Professional Documents
Culture Documents
SEGUNDA MONOGRAFA
DE GEOESTADSTICA
DOCENTES:
PHD. MARIN SUAREZ, VALERIANO ALFREDO
ING. TEVES ROJAS, AUGUSTO
ALUMNO:
PILA HUANCACHOQUE, RUSSOU ADRIEL
CDIGO:
20124092I
2
TABLA DE CONTENIDO
1.
OBJETIVOS......................................................................................................................
2.
INTRODUCCIN.............................................................................................................
3.
FUNDAMENTO TEORICO.............................................................................................
4.
4.2
4.3
5.
TABLAS Y FIGURAS......................................................................................................
6.
7.
TABLAS Y FIGURAS.....................................................................................................
8.
9.
8.1
8.2
CONCLUSIONES...........................................................................................................
10. REFERENCIAS...............................................................................................................
3
1. OBJETIVOS
Crear un algoritmo para generar datos con distribucin log normal usando el Teorema del
Limite Central.
2. INTRODUCCIN
La necesidad de acudir a herramientas estadsticas para el anlisis de datos en todas las
reas del conocimiento, ha hecho que aparezcan con el correr de los aos nuevas
metodologas que, no obstante se centran en fundamentos probabilsticos comunes, son
especficas para cada una de las diversas disciplinas del saber. Algunos ejemplos son, entre
otros, la econometra, psicometra o la bioestadstica. La gran relevancia que tiene
actualmente a nivel mundial el tema ambiental ha hecho que los profesionales en estadstica
encaminen esfuerzos en el desarrollo de nuevas tcnicas apropiadas para el anlisis de
informacin enmarcada dentro de este contexto. Como consecuencia de este impulso surgi la
geoestadstica, teniendo como padre a George Matheron.
3. FUNDAMENTO TEORICO
HISTOGRAMA
En estadstica, 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. Sirven para obtener una "primera vista" general, o panorama, de la distribucin
de la poblacin, o la muestra, respecto a una caracterstica, cuantitativa y continua, de la
misma y que es de inters para el observador (como la longitud o la masa). De esta manera
ofrece una visin en grupo permitiendo observar una preferencia, o tendencia, por parte de la
muestra o poblacin por ubicarse hacia una determinada regin de valores dentro del espectro
de valores posibles (sean infinitos o no) que pueda adquirir la caracterstica. 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
4
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 el eje vertical se representan las frecuencias, es decir, la cantidad de poblacin o la
muestra, segn sea el caso, que se ubica en un determinado valor o subrango de valores de la
caracterstica conocido como intervalo de clase. En el eje horizontal se representa el espectro
de valores posibles que toma la caracterstica de inters, evidentemente, cuando ste espectro
de valores es infinito o muy grande el mismo es
reducido a slo una parte que muestre la
tendencia o comportamiento de la poblacin, en
otras ocasiones ste espectro es extendido para
mostrar el alejamiento o ubicacin de la
poblacin o la muestra analizada respecto de un
valor de inters.
TEOREMA DEL LIMITE CENTRAL
El teorema del lmite central o teorema central del lmite indica que, en condiciones
muy generales, si Sn es la suma de n variables aleatorias independientes y de varianza no nula
pero finita, entonces la funcin de distribucin de Sn se aproxima bien a una distribucin
normal (tambin llamada distribucin gaussiana, curva de Gauss o campana de Gauss). As
pues, el teorema asegura que esto ocurre cuando la suma de estas variables aleatorias e
independientes es lo suficientemente grande.
Sea
5
con una media y una varianza 2. El caso en el que su funcin de densidad sea
,a
de manera que, la media de Sn es n y la varianza n2, dado que son variables aleatorias
independientes. Con tal de hacer ms fcil la comprensin del teorema y su posterior uso, se
hace una estandarizacin de Sn como
para que la media de la nueva variable sea igual a 0 y la desviacin estndar sea igual a 1. As,
las variables Zn convergern en distribucin a la distribucin normal estndar N(0,1),
cuando n tienda a infinito. Como consecuencia, si (z) es la funcin de distribucin de
N(0,1), para cada nmero real z:
METODO MONTECARLO
El mtodo de Monte Carlo1 es un mtodo no determinista o estadstico numrico,
usado para aproximar expresiones matemticas complejas y costosas de evaluar con exactitud.
El mtodo se llam as en referencia al Casino de Monte Carlo (Principado de Mnaco) por
ser la capital del juego de azar, al ser la ruleta un generador simple de nmeros aleatorios.
El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan aproximadamente
de 1944 y se mejoraron enormemente con el desarrollo de la computadora.
El uso de los mtodos de Monte Carlo como herramienta de investigacin, proviene
del trabajo realizado en el desarrollo de la bomba atmica durante la Segunda Guerra Mundial
en el Laboratorio Nacional de Los lamos en EE. UU. Este trabajo conllevaba la simulacin
6
de problemas probabilsticos de hidrodinmica concernientes a la difusin de neutrones en el
material de fisin. Esta difusin posee un comportamiento eminentemente aleatorio. En la
actualidad es parte fundamental de los algoritmos de Raytracing para la generacin de
imgenes 3D.
