You are on page 1of 20

UNIVERSIDAD NACIONAL DE SAN

AGUSTÍN DE AREQUIPA
FACULTAD DE GEOLOGÍA, GEOFÍSICA Y MINAS
ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS

“DEMOSTRACIONES DE FORMULAS
GEOESTADISTICAS”

CURSO: GEOESTADISTICA Y ESTIMACION DE


RESERVAS

DOCENTE:
MSc. ING. MIGUEL DIAZ

ALUMNOS:
RONDON ZEBALLOS, JIMENA PAOLA
PEREZ, LUIS ARNALDO
PAYE MEZA, DEYVIS
HUAMANI CALSINA, JAVIER
MAMANI CHOQUEHUANCA, ESAU
QUISPE ARIAS, LUIS EDUARDO
RENDON SALVADOR, JOSE LUIS
MAMANI MACHACA, JESUS EDUARDO

AREQUIPA – 2018
TEMA 1

Esperanza Varianza, covarianza, histograma efecto de soporte,


efecto de información

1.1.-La varianza de una V. A. Z de densidad de probabilidad f(x) esta definida


por
V[Z]=E [(Z-μ)²]
Con
μ = E[Z] = ∫ z f(z)dz
V[Z] = E [Z²] = {E[Z]} ²
SOLUCIÓN:
 Por definición: V[Z] = E[Z2] – E2[Z]
 Por definición: V[Z] = E (Z - µ)2 ; siendo (Z - µ)2 una variable aleatoria no
negativa entonces su esperanza es no negativa.
V[Z] = E [(Z-μ)²]
V[Z] = E [(Z- E[Z])²]
V[Z] = E [[Z2] – 2[Z]E[Z] + E[Z]]
V[Z] = E [[Z2] – 2[Z]E[Z] + E[Z]]
V[Z] = E[Z2] – 2E[Z]E[Z] + E2[Z]
V[Z] = E[Z2] – 2E2[Z] + E2[Z]
V[Z] = E[Z2] – E2[Z]

Por Distribución logarítmica. Se dice que la variable aleatoria discreta X tiene


distribución logarítmica de parámetro p, con 0 < p < 1, si su función de
probabilidad es la siguiente:

1 1
f(x) = - log⁡(1−𝑝) 𝑥 𝑝 𝑥 si x = 1,2,…

0 en otro caso
Esta distribución surge de la expresión:
𝑥2 𝑥3 𝑥4
log (1+x) = x - + - … para -1 < x < 1 de modo que:
2 3 4

𝑝2 𝑝3 𝑝4
- log (1- p) = p + + + …
2 3 4

1 𝑝𝑥
por lo tanto f(x) >= 0 y ∑∞ ∞
𝑥=1 𝑓(𝑥) = ⁡ −⁡ log⁡(1−𝑝) ∑𝑥=1 𝑥

1 𝑝𝑥
−⁡ log⁡(1−𝑝) ∑∞
𝑥=1 =1
𝑥

Por definición de X una variable aleatoria discreta con función de probabilidad f(x).
La varianza de X se define como el número:

Var(x) = ∑𝑥 (𝑥 − µ)2 𝑓(𝑥),


cuando esta suma es convergente y en donde µ es la esperanza de X. Para una
variable aleatoria continua X con función de densidad f(x) se define como:


Var (x) = ∫−∞(𝑥 − µ)2 𝑓(𝑥)𝑑𝑥⁡⁡

cuando esta integral es convergente.


1
Si tenemos: Var(x) = −⁡ (1−p)2 log⁡2 (1−𝑝) ∗⁡p[p+log(1-p)]

Por lo tanto:
1
 E(X) = −⁡ log⁡(1−𝑝) ∑∞
𝑥=1 𝑝
𝑥

1 𝑝
E(X) = −⁡ log⁡(1−𝑝) (1−𝑝)

