E = E1 E2

E = E1 E2

Intersectia evenimentelor
Evenimentul E reprezint intersectia
evenimentelor E1 i E2 daca evenimentul
E contine toate elementele commune ale
celor dou evenimente, se noteaza:

Reuniunea evenimentelor
Evenimentul E reprezint reuniunea
evenimentelor E1 i E2 daca evenimentul
E contine toate elementele commune si
necomune ale celor dou evenimente, i
se noteaz:

0,23

0,20

0,19

0,26

0,23

0,16

Carota nr.3

Eveniment aleatoriu este acela care se

poate produce sau nu la efectuarea unui
experiment;
Eveniment sigur este acela care se produce
cu certitudine la orice efectuare a a unui
experiement; se noteaz cu ;
Eveniment imposibil nu se produce la nici o
efectuare a experimentului; se noteaz cu ;

0,25

0,18

0,15

0,24

0,26

0,21

0,14

Carota nr.2

Combinatia evenimentelor

0,17

0,15

0,21

0,19

0,22

0,20

Carota nr.1
1

Nr. crt.

Experiment, eveniment

Sursa: (Dex)

experimentum.

Combinatia evenimentelor

Rezultatul unei experiment se numete

eveniment
Exemplu:
pe un zcmnt, au fost extrase 3 carote
mecanice (3 experimente), si au fost msurate
19 valori de porozitate. Se poate afirma c au
fost realizate pentru acest zcmnt:
3 experimente i au rezultat 19 evenimente

Experiment, eveniment

Curs nr.1

Tipuri de evenimente

Exemple de experimente:
extragere de carote mecanice dintr-o sonda
(formaiune geologic)
msurarea unei proprieti a unui esantion de
roca (radioactivitate, densitate, porozitate etc.)

Un experiment, experien sau prob este o

operatie, o procedur sau o metodologie
care se execut pentru verificarea unei
ipoteze cu scopul validrii sau invalidrii
acesteia i care poate da un numr finit
sau infinit de rezultate.

Experiment, eveniment

Note de curs

GEOSTATISTICA

Experiment: Procedeu de cercetare in

stiinta, care consta in provocarea
intentionata a unor fenomene in conditiile
cele mai propice pentru studierea lor si a
legilor care le guverneaza; observatie
provocata, experienta. Din lat.

Experiment, eveniment

 Intersectia
evenimentelor

E c = ( , a ) (b,+ )

- comutativitate A B = B A; A B = B A
- asociativitate A (B C) = (A B) C
A (B C) = (A B) C
- absorie (A B) A = A (A B) = A
- distributivitate A (B C) =(A B) (A C)
A (B C) = (A B) (A C)
- complementaritate (A CA) B = B
(A CA) B = B

Proprietaile evenimentelor

E = [a, b]

Evenimentul complementar E c unui eveniment E, reprezint multimea tuturor

elementelor cu exceptia elementelor continute de evenimentul E

Evenimente compatibile, Doua sau mai multe evenimente sunt

compatibile daca se pot realiza impreuna

E0 E1 =

Evenimente incompatibile; Doua sau mai multe evenimente sunt incompatibile

daca nu se pot realiza impreuna

Combinatia evenimentelor

Reuniunea
evenimentelor

Combinatia evenimentelor

Un eveniment E1 implic un alt

eveniment E2 (E1E2) dac realizarea lui
E1 atrage dup sine i realizarea lui E2.

Evenimentul E2 este evenimentul contrar

evenimentului E1 i se noteaz cu CE1,
dac realizarea lui E2 este echivalent cu
nerealizarea lui E1 .

E0 E1 =

E1 E2 = [0.18,0.19]

E1 E2 = [0.15,0.24]

Combinatia evenimentelor

E2 = [0.18;0.24]

E1 = [0.15;0.19]

E0 = [0.5;0.12]]

E2 = ( 5, 6 )

E1 = ( 3, 4 )

E0 = ( 1, 2 )

Combinatia evenimentelor

Probabilitate

1) Dac E K, atunci i CE K
2) Dac E1 K i E2 K, atunci E1 E2 K
3) Cnd mulimea K are o infinitate de evenimente, din Ei K rezult:
4) Evenimentul sigur K