En la primera etapa de estas investigaciones, John von Neumann y Stanislaw Ulam
refinaron esta ruleta rusa y los mtodos "de divisin" de tareas. Sin embargo, el desarrollo
sistemtico de estas ideas tuvo que esperar al trabajo de Harris y Herman Kahn en 1948.
Aproximadamente en el mismo ao, Enrico Fermi, Nicholas Metropolis y Ulam obtuvieron
estimadores para los valores caractersticos de la ecuacin de Schrdinger para la captura de
neutrones a nivel nuclear usando este mtodo.
El mtodo de Monte Carlo proporciona soluciones aproximadas a una gran variedad de
problemas matemticos posibilitando la realizacin de experimentos con muestreos de
nmeros pseudoaleatorios en una computadora. El mtodo es aplicable a cualquier tipo de
problema, ya sea estocstico o determinista. A diferencia de los mtodos numricos que se
basan en evaluaciones en N puntos en un espacio M-dimensional para producir una solucin
aproximada, el mtodo de Monte Carlo tiene un error absoluto de la estimacin que decrece
como
7
4. PRIMER TRABAJO DEJADO POR EL PHD . MARN
Crear un programa para distribucin log normal
4.1
4.2
8
Private Sub CommandButton2_Click()
alfa = txt3.Text
beta = txt4.Text
For i = 1 To 1000
For j = 1 To 100
aleatorio(j) = Rnd()
suma = suma + aleatorio(j)
Next
Cells(i, 1) = beta * ((suma - 100 * (1 / 2)) / ((100 ^ 0.5) / (12 ^
0.5))) + alfa
(i, 3) = Exp(Cells(i, 1))
suma = 0
Next
End Sub
4.3
9
5.
TABLAS Y FIGURAS
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
Yi=Ln(Xi) #
0.2686
0.8023
1.2641
0.2897
-0.2225
-0.6563
0.8700
0.0291
-0.8661
0.7790
0.3425
0.7892
-0.3625
0.0188
0.8999
0.9803
-0.0164
-0.7012
0.9933
0.3903
0.5922
-0.0301
0.3456
-0.4502
-0.1236
-0.5551
-0.1593
0.8962
-0.1334
0.0474
0.3457
0.1539
-1.1490
-0.4634
Xi
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
1.3081
2.2306
3.5397
1.3360
0.8005
0.5187
2.3869
1.0295
0.4206
2.1792
1.4085
2.2017
0.6960
1.0190
2.4595
2.6653
0.9837
0.4960
2.7002
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
1.4774
1.8079
0.9704
1.4128
0.6375
0.8838
0.5740
0.8527
2.4502
0.8751
1.0485
1.4129
1.1663
0.3170
0.6291
10
Histograma de Yi
0.02
0.01
0.01
0.01
0.01
Frecuencia relativa
0.01
0
0
0
Clase
Histograma Xi
0.09
0.08
0.07
0.06
0.05
Frecuencia relativa
0.04
0.03
0.02
0.01
0
Clase
11
6.
182
221
236
250
270
298
199
225
238
251
272
301
7.
209
228
240
256
277
320
210
230
245
262
283
338
TABLAS Y FIGURAS
Rango
[165194>
[194223>
[223252>
[252281>
[281310>
[310-339]
Frecuen
Frecuencia
Frecuenc cia
frecuenci
relativa
ia
acumula a relativa
acumulada
da
179.5
0.067
0.067
208.5
0.167
0.233
237.5
11
18
0.367
0.600
266.5
24
0.200
0.800
295.5
324.5
4
2
30
28
30
0.133
0.067
1.000
0.933
1.000
12
1.200
1.000
0.800
Frecuencia acumulada
0.600
Polynomial ()
0.400
0.200
0.000
150
200
250
300
350
290
270
X
250
230
Polynomial ()
210
190
170
150
0.000
0.200
0.400
0.600
0.800
1.000
1.200
Frecuencia acumulada
8.
13
Dim Y As Double
Dim i As Integer
Private Sub CommandButton1_Click()
Randomize
For i = 1 To 1000
Y = Int(1000 * Rnd()) / 1000
Cells(i, 1) = 102.69 * (Y ^ 4) + 164.9 * (Y ^ 3) - 378.94 * (Y ^ 2) + 271.38 * Y +
163.14
Next
End Sub
14
8.1
#
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
Dato
aleatorio
258.810
229.782
266.375
280.096
206.232
233.460
249.524
212.020
175.783
210.398
197.930
218.119
271.905
208.188
226.943
183.365
175.548
222.812
285.189
202.875
249.524
236.471
226.805
223.574
187.064
246.036
231.531
215.231
216.031
237.575
230.118
229.313
245.038
173.157
15
8.2
Frecuencia
0.06
0.04
0.02
0
Clase
16
9.
CONCLUSIONES
El Teorema del Limite central nos ayuda a simular datos con una media y desviacin
estndar dados de tal manera de crear datos con distribucin log normal y normal.
El teorema del lmite central nos da como resultado una funcin de gauss.
El mtodo Montecarlo sirve para simular datos respecto a un nmero aleatorio
10. REFERENCIAS