1
 E(X2) = −⁡ log⁡(1−𝑝) ∑∞
𝑥=1 𝑥𝑝
𝑥

1 𝑥
E(X2) = −⁡ log⁡(1−𝑝) ∑∞
𝑥=1(⁡∑𝑦=1 1 𝑝
𝑥

1
E(X2) = −⁡ ∑∞ ∞
𝑦=1(⁡∑𝑥=𝑦 1 𝑝
𝑥
log⁡(1−𝑝)

1 𝑝𝑦
E(X2) = −⁡ log⁡(1−𝑝) ∑∞
𝑦=1 1−𝑝

1 𝑝
E(X2) = −⁡ log⁡(1−𝑝) (1−𝑝)2

1
Por tanto, al resolver V[X] = E[X2] – E2[X] se obtiene Var(x) = −⁡ (1−p)2 log⁡2 (1−𝑝) ∗
⁡p[p+log(1-p)]
1.2.- Z Es una variable aleatoria, λ es una constante
𝑫𝑬𝑴𝑼𝑬𝑺𝑻𝑹𝑬:⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑬 = [𝛌𝐙] = 𝛌𝐄[𝒁]
𝑫𝑬𝑴𝑼𝑬𝑺𝑻𝑹𝑬:⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑽[𝛌𝐙] = 𝛌𝟐 𝑬[𝒁]

PARA EL PRIMERO:
𝐸 = [λZ] = λE[𝑍]

𝐸(λZ) = ∑ λZ ∗ P(𝑍1 ) = λ𝑍1 ∗ 𝑃(𝑍1 ) + λ𝑍2 ∗ 𝑃(𝑍2 ) + ⋯ + λ𝑍𝑛 ∗ 𝑃(𝑍𝑛 )


𝐸(λZ) = λ[𝑍1 ∗ 𝑃(𝑍1 ) + 𝑍2 ∗ 𝑃(𝑍2 ) + ⋯ + 𝑍𝑛 ∗ 𝑃(𝑍𝑛 )]

⁡𝑃𝑟𝑜𝑝𝑖𝑒𝑑𝑎𝑑𝑒𝑠⁡𝑑𝑒⁡𝑠𝑢𝑚𝑎𝑡𝑜𝑟𝑖𝑎𝑠⁡𝑡𝑒𝑛𝑒𝑚𝑜𝑠:

𝐸(𝑍) = ∑ 𝑍1 ∗ 𝑃(𝑍1 ) + 𝑍2 ∗ 𝑃(𝑍2 ) + ⋯ 𝑍𝑛 ∗ 𝑃(𝑍𝑛 )


𝑖=1

𝐸(λ𝑍) = λ𝐸(𝑍)

PARA EL SEGUNDO:
𝑉[λZ] = λ2 𝐸[𝑍]

2
𝑉𝑎𝑟(λZ) = 𝐸 [(λZ − E(λZ)) ]

2
𝑉𝑎𝑟(λZ) = 𝐸 [(λZ − λE(Z)) ]

2
𝑉𝑎𝑟(λZ) = 𝐸 [λ2 (Z − E(Z)) ]

2
𝑉𝑎𝑟(λZ) = λ2 𝐸 [(Z − E(Z)) ]

𝑉𝑎𝑟(λZ) = λ2 𝐸⁡𝑉𝑎𝑟(𝑍)
1.3 La covarianza centrada entre dos variables aleatorias Z1 y Z2 está definida
por:

Cov  Z1,Z2   E  Z1  1  Z2  2  

Con:

1  E  Z1 y 2  E  Z2 

Demostrar:

Cov  Z1,Z2   E Z1Z2   E Z1E Z2 

A partir de:

Cov  Z1,Z2   E  Z1  1  Z2  2    E  Z1Z2  Z12  1Z2  12 

Cov  Z1,Z2   EZ1Z2   E Z12   E 1Z2   E 12 

Cov  Z1,Z2   E Z1Z2   12  12  12

Cov  Z1,Z2   E Z1Z2   E Z1E Z2  ….LQQD.

Demostrar:

Cov  Z1,Z2   Cov  Z2,Z1 

De lo anterior:

Cov  Z1,Z2   E Z1Z2   E Z1E Z2 

Lo mismo:

Cov  Z2,Z1   E Z2Z1  E Z2 E Z1

Se sabe que:

X,Y  E XY  Y,X

En efecto:

E Z1Z2   EZ1EZ2   E Z2Z1  E Z2 E Z1

Cov  Z1,Z2   Cov  Z2,Z1  ….LQQD.


Demostrar:

Cov  Z1,Z1   Cov  Z1 

Se sabe:

Cov  Z1,Z1   E  Z1  1  Z1  1    E  Z1  1  


2
 

Cov  Z1,Z1   E  Z1  1  
2
 

Cov  Z1,Z1   V Z ….LQQD.