Probabilitatea unui eveniment al unei

experiene care are un numr finit de
cazuri egal-probabile este egala cu
raportul dintre numrul cazurilor favorabile
realizrii evenimentului i numrul
cazurilor egal-probabile ale experienei

i =1

U Ei = K

Evenimentele E1, E2, E3##En, formeaz un sistem

complet de evenimente dac se realizeaz cu
certitudine unul i numai unul dintre aceste evenimente.
Cmp de evenimente. Prin definiie, o mulime K de
evenimente formeaz un cmp de evenimente n
urmtoarele condiii:

Sistem complet de evenimente

Cmp de evenimente

Determinarea faciesurilor prin

combinarea evenimentelor

i =1

Pr ob( A1 ) + Pr ob( A2 ) + Pr ob( An ) = Pr ob( Ai )

Pr ob( A1 A2 A3 Ai An ) =

Generalizand axioma nr.6 pentru n evenimente

incompatibile (exclusiv mutuale)

Legile probabilitilor

- probabilitatea evenimentului imposibi "" este

egal cu 0, P() = 0

Axioma nr.3

- probabilitatea evenimentului sigur este

ntotdeauna egal cu 1, adic: P() = 1

Axioma nr.2

-pentru orice eveniment A, 0 P(A) 1

Axioma nr.1

Legile probabilitilor
Axioma nr.4

Axioma nr.5

P(CA) = 1 - P(A)

- probabilitatea evenimentului contrar

evenimentului A, P(CA) este egal cu:

Legile probabilitilor

Mrimea P este numit

probabilitatea evenimentului A
i se noteaz cu P(A) = p

1 Pr ob( A1 A2 ) 1 Pr ob( A1 ) Pr ob( A2 )

Din inegalitatea lui Boole rezulta inegalitatea lui

Bonferroni,data de expresia:

Pr ob( A1 A2 ) Pr ob( A1 ) + Pr ob( A2 )

Inegalitatea lui Boole

Legile probabilitilor

- considernd dou evenimente A1 i A2,

atunci,
P(A1 A2) = P(A1) + P(A2) - P(A1 A2)

m
n n

Dac experimentul E se efectueaz de "n"

ori i evenimentul A s-a realizat de "m" ori,
raportul m/n se numete frecven relativ.
Pentru valori mari ale lui "n", raportul m/n
tinde ctre o valoare limit, adic

P = lim

Probabilitate

Probabilitate

P ( A / B ) = P(B A) / P(B )

probabilitatea evenimentului A,
condiionat de realizarea evenimentului B

P (B / A) = P( A B ) / P( A)

probabilitatea evenimentului B,
condiionat de realizarea evenimentului A,

Probabilitatea condiionat.

Daca A1 si A2 sunt doua evenimente

incompatibile (exclusive mutuale)
( A1 A2 = )
atunci:
Prob( A A )= Prob(A1) +Prob(A2)

Axioma nr.6

Legile probabilitilor

Frecven i probabilitate

 Se numete funcie a de repartiie (sau de

distribuie) a variabilei aleatoare X
aplicaia:

Legea de probabilitate

Se numete lege de probabilitate

corespondena dintre valorile posibile ale
variabilei aleatoare i probabilitile
corspunztoare.

Corespondena ntre valorile variabilei

aleatoare i probabilitile
corespunztoare este o funcie care
poart numele de funcie de repartiie i
se noteaz cu F(x).

Funcia de repartiie

Se definete variabil aleatoare, n cazul

cmpului finit, o funcie real X definit pe un
sistem complet de evenimente.

Data de F (x ) = P(X < x )

F = Fx : R [0,1]

Variabilele aleatoare pot fi: variabile

aleatoare discrete i variabile aleatoare de
tip continuu;

- variabilele aleatoare discrete sunt

variabilele care au o mulime finit sau
numrabil de valori;

- variabilele aleatoare de tip continuu

sunt variabilele ale cror mulime de valori
este un interval al dreptei reale.

Tipuri de variabile aleatoare

Se consider experimentul S,
S=(1,2,3,4,5,6)
Evenimentul A=(2,4,6)
Evenimentul B=(1,2,3,4)
Evenimentul C=(1,3,5)
Sa se calculeze p(A), p(B), p(C), p(AUB),
p(AUC), p(BUC), p(A B) p(A C ) p(B C )

Variabila aleatoare este o mrime care ia

valori din mulimea valorilor posibile n funcie de
rezultatul unui experiment.

