You are on page 1of 23

I1 INDICE

INDICE...................................................................................................... 1

INTRODUCCION......................................................................................... 2

OBJETIVOS................................................................................................ 3

FUNDAMENTO TEORICO............................................................................4

4.1

Distribucin de Poisson......................................................................4

4.2

Distribucin LOG -NORMAL.................................................................6

4.3

Histograma......................................................................................... 7

4.4

Diagrama probabilidad probabilidad (P P PLOT)..........................9

CLCULO Y ANALISIS HISTOGRAMAS Y VARIOGRAMAS...........................10


5.1

Formulacin del problema................................................................10

5.2

HISTOGRAMAS DE LA MALLA DE PERFORACION...............................12

5.3

ANALISIS LAS GRAFICAS PROBABILIDAD PROBABILIDAD (P P PLOT)


13

5.4

GRAFICA DE LOS VARIOGRAMAS PROMEDIO.....................................15

CONCLUSIONES...................................................................................... 17

BIBLIOGRAFIA......................................................................................... 18

2 INTRODUCCION

Si hiciramos una comparacin entre la probabilidad de las variables


aleatorias discretas, que siguen distribuciones binomiales o de Poisson
y el clculo de
probabilidades de variables aleatorias continuas que siguen una distri
bucin normal
Una variable aleatoria se define continua cuando el conjunto de valore
s que puede tomar es un infinito continuo, es decir, puede tomar cual
quier valor en un intervalo. Por el contrario, se define discreta cuando
estn medidas finitas o infinitas numerables, representan algo que po
demos contar, y no suelen llevar decimales. Las distribuciones de
probabilidad
ms utilizadas en variables discretas son la distribucin binomial y la
distribucin de Poison. La distribucin ms frecuente en el caso de las
variables continuas es la distribucin normal.

3 OBJETIVOS

Conocer e interpretar una funcin con distribucin Log normal


mediante el uso de histogramas y graficas de probabilidad

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

mediante el uso del variograma.


Conocer acerca del efecto hueco y las condiciones que se
cumplen para que aparezca.

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

pacientes que llegan a un consultorio en un lapso dado, el nmero de


llamadas que recibe un servicio de atencin a urgencias durante 1
hora, el nmero de clulas anormales en una superficie histolgica o
el nmero de glbulos blancos en un milmetro cbico de sangre son
ejemplos de variables que siguen una distribucin de Poisson. En
general, es una distribucin muy utilizada en diversas reas de la
investigacin mdica y, en particular, en epidemiologa. El concepto
de evento raro o poco frecuente debe ser entendido en el sentido de
que la probabilidad de observar k eventos decrece rpidamente a
medida que k aumenta.
Para que una variable recuento siga una distribucin de Poisson deben
cumplirse varias condiciones:

En un intervalo muy pequeo (p. e. de un milisegundo) la


probabilidad de que ocurra un evento es proporcional al tamao del

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.

DISTRIBUCION LOG - NORMAL

4.2 Distribucin LOG -NORMAL


El modelo Log-Normal es una variable aleatoria donde la funcin
de densidad de probabilidades viene dada por:
lnx

2
1
f ( x )=
e
x2

Es un modelo que permite explicar procesos de tipo multiplicativo es


el modelo Log Normal. Su nombre se deriva de la relacin con el

modelo normal. Una variable X sigue una distribucin Log-normal si la


variable ln X sigue una distribucin de tipo normal.
Las Figuras muestran la funcin de densidad para el modelo Log
Normal para distintos valores de y , respectivamente. En cada
figura, el sentido de la flecha es el sentido en el cual crece el
parmetro respectivo.
FUNCION DE DENSIDAD LOG
NORMAL PARA

