1

AO DE LA PROMOCIN DE LA INDUSTRIA RESPONSABLE Y COMPROMISO

CLIMTICO

SEGUNDA MONOGRAFA
DE GEOESTADSTICA

DOCENTES:
PHD. MARIN SUAREZ, VALERIANO ALFREDO
ING. TEVES ROJAS, AUGUSTO

ALUMNO:
PILA HUANCACHOQUE, RUSSOU ADRIEL
CDIGO:
20124092I

UNIVERSIDAD NACIONAL DE INGENIERA

FACULTAD DE INGENIERA GEOLGICA MINERA Y METALURGICA
Lima 12 de noviembre de 2014

2
TABLA DE CONTENIDO
1.

OBJETIVOS......................................................................................................................

2.

INTRODUCCIN.............................................................................................................

3.

FUNDAMENTO TEORICO.............................................................................................

4.

PRIMER TRABAJO DEJADO POR EL PHD . MARN.................................................

4.1

Visualizacin del programa...................................................................................7

4.2

Algoritmo del programa:.......................................................................................7

4.3

Arranque del programa.........................................................................................8

5.

TABLAS Y FIGURAS......................................................................................................

6.

SEGUNDO TRABAJO DEJADO POR EN PHD. MARN............................................

7.

TABLAS Y FIGURAS.....................................................................................................

8.

ALGORITMO DEL PROGRAMA EN VBA..................................................................

9.

8.1

Tabla de datos aleatorios.....................................................................................13

8.2

Histograma de los datos......................................................................................14

CONCLUSIONES...........................................................................................................

10. REFERENCIAS...............................................................................................................

3
1. OBJETIVOS

Crear 1000 datos simulados con el mtodo Montecarlo

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

la funcin de densidad de la distribucin normal definida como1

5
con una media y una varianza 2. El caso en el que su funcin de densidad sea

,a

la distribucin se le conoce como normal estndar. Se define Sn como la suma de n variables

aleatorias, independientes, distribuidas, y con una media y varianza 2 finitas (20):

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:

donde Pr( ) indica probabilidad y lim se refiere a lmite matemtico.

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

en virtud del teorema del lmite central.

7
4. PRIMER TRABAJO DEJADO POR EL PHD . MARN
Crear un programa para distribucin log normal
4.1

Visualizacin del programa

A el programa podemos ponerle una media y desviacin iniciales, y el programa nos

calculara el alfa y beta, o tambin podemos poner un alfa y beta.

Luego apretamos el botn par hallar los 1000 datos con distribucin, y en el Excel
aparecer en la primera columna los 1000 datos Yi=ln(Xi) y en la columna 3 los Xi.

4.2

Algoritmo del programa:

Dim aleatorio(1 To 100) As Double

Dim alfa, beta, media, desviacion As Double
Dim i, j As Integer
Private Sub CommandButton1_Click()
Randomize
media = Val(txt1.Text)
desviacion = Val(txt2.Text)
beta = (Log(desviacion ^ 2 / (media ^ 2) + 1)) ^ 0.5
alfa = Log(media) - beta ^ 2 / 2
txt3.Text = alfa
txt4.Text = beta
End Sub

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

Arranque del programa

Iniciamos con valores 1.37 como media y 0.681 como desviacin, datos tomados de el

muestreo de oro dados por el PHD Marin en en 4to informe.

Nos resulta los siguientes alfa y beta.

9
5.

TABLAS Y FIGURAS

Datos credos con el programa:

#
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

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

Observamos que nos sale un histograma log normal

11
6.

SEGUNDO TRABAJO DEJADO POR EN PHD. MARN

Hacer un programa para aplicar el mtodo Montecarlo (simular 1000 datos)

Tiempo de atencin de una pala(datos proporcionados por el PHD.Marin)
165
220
232
248
266
290

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

La siguiente tabla es creada a partir de los datos iniciales

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

Tenemos una grfica Y(X)

12
1.200
1.000

f(x) = 0x^4 - 0x^3 + 0x^2 - 0.71x + 42.56

R = 1

0.800

Frecuencia acumulada

0.600
Polynomial ()

0.400
0.200
0.000
150

200

250

300

350

Invertimos la grfica para poder tener una funcin X(Y)

350
330
310

f(x) = 102.69x^4 + 164.9x^3 - 378.94x^2 + 271.38x + 163.14

R = 1

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.

ALGORITMO DEL PROGRAMA EN VBA

Creamos los 1000 datos aleatoriamente tomando en consideracin la funcin

X(frecuencia acumulada).

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

Tabla de datos aleatorios

#
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

Histograma de los datos

Obtenemos el histograma de los datos simulados

Histograma de 1000 datos simulados

0.14
0.12
0.1
0.08
Frecuencia relativa

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

Clases de Informtica por Ing. Chvez, Adolfo

Clases del PhD. Alfredo Marn Suarez
http://es.wikipedia.org/wiki/Teorema_del_l%C3%ADmite_central
http://es.wikipedia.org/wiki/M%C3%A9todo_de_Montecarlo