EXEMPLU

Variabile aleatoare

P(A1 A2 A3% An) = P();

P() = 1

ntr-un sistem complet de evenimente :

Doua evenimente A i B sunt independente dac:

P(A B) = P(A).P(B)

Dependena i independena
evenimentelor

x3 xn

P3 Pn

i =1

P =1

(x ) = 0

4.F (x + h) F (x )

F (x )

3.0 F (x ) 1

2. LimF

1.LimF (x ) = 1

Pentru orice x R

h>0

Proprietatile functiei de repartitie

x x
X : 1 2
P1 P2

Repartiia unei variabile aleatoare discrete

este tabelul format din valorile posibile
(prima linie) i probabilitile respective (a
doua linie). Repartiia variabilei aleatoare
discrete este reprezentata de tabloul:

Repartiia unei variabile

Curs nr.2

200

400

600

xi

800

1000

1200

1400

Series1

Functia de repartitie a unei variabile

aleatoare discrete

1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0

Functia de repartitie

Funcia de repartiie

Orice aplicaie F = Fx : R [0,1]

care satisface condiiile 1,%..5 este o funcie
de repartiie a unei variabile aleatoare

x 0+

LimF (x + h ) = F (x ), h 0 +

5. Funcia de repartiie este F(x), este o

funcie continu la stnga, adic:

pi

5.80
ln xi

6.60

7.40

Series1

F (x ) =

f (x )dx

Variabila aleatoare X are o densitate de repartiie

(sau de probabilitate) dac exist o aplicaie astfel ca

Se definete densitate de probabilitate

(densitate de repartiie) sau densitatea funciei
de repartiie: f = f (x ) : R [0,+)
f(x) = F'(x)

Densitatea de repartiie

1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
5.00

Cea mai bun interpretare fizic a lui f(x) este derivata lui F(x)

f(x) reprezint de fapt, frecventa evenimentului n vecintatea lui x.

Densitatea de repartiie

Functia de discontinuitate
cu xo punct de discontinuitate

Funcia de repartiie
Functia de repartitie

Permeabilitatea rezultat din carote mecanice,

logaritmul permeabilitii i probabilitatea calculat

Reprezentarea grafic a unei funcii

de repartiie continue

pi

x f (x )dx

M ( X ) = x f (x )dx

M (X ) =

x x . . . xN

X 1 2
n1 n2 . . . nN

Pentru repartiii empirice, fiecare valoare

individual a variabilei aleatoare X, x1, x2,
%xN, apare de n1%..nN ori frecvene
absolute, repartiia empiric este:

Repartiii empirice

Valorea medie a unei variabile aleatoare

continue

Dac X este o variabil aleatoare de tip

continuu, cu densitatea de repartiie f ,
media variabilei aleatoare este:

Distribuie oblic la dreapta

Histograma este un grafic n coordonate

rectangulare care are n ordonat
frecventele relative i n abscis valorile
intervalelor de clas.

Densitatea de repartiie este cunoscut ca

histogram.

Densitatea de repartitie
pentru repartitii empirice

Distribuie normal

a, b(a b), Pr ob(a < x b) = f (x )dx

f (x )dx = 1

f (x ) 0, x R

Proprietatile densitatii de repartitie

i =1

i i

xP

x2 . . . xn

P2 . . . Pn
m = M(x) =

x
X : 1
P1

Valoarea medie a variabilei aleatoare X cu

repartiia

Valorile caracteristice ale unei variabile

aleatoare discrete

Distribuie oblic la stnga

Distribuie uniform

ni
Ni

x = pi xi = M (x )

i =1

x = f i xi

=N

i =1

D (X + Y ) = D (X ) + D (Y )

D 2 (aX ) = a 2 D 2 ( X )

D (a ) = 0

Proprietile dispersiei

Media nu caracterizeaz
mprtierea valorilor.