=0 y

FUNCION DE DENSIDAD LOG


NORMAL PARA

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

todos los valores que toman las partes, tambin es posible no


evidenciar ninguna tendencia y obtener que cada miembro de la
poblacin toma por su lado y adquiere un valor de la caracterstica
aleatoriamente sin mostrar ninguna preferencia o tendencia, entre
otras cosas
En

general

se

utilizan

para

relacionar

variables

cuantitativas

continuas, pero tambin se lo suele usar para variables cuantitativas


discretas, en cuyo caso es comn llamarlo diagrama de frecuencias y
sus barras estn separadas, esto es porque en el "x" ya no se
representa un espectro continuo de valores, sino valores cuantitativos
especficos como ocurre en un diagrama de barras cuando la
caracterstica que se representa es cualitativa o categrica. Su
utilidad se hace ms evidente cuando se cuenta con un gran nmero
de datos cuantitativos y que se han agrupado en intervalos de clase.
Como ejemplo se puede tomar el puntaje obtenido en una prueba a
un grupo de alumnos

HISTOGRAMA

4.4 Diagrama probabilidad probabilidad (P P

PLOT)

El grfico de probabilidad normal es una tcnica grfica, utilizada para


contrastar la normalidad de un conjunto de datos. Permite comparar la
distribucin emprica de una muestra de datos, con la distribucin
normal. Es un caso particular de grfico de probabilidad.
La idea bsica consiste en representar, en un mismo grfico, los datos
empricos observados, frente a los datos que se obtendran en una
distribucin normal terica. Si la distribucin de la variable es normal,
los puntos quedarn cerca de una lnea recta. Es frecuente observar
una mayor variabilidad (separacin) en los extremos.

El grfico de probabilidad normal es un caso especial de grfico de


probabilidad

4.5 Leyes con seudo periodicidades


El fenmeno tiende a repetirse de manera estacionaria (es decir, vara de
manera homognea y sin deriva).

Fenmeno estacionario con


periodicidades

Si se calcula la funcin (h) se observar la presencia de mximos y


mnimos:

Variograma con efecto


hueco
Se dice que el variograma presenta efecto de hoyo o de agujero. En la
figura, d = 9 unidades proporciona una medida del pseudo-perodo ; es
una medida de la intensidad del efecto (si el fenmeno es perfectamente
peridico, entonces = 0).Un buen ejemplo para esto es la siguiente
variable:

Foto de un bosque. Cada punto representa


un rbol

En donde si tomamos los siguientes variogramas promedios en la direccin


NS y EW se obtendr los siguientes variogramas. el efecto hueco se notara
en el variograma en direccin NS.

Variograma en direccin NS presenta el


efecto hueco

5 CLCULO Y ANALISIS HISTOGRAMAS Y


VARIOGRAMAS
5.1 Formulacin del problema
En los datos proporcionados por el Doctor Alfredo Marn se observa
una malla de perforacin de un mineral yacimiento de cobre, las leyes
de cobre del yacimiento estn expresadas en % de cobre. En la
siguiente grafica se puede ver una vista en 3D y 2D de la malla de
perforacin.
LEYENDA
0-0.2
magenta
0.2-0.4 azul
0.4-0.6
amarrillo
0.6 -08 verde
0.8 -1 rojo

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

Se pide realizar los histogramas normal y log- normal de la malla de


perforacin , as como tambin realizar las grficas probabilidad
probabilidad (P P PLOT) de ambos casos (normal y log normal).Finalmente se pide realizar el variograma promedio horizontal
en la direccin 0 y en la direccin 90 .
5.2 HISTOGRAMAS DE LA MALLA DE PERFORACION
Se muestra el histograma del valor real de los datos de la malla de
perforacin y el histograma del logaritmo natural de los datos de la
malla.

Histograma de los datos

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 .

Histograma del LN(datos):

LOG Normal Histogram


Leyes de Cobre
2311

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.

5.3 ANALISIS LAS GRAFICAS PROBABILIDAD PROBABILIDAD


(P P PLOT)
Se muestran los P P PLOT de los datos de la malla, primero se
muestran el P-P PLOT de los calores reales de los datos y en la
segundo grafico se muestra el P-P PLOT del logaritmo natural de los
datos.

