parecidos por lo
que podemos concluir que son variogramas istropos, y se justificar el
variograma promedio, llamado variograma omnidireccional el cual se puede
obtener mediante un promedio ponderado de los valores del variograma.
7 CONCLUSIONES
muestra una lnea que no es recta por lo que se puede afirmar que no
sigue una distribucin de Gauss sino una distribucin de Poisson, y del
segundo grafico que es casi totalmente una lnea recta se puede
afirmar que sigue una distribucin de Gauss. De estas dos graficas se
puede concluir que los datos de la malla siguen una distribucin LOG
NORMAL.
Se en contraron variogramas promedio
tambin
existen
variables
que
presentan
fenmenos
variograma promedi.
El efecto hueco, nos indica que existe seudo - periodicidad en las
variables. Y esto se puede evidenciar porque al modelar el variograma
se obtendr el modelo sinusoidal , que es tpico en esta clase de
variables con seudo - periodicidad
8 BIBLIOGRAFIA
%20Poisson.pdf?sequence=3
RODRIGUES SAICO, FRANK (Mayo, 2004). Modelos probabilsticos
continuos. Fecha de consulta 31 de mayol del 2015.Disponible en :
http://neutron.ing.ucv.ve/electronica/materias/c2508/cap%206.pdf