X (0 ) = i xin

Medie geometric

fi pi

fi =

i i

n x , n
n

x=

Valoarea medie pentru repartiii

empirice
2

X =
ni

i =1
i

i =1
N

S =

i =1

i =1

()
N x
N 1

2
i

i =1

n (x x )

S2 =

N = ni

Pentru repartiiile empirice, dispersia se

scrie:
N

Repartiii empirice

2 = M (X

1 = M (X
2

k = M (X k )

Momentul iniial

D 2 ( X ) = M (X 2 ) [M ( X )]

sau

D = M [X M ( X )]

Dispersia are valoarea medie a ptratului

abaterii [X - M(x)], adic:

2
2

Variabila aleatoare X - M(x) se numete abatere

fa de medie. Valorile individuale ale abaterii
sunt:

X1 - M(x)=X1

X2 - M(x) =X2

xn - M(x) =Xn

x (2 )

ni xi2

= i =1
ni

Dispersia

M(a) = a
M(aX) = aM(X)
M(X+Y) = M(X) + M(Y)
M(X.Y) = M(X).M(Y)

Medie ptratic i Medie armonic

DISPERSIA (VARIANA)

Proprietile mediei

Cursul nr.3

Indicatorii variaiei
(dispersiei)

2 = M [X M ( X )]2 = D 2 ( X )

1 = M [X M ( X )] = M ( X ) M [M ( X )] = 0

k = M [X M (X )]k

Momentul centrat

4 = 4 4 3 1 + 6 2 12 3 14

Covariana este o msur a relaiei dintre

dou variabile. Dac x i y sunt relaionate
pozitiv (daca x crete i y crete)
covariana are o valoare pozitiv; daca x i
y relaionate negativ ( x crete i y
descrete ) are o valoare negativ. Dac
x i y nu sunt relaionate, covariana are
valoarea zero.

Covariana

S
x

S= S

Cv =

3
3

32
23

4
3
3

E=

c( x, y ) =

1 n
1 n
1 n
x

i i n
yi
i
n i =1
n i =1
i =1

Covariana se refer la dou variabile

aleatoare i este definit de relaia:

Covariana

A=

A=

Asimetrie i exces

k = [X M ( X )]k f (x )dx

k = x k f (x )dx

Coeficientul de variaie,
abaterea medie ptratic

D ( X ) = [X M ( X )] f (x )dx
2

Valorile caracteristice pentru

variabilele aleatoare continue

3 = 3 3 1 2 + 2 13

2 = 2

2
1

Dependena dintre
momentul iniial i momentul centrat

r (x , y ) =

c (x , y )
sx s y

Coeficient de corelaie

Proprietatii
Dac x i y sunt relaionate negativ
coeficientul de corelaie variaz ntre 0 i
-1. O corelaie foarte puternic, valoarea
coeficientului de corelaie tinde ctre -1.
Dac x i y nu sunt relaionate
coeficientului de corelaie este zero. Din
aceast cauz se utilizeaz ptratul
coeficientului de corelaie pentru a descrie
2
2
corelaia dintre dou variabile r , R

Valoarea coeficientului de corelaie

variaz ntodeauna ntre -1 i 1. Dac x i
y sunt relaionate pozitiv, valoarea
coeficientului de corelaie este cuprins
ntre 0 i 1. O corelaie foarte puternic,
valoarea coeficientului de corelaie tinde
ctre 1.

Covariana
pentru repartitii empirice

Coeficient de corelaie

Coeficient de corelaie

Covariana
pentru repartitii empirice

Porozitatea (%)

8.25

9.00

6.25

5.00

5.30

4.75

5.00

Adncimea (m)

2040

2041

2042

2043

2044

2045

2046

Variatia porozitatii cu adancimea

[
( )] [
( )]
!
! !
!
! !
C [X (u ), X (u + L )] = C [X (u ), X (u + L )]

!
! !
!
! !
f X (u1 ), X u1 + L = f X (u2 ), X u2 + L

[ ( )]
[ ( )]

!
! !
f [X (u )] = f X u + L
!
! !
E [X (u )] = E X u + L

Relatii spatiale

()

!
!
2
! 1 n (L ) !
!
1 n (L ) !
! x (ui )x ui + L x (ui )
n L i =1

n i =1

()

)]

() ()

!
! CL
L =
C (0)

u! = u! + L! = C (0)

[ (

!
! !
V [X (u )] = V X u + L = C (0)

()

!
!
CL
L =
u! u! + L!