Ejercicio 1.4.
1.4. 𝒁𝟏 ⁡𝒚⁡𝒁𝟐 son dos variables aleatorias de covarianza centrada
𝑪𝒐𝒗(𝒁𝟏 ⁡𝒚⁡𝒁𝟐 )
Demuestre:
𝑽(𝒁𝟏 ± 𝒁𝟐 ) = 𝑽(𝒁𝟏 ) + 𝑽(𝒁𝟐 ) ± 𝟐𝑪𝒐𝒗(𝒁𝟏 , 𝒁𝟐 )
SOLUCION:
La variancia para la suma y la diferencia de dos variables aleatorias 𝑍1 𝑦⁡𝑍2
 Por definición de variancia
2
𝑉𝑎𝑟(𝑍1 ± 𝑍2 ) = 𝐸 (((𝑍1 ± 𝑍2 ) − 𝐸(𝑍1 ± 𝑍2 )) )
2
= 𝐸 (((𝑍1 − 𝐸(𝑍1 )) ± (𝑍2 − 𝐸(𝑍2 ))) )

Ahora, utilizando 𝑉(𝑍) para representar la variancia:


2 2
𝑉(𝑍1 ± 𝑍2 ) = 𝐸 ((𝑍1 − 𝐸(𝑍1 )) ) + 𝐸 ((𝑍2 − 𝐸(𝑍2 )) ) ± 2𝐸 ((𝑍1 − 𝐸(𝑍1 ))(𝑍2 −
𝐸(𝑍2 ))) … (1)

Dónde la covarianza entre dos variables aleatorias discretas 𝑋⁡𝑒⁡𝑌 se


define:
Para dos v.a.s 𝑋, 𝑌, definimos su 𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎⁡𝑐𝑜𝑚𝑜:
𝑋0 = 𝑋 − 𝐸(𝑋)
𝐶𝑜𝑣(𝑋, 𝑌) = 𝐸(𝑋0 𝑌0 ), 𝑑𝑜𝑛𝑑𝑒⁡ { } 𝑠𝑜𝑛⁡𝑙𝑎𝑠⁡𝑣𝑒𝑟𝑠𝑖𝑜𝑛𝑒𝑠⁡𝑐𝑒𝑛𝑡𝑟𝑎𝑑𝑎𝑠⁡𝑑𝑒⁡𝑋, 𝑌.
𝑌0 = 𝑌 − 𝐸(𝑌)
𝑪𝒐𝒗(𝑿, 𝒀) = 𝑬(𝑿𝒀) − 𝑬(𝑿)𝑬(𝒀)
𝐶𝑜𝑣(𝑍1 , 𝑍2 ) = 𝐸(𝑍1 𝑍2 ) − 𝐸(𝑍1 )𝐸(𝑍2 )

𝐶𝑜𝑣(𝑍1 , 𝑍2 ) = 𝐸 ((𝑍1 − 𝐸(𝑍1 ))(𝑍2 − 𝐸(𝑍2 ))) … (2)

Por tanto reemplazamos (2) en (1), puede escribirse con mayor brevedad
que:
𝑽𝒂𝒓(𝒁𝟏 ± 𝒁𝟐 ) = 𝑽𝒂𝒓(𝒁𝟏 ) + 𝑽𝒂𝒓(𝒁𝟐 ) ± 𝟐𝑪𝒐𝒗(𝒁𝟏 , 𝒁𝟐 )
Hasta el momento no se ha supuesto que las variables aleatorias 𝑍1 ⁡𝑦⁡𝑍2
son estadísticamente independientes, pero, si así se hace, debe notarse que
𝐶𝑜𝑣(𝑍1 , 𝑍2 ) =0 y, por tanto,
𝑽𝒂𝒓(𝒁𝟏 ± 𝒁𝟐 ) = 𝑽𝒂𝒓(𝒁𝟏 ) + 𝑽𝒂𝒓(𝒁𝟐 )
1.5. Sean n variables aleatorias Z1, Z2…Zn y sean n coeficientes λ1, λ2…. λn
Sabemos Z*=∑ λiZi