P-P PLOT del valor real de los datos.

Normal Probability Plot


Leyes de Cobre

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

P P PLOT del LN(datos)


LOG Normal Probability Plot
Leyes de Cobre

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

Comparando ambos P - P PLOT podemos notar que el primero 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.

5.4 GRAFICA DE LOS VARIOGRAMAS PROMEDIO


Para este ejercicio se pidi graficar los variogramas promedios de la
malla de perforacin en dos orientaciones; la primera orientacin es dip
=0 y azimut =0; y la segunda direccin es dip = 0 y azimut = 90 .Para
ambos casos se pide graficar y modelar la curva del variograma.

Variograma con orientacin dip = 0 y azimut = 0


Variograma con orientacin : dip = 0 y azimut = 90

VARIOGRAMA CON DIRECCION : dip = 0 y Azimut = 0


Leyes de Cobre
0.322

1) Nugget Effect( 0.03)


2) Spherical( 7.00, 0.06)

0.215

Gamma (H)

3) Spherical( 12.00, 0.03)

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.

6 CLCULO Y ANALISIS DEL EFECTO HUECO


6.1 FORMULACION DEL PROBLEMA
Se pidi simular 1000 datos que presenten el efecto hueco al momento
de construir el variograma, para esto se utiliz la tabla de clculo de
EXCEL y el software de programacin Visual Basic.
Figura 5.8- Variograma

6.2 DATOS CREADOS PARA SIMULAR EL EFECTO


HUECO
promedio
variograma en
Para simular el efecto hueco se simulo en el visual Basic unos datos que
presentaban cierta periodicidad (cada 50 datos), esto para que el
variograma presente el efecto hueco. La sentencia usada fue la
siguiente.

Sentencia para crear el efecto


hueco

6.3 VARIOGRAMA CON EFECTO HUECO


El variograma con efecto hueco creado fue el siguiente:

Como se puede observar se puede encontrar una periodicidad de 20


datos, lo cual nos indica que existe un enriquecimiento en ciertas zonas
y un empobrecimiento en otras .El alcance es de alrededor de 10 con
una meseta de 0.005.

7 CONCLUSIONES

Nuestros datos presentan una distribucin log -normal como se


demuestra en las respectivas grficas , esto debido a que existe una
mayor cantidad de datos con leyes entre 0.11 y 1.5 , mientras que la
cantidad de datos con leyes entre 1.5 y 10 es muy poca en

comparacin con la otra.


Comparando ambos P - P PLOT

podemos notar que el primero

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

muy parecidos en las dos

direcciones (azimut igual = 0 y 90) en las que se tomo el variograma


por lo que se puede concluir que la malla de perforacin presenta un
fenmeno isotrpico , y se justificar el variograma promedio, llamado
variograma omnidireccional el cual se puede obtener mediante un

promedio ponderado de los valores del variograma.


Existen variables que presentan fenmenos de anisotropa es decir
presentan diferentes comportamientos segn la direccin que se
tome;

tambin

existen

variables

que

presentan

fenmenos

isotrpicos, es decir que presentan el mismo comportamiento en

diferentes direcciones y es en este caso donde se justifica utilizar el

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

MARCO ALFARO SIRONVALLE (Julio, 2007) , Distribucin de la


probabilidad. Fecha de consulta : 31 de mayo del 2015 .Disponible en:
http://dxsp.sergas.es/ApliEdatos/Epidat/Ayuda/4Ayuda
%20Distribuciones%20de%20probabilidad.pdf

MARTINEZ GOMEZ, MONICA (Marzo, 2011) . Distribucin de Poisson,


Fecha de consulta: 31 de mayo del 2015. disponible en :
https://riunet.upv.es/bitstream/handle/10251/7937/Distribucion

%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