() ()

!
! cL
rL =
c(0)

Coeficientul de corelatie

()

!
C L =

[ (
)] [
( )]
!
! !
!
! !
!
C [X (u ), X (u + L )] = E [X (u ), X (u + L )] {E[X (u )] }

!
! !
!
! !
!
! !
C X (u ), X u + L = E X (u ), X u + L E[X (u )].E X u + L

)] ( )

!
!
! !
C X (u ), X u + L = C L

Covarianta

)]

() ()

Cursul nr.4

1 n ! !
x(ui )x(ui ) x 2
n i =1

1 n !
x(ui )
n i =1

C (0) =

x=

!
!
1 n (L ) ! ! !
C L = ! x (ui )x ui + L x 2
n L i =1

Covarianta

1
2

(! )]

( {[

!
! !
1
E X (u ) X u + L
2
2

()

()

L =

() [

!
! !
1 n (L ) !
! x(ui ) x ui + L
2n L i =1

1 n ! !
x(ui )x(ui ) x 2
n i =1

L = C (0) C L

()

C (0) =

)]

!
1 () ! ! !
C L = ! x (ui )x ui + L x 2
n L i =1

() ()

)]}

Variograma
!
n L

Variograma

{[

)] } E{[X (u! ) X (u! + L )]} )

x=

1 n !
x(ui )
n i =1

!
! !
E X (u ) X u + L = EX (u ) + E (u + L)

E(X+Y) = E(X) + E(Y)

()

L =

Variograma

-pentru L=0 , variograma

este egala cu 0

Variograma este jumatate din

varianta dintre doua valori
situate la o distanta L

S 2 ( X ) = E X 2 [E ( X )]

( )

Variograma

Variograma

(0) = S [X (u ) X (u )] = 0

1
2

L = S X (u ) X u + L

()

Variograma

()

1
2

{[

)]}
!

(! )] }

Primul principiu al
stationaritatii

Variograma

Variograma

L = E X (u ) X u + L

{[

)]

!
! !
E X (u ) X u + L = 0

[ (

!
! !
E [X (u )] = E X u + L

Variograma

Directia de intocmire a
variogramei este de 0,45
90 si 135 grade

Toleranta fixa de 250 ft.

Distanta lag de 800, 1000
si 1400 ft.

Variograma

Directia de intocmire a
variogramei este de 0,45 90
si 135 grade

Distanta lagde 1400ft;

Tolerante de 250, 500 si
1000 ft.

Daca valorile unei perechi prezita o diferenta mare atunci

patratul diferentei este si mai mare cu un puternic efect
asupra variogramei;
Fluctuatiile in estimarea variogramei creste cu cresterea
distantei lag;
Instabilitatea trebuie minimizata prin modelarea
variogramei;
Exista doua metode de minimizarea fluctuatiilor:
1. Cresterea numarului de perechi, pentru o distanta lag
data;
2. Eliminarea perechilor extreme

INSTABILITATEA

Modelul sferic

Cerintele modelarii:
1.Folosirea unui numar minim de parametrii
2.Utilizarea unui model adecvat

Modelarea variogramelor

Sunt considerate outliers pentru o

distributie normala punctele aflate in afara
intervalului cuprins intremedie si plus
minus de trei ori deviatia standard;
Pentru minimizarea variatiei se utilizeaza
transformari neliniare:
1.Transformare logaritmica ;
2.Transformare prin ridicare la putere

Influenta outliers

Modelul exponential

Cerintele modelarii

xT(u)=log X(u)

Modelul Gaussian

Cerintele modelarii

Functii de distributie

Modelul cosinus

Distributie uniforma

Modelul sinus

Distributie uniforma

Distributie normala

Distributie lognormala

Distributie normala

VariantaVariabilei aleatoare Y

Media variabilei aleatoare Y

VariantaVariabilei aleatoare X

Media variabilei aleatoare X

Distributie lognormala

Metoda celor mai mici patrate

Cursul 5

Distributie lognormala

Metoda celor mai mici patrate

Metoda celor mai mici patrate

Probabilitatea ca k< 200 md

Regresie liniara

Metoda celor mai mici patrate

Regresie liniara

Regresie liniara

Regresie liniara

Regresie liniara

Regresie liniara

Regresie liniara

Regresie liniara

Regresie liniara

Regresie liniara

Regresia multipla

Regresie liniara
Regresie liniara

Regresia polinomiala

Regresie liniara

Regresia polinomiala

Erori realtive si erori absolute

CURSUL 6

de rotunjire

de trunchiere

Intr-un calcul numeric exist trei tipuri

principale de erori:
inerente

Tipuri de erori

Erori inerente
sunt erorile din date , cauzate de
incertitudinea masurarilor, din greseli, sau
de necesitatea reprezentarii unei valori
printr-un numar finit de cifre

Erori inerente

Erori realtive si erori absolute

Propagarea erorilor

Derivarea si integrarea numerica

Erori relative

x3 x5 x7
+ +
3! 5! 7!