Demuestre V[Z*]= Z=∑𝒊 ∑𝑱 𝛌𝐢⁡𝛌𝐣𝐂𝐨𝐯(⁡𝐙𝐢⁡, 𝐙𝐣)⁡⁡

Recuerde Z*2=∑𝒊 ∑𝑱 𝛌𝐢⁡𝛌𝐣⁡𝐙𝐢⁡⁡𝐙𝐣⁡⁡⁡⁡⁡

Demuestre V[ Z*] =∑𝒊 ⁡𝛌𝐢 𝟐𝐕[𝐙𝐢]+∑𝒊=𝟏 ∑𝒋<>𝟏 𝛌𝐢⁡𝛌𝐣⁡𝐂𝐨𝐯⁡(⁡𝐙𝐢⁡, 𝐙𝐣)

Demuestre V[ Z*] =∑𝒊 ⁡𝛌𝐢 𝟐𝐕[𝐙𝐢]+𝟐 ∑𝒊=𝟏 ∑𝒋=𝒊+𝟏 𝛌𝐢⁡𝛌𝐣⁡𝐂𝐨𝐯⁡(⁡𝐙𝐢⁡, 𝐙𝐣)

SOLUCIÓN:
1
*Cov(λiZi,⁡λjZj)=𝑛 ∗ ∑𝑛𝑖=1 ∑𝑛𝑗=1(λiZi − λZ)(λjYj − λZ)
1
Cov(λiZi,⁡λjZj)=𝑛 ∗ ∑𝑛𝑖=1 ∑𝑛𝑗=1 λi(Zi − Z)λj(Zj − Z)
1
Cov(λiZi,⁡λjZj)=𝑛 ∗ ∑𝑛𝑖=1 ∑𝑛𝑗=1 λiλj(Zi − Z)(Zj − Z) (1)

Var(Z*)=E[(Z*-E(Z*))2]
Var(Z*)=E[Z*2+E2(Z*)-2 Z*E(Z*)]
Var(Z*)=E(Z*2)-2E(Z*)E(Z*)+E2(Z*)]
Var(Z*)=E(Z*2)-E2(Z*)

Var(Z*)=E(∑𝑖 ∑𝐽 λi⁡λj⁡Zi⁡⁡Zj)⁡⁡⁡⁡⁡-E(∑𝑖 λi⁡Z⁡) ∗ E(∑𝐽 λjZ)⁡⁡⁡⁡⁡(2)

De la ecuacion (1) y (2) se deduce:


Var(Z*)=∑𝒊 ∑𝑱 𝛌𝐢⁡𝛌𝐣𝐂𝐨𝐯(⁡𝐙𝐢⁡, 𝐙𝐣)⁡⁡
1
*V[Z*)=𝑛 ∑𝑛𝑖=1(𝑍 ∗ − 𝑍)2
1
V[Z*)=𝑛 ∑𝑛𝑖=1(𝑍 ∗2 + 𝑍 2 − 2 ∗ 𝑍 ∗ 𝑍)
1
V[Z*)=𝑛 ∑𝑛𝑖=1(∑𝑖 ∑𝑗 λiλjZiZj + 𝑍 2 − 2 ∗ 𝑍 ∗ ∑𝑖 λiZi)
1
V[Z*)=𝑛 ∑𝑛𝑖=1(∑𝑖 ∑𝑗 λiλjZiZj + 𝑍 2 − 2 ∗ 𝑍 ∗ ∑𝑖 λiZi + (∑𝑖 λiZi)2 − (∑𝑖 λiZi)2 )
1
V[Z*)=𝑛 ∑𝑛𝑖=1((∑𝑖 ∑𝑗 λiλjZiZj − (∑𝑖 λiZi)2 ) + (𝑍 2 − 2 ∗ 𝑍 ∗ ∑𝑖 λiZi + (∑𝑖 λiZi)2 ))

V[ Z*]
=∑𝒊 ⁡𝛌𝐢 𝟐𝐕[𝐙𝐢]+∑𝒊=𝟏 ∑𝒋<>𝟏 𝛌𝐢⁡𝛌𝐣⁡𝐂𝐨𝐯⁡(⁡𝐙𝐢⁡, 𝐙𝐣)

1
*V[Z*)=𝑛 ∑𝑛𝑖=1(𝑍 ∗ − 𝑍)2
1
V[Z*)=𝑛 ∑𝑛𝑖=1(𝑍 ∗2 + 𝑍 2 − 2 ∗ 𝑍 ∗ 𝑍)
1
V[Z*)=𝑛 ∑𝑛𝑖=1(∑𝑖 ∑𝑗 λiλjZiZj + 𝑍 2 − 2 ∗ 𝑍 ∗ ∑𝑖 λiZi)
1
V[Z*)=𝑛 ∑𝑛𝑖=1(∑𝑖 ∑𝑗 λiλjZiZj + 𝑍 2 − 2 ∗ 𝑍 ∗ ∑𝑖 λiZi − 2 ∗ 𝑍 ∗ ∑𝑖 λiZi + 2 ∗ 𝑍 ∗
∑𝑖 λiZi)
1
V[Z*)=𝑛 ∑𝑛𝑖=1(∑𝑖 ∑𝑗 λiλjZiZj + 𝑍 2 − 4 ∗ 𝑍 ∗ ∑𝑖 λiZi + 2 ∗ 𝑍 ∗ ∑𝑖 λiZi)

V[ Z*]
=∑𝒊 ⁡𝛌𝐢 𝟐𝐕[𝐙𝐢]+𝟐 ∑𝒊=𝟏 ∑𝒋=𝒊+𝟏 𝛌𝐢⁡𝛌𝐣⁡𝐂𝐨𝐯⁡(⁡𝐙𝐢⁡, 𝐙𝐣)
1.6.- Influencia del muestreo sobre los cálculos de medias, varianza e
histogramas
Se desea hacer un estudio sobre un sitio que en el pasado tuvo residuos mineros,
el principal contaminante que queda en el terreno es un leve porcentaje de ácido
remanente Se ha decidido hace una primera campaña de muestreado en cuadros
de 10 x 10 metros.
A.- Campaña 1
90 39
80 33 43 33
70 32
60 26
50 28
40 35
30 29
20
10
0
0 10 20 30 40 50 60 70 80 90

Calcule la media la varianza y realice un histograma de 9 clases (0,5) ,


(5,10)….(40,45)
Media: X = 33.11
Varianza : σ²= Σ (Xi-µ) ² /n = 25.65

Histograma
0.025

0.02
Frecuancia

0.015

0.01

0.005

0
26 28 29 32 33 35 39 43
% Acido
B.- Campaña 2
La media deducida de la primera campaña es superior a 22 g / que es lo que la ley
autoriza como máximo, por eso se ha procedido a tomar más muestras,
obteniéndose las siguientes leyes
90 39
80 33 43 33 9
70 32
60 9 12 26
50 28
40 35
30 12 17 29
20 23
10 15 19
0 0
0 10 20 30 40 50 60 70 80 90

Calcule la media la varianza y realice un histograma de 9 clases (0,5) ,


(5,10)….(40,45)
Media: X = 23
Varianza : σ²= Σ (Xi-µ) ² /n = 135

Histograma
0.025

0.02
Frecuancias

0.015

0.01

0.005

0
9 12 15 17 19 23 26 28 29 32 33 35 39 43

% Acido

 Aun no logramos abtener una media por debajo de lo que exige la ley ,
debemos realizer otro muestreo ampliando las distancias entre muestreo.
C.- Campaña 3
Teniendo en cuenta la importancia de la dispersión de las leyes, se ha decidido
efectuar un muestreo sistemático, cada cuatro parcelas, dando el siguiente
resultado:
90
80 21 43 20 9 12
70
60 9 25 12 20 26
50
40 30 11 19 19 17
30
20 23 15 15 23 14
10
0 25 2 23 0 12
0 10 20 30 40 50 60 70 80 90

Realice los mismos cálculos anteriores


Media: X =17.8
Varianza : σ²= Σ (Xi-µ)² /n = 78.32

Histograma
0.035
0.03
Frecuancias

0.025
0.02
0.015
0.01
0.005
0
0 2 9 11 12 14 15 17 19 20 21 23 25 26 30 43
% Acido

 La media disminuye respecto al anterior caso debido a que se realizaron los


muestreos en un área mayor que el anterior.
D.-Mas tarde con un muestreo en todo el sector se tendrá, lo siguiente:

90 22 20 15 39 20 22 10 4 12 7
80 30 21 33 43 33 20 14 9 4 12
70 24 23 13 32 29 24 24 11 6 16
60 30 9 7 25 24 12 26 20 16 26
50 23 16 14 11 23 19 14 16 12 28
40 18 30 21 11 23 19 8 19 35 17
30 12 45 21 17 14 18 15 19 29 19
20 11 23 27 15 11 15 26 23 15 14
10 15 13 10 19 28 25 24 8 14 6
0 20 25 21 2 24 23 21 0 19 12
0 10 20 30 40 50 60 70 80 90

Si usted observa este gráfico y los anteriores cuál es su comentario, Comente y


discuta con sus compañeros
 Comparando los diferentes gráficos observamos que el porcentaje de ácido
de concentra en áreas definidas, si realizamos el muestreo en toda el área
la media disminuirá y obtendremos lo que nos permite las leyes.