Propagarea erorilor

sin x = x

Erorile de trunchiere si de rotunjire se refera la

erorile introduse de procedura numerica in sine

Erori de trunchiere

1. nu poate fi gasita o solutie sub forma simpla

2. solutia sub forma simpla este dificil de gasit
3. solutia de forma simpla are o importanta
practica redusa

Derivarea si integrarea numerica

Propagarea erorilor

Reprezentarea grafica a doua

aproximatii posibile

Erori de trunchiere
in derivarea numerica

Erori de trunchiere
in derivarea numerica

Derivarea numerica

Erori de trunchiere
in derivarea numerica

Erori de trunchiere
in derivarea numerica

Erori de trunchiere
in derivarea numerica

Erori de trunchiere
in derivarea numerica

Erori de trunchiere
in derivarea numerica

Metoda trapezelor

Metoda trapezelor

Eroarea de trunchiere
in metoda trapezelor

Eroarrea totala

Metoda trapezelor

Eroarea de trunchiere
in metoda trapezelor

Eroarea de trunchiere
in metoda trapezelor

Eroarea de trunchiere
in metoda trapezelor

Metoda trapezelor

Eroarea in interpolarea liniara

Exemplu numeric

Eroarea in interpolarea liniara

Eroarea de trunchiere

Y=X^2

Eroarea de trunchiere
in metoda trapezelor

Eroarea de trunchiere
in metoda trapezelor

Eroarea in interpolarea liniara

Interpolarea liniara

CURSUL 7

Coeficientul de variatie

Coeficientul de variatie

Eroarea de rotunjire

Coeficientul de variatie

Coeficientul de variatie

Coeficientul de variatie

Coeficientul de variatie

Coeficientul de variatie

Coeficientul de variatie

Coeficientul de variatie

Coeficientul Dykstra-Parsons

Coeficientul Lorenz

Coeficientul Dykstra-Parsons

Coeficientul Dykstra-Parsons

Coeficientul Dykstra-Parsons

Coeficientul Lorenz

Coeficientul Dykstra-Parsons

Coeficientul Dykstra-Parsons

 Cursul 8

[Var ( )]

Statistic o populaie poate fi estimat de

parametru (media aritmetic, deviaia
standard, media geometric etc.), pentru un set
de date.
poate reprezenta unul sau mai muli
parametrii;
W estimatorul, este o metod prin care pot fi
obinute valorile;
valoarea estimat
Intervalul de confiden sau eroarea
1
standard
2

Estimatori i evaluarea lor

BIAS = eroare sistematica

Estimatorul bias

Kriging simplu
Kriging ordinar
Universal Kriging
Cokriging

Tehnica kriging foloseste o procedura liniara de estimare a valorii

unui parametru intr-o locatie de cordonate x,y,z

Tehnica de estimare Kriging

CURSUL NR. 9

Kriging Ordinar

VARIABILE DISCRETE
!SUCESIUNE LITOLOGICA
!FOSILE SI MICROFOSILE;

VARIABILE CONTINUII
!CAROTJE ELECTRICE,RADIOACTIVE ETC (o proprietate fizica in functie de adancime)
!ISTORICUL DE PRODUCTIE (debitul , productia cumulate in functie de timp)
!PROBE DE SITA, PROBE LATERALE (descriere calitativa in functie de adancime)

TIPURI DE VARIABILE

CORELAREA DINTRE DOUA SAUMAI MULTE

VARIABILE ALEATOARE IN ACEIASI LOCATIE
Ex.Corelarea dintre permeabilitate si porozitate in
aceiasi sonda.

CORELAREA ACELEIASI VARIABILE

ALEATOARE IN LOCATII DIFERITE. Ex.
Corelarea permeabilitatii din doua s-au mai multe
sonde; corelarea a doua sau mai multe carotaje

CORELAREA ACELEIASI VARIABILE

ALEATOARE IN ACEIASI LOCATIE

CORELAREA SIMPLA

CORELAREA TRANSVERSALA

AUTOCORELATIA