 La media de porcentaje de ácido está por debajo de lo que exige las


normas.
1.7.- Efecto de soporte de las muestras sobre la varianza e histograma
Siempre en nuestro sitio, las nuevas parcelas se denominaran V y serán
constituida de 4 pequeñas parcelas v, ellas miden 20 x 20 (con todos los datos), si
calculamos los valores de 1.6 se tendrá los siguientes valores.

Calcule la media, la desviación estándar de estos datos y trace un histograma


experimental y compare
SOLUCION
N: 25
MIN: 8.75
MAX: 32.5
PROMEDIO: 18.82
DATOS
23.25 4.43 19.6249
21.5 2.68 7.1824
21.75 2.93 8.5849
22.75 3.93 15.4449
18.25 -0.57 0.3249
32.5 13.68 187.1424
19.25 0.43 0.1849
14.25 -4.57 20.8849
20 1.18 1.3924
13 -5.82 33.8724
23.75 4.93 24.3049
22.25 3.43 11.7649
21 2.18 4.7524
14.5 -4.32 18.6624
25 6.18 38.1924
9.25 -9.57 91.5849
20.25 1.43 2.0449
14.25 -4.57 20.8849
20.75 1.93 3.7249
13.25 -5.57 31.0249
8.75 -10.07 101.4049
16 -2.82 7.9524
23 4.18 17.4724
19.25 0.43 0.1849
12.75 -6.07 36.8449

‫ס‬2=705.44
‫ =ס‬5.42156189

5.3120241 Poblacional
5.42156189 Muestral
Li Ls fi hi
0 5 0 0
5 10 2 0.08
10 15 6 0.24
15 20 4 0.16
20 25 11 0.44
25 30 1 0.04
30 35 1 0.04
TOTAL 25 1
GRÁFICO

0.5

0.45

0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
0 5 10 15 20 25 30

1.8.-Efecto Información
Si usted debe tomar la decisión sobre el terreno a partir de la campaña 3, tenemos
el siguiente plano:
Recuerde que un sector es considerado habitable si el contenido de ácido es
menos a 22grs/ton
Conteste
a.- Parcelas estimadas contaminadas y en la realidad están contaminadas
b.- Parcelas estimadas no contaminadas y en la realidad están no contaminadas
c.- Parcelas estimadas contaminadas y en la realidad están no contaminadas
d.- Parcelas estimadas no contaminadas y en la realidad están contaminadas
Realice una nube de correlación
SOLUCION
Campaña 3

21 43 20 9 12

9 25 12 20 26

30 11 19 19 17

23 15 15 23 14

25 2 23 0 12

Valores correlacionados

23.25 32.5 23.75 9.25 8.75

21.5 19.25 22.25 20.25 16


21.75 14.25 21 14.25 23

22.75 20 14.5 20.75 19.25

18.25 13 25 13.25 12.75

- COEFICIENTE DE CORRELACION: 0.68461064


REAL ESTIMADO
0 13.25
2 13
9 21.5
9 9.25
11 14.25
12 22.25
12 8.75
12 12.75
14 19.25
15 20
15 14.5
17 23
19 21
19 14.25
20 23.75
20 20.25
21 23.25
23 22.75
23 25
23 20.75
25 18.25
25 19.25
26 16
30 21.75
43 32.5

a 3
EN RESPUESTA A LAS PREGUNTAS DE b 13
CONTAMINACION DE LAS PARCELAS,
c 4
TENEMOS EL SIGUIENTE CUADRO:
d 5
GRÁFICO

RELACION REAL ESTIMADO


35

30

25
ESTIMADO

20

15

10

0
0 5 10 15 20 25 30 35 40 45 50
REAL

You might also like