You are on page 1of 22

UNIVERSIDAD ALAS PERUANAS

CURSO: GEOESTADSTICA
TEMAS:
TEOREMA DE LMITE CENTRAL.
MTODO DE TRANSFORMACIN INVERSA.
MTODO DE MONTECARLO.

GRUPO: 2
EL TEOREMA DEL LMITE CENTRAL

El teorema del lmite central es un teorema fundamental de probabilidad y


estadstica. El teorema establece que la distribucin de , que es la media de
una muestra aleatoria de una poblacin con varianza finita, tiene una
distribucin aproximadamente normal cuando el tamao de la muestra es
grande, independientemente de la forma de la distribucin de la poblacin.

El tamao que debe tener la muestra depende de la forma de la distribucin.


Si la distribucin de la poblacin es simtrica, un tamao de muestra de 5
podra generar una aproximacin adecuada, es marcadamente asimtrica, se
requiere un tamao de muestra de 50 o ms.
Una poblacin que sigue una distribucin uniforme es simtrica, pero
marcadamente no normal, como lo indica el primer histograma. Sin
embargo, la distribucin de 1000 medias de la muestra (n=5) de esta
poblacin es aproximadamente normal debido al teorema del lmite
central, como lo demuestra el segundo histograma. Este histograma de
medias de la muestra incluye una curva normal superpuesta para ilustrar
esta normalidad.
QU ES ESTADSTICA DESCRIPTIVA Y ESTADSTICA INFERENCIAL?

ESTADSTICOS DESCRIPTIVOS

Los estadsticos descriptivos proporcionan un resumen conciso de los


datos. Usted puede resumir los datos de forma numrica o grfica. Por
ejemplo, el gerente de un restaurante de comida rpida rastrea los
tiempos de espera de los clientes durante la hora de almuerzo por una
semana y resume los datos.
ESTADSTICOS INFERENCIALES

Los estadsticos inferenciales utilizan una muestra aleatoria de datos


tomada de una poblacin para describir y hacer inferencias acerca de la
poblacin. Los estadsticos inferenciales son valiosos cuando no es
conveniente o posible examinar cada miembro de una poblacin entera.
CUL ES LA DIFERENCIA ENTRE UNA POBLACIN Y UNA MUESTRA?

POBLACIN

Es el conjunto de individuos, objetos o eventos que


tienen la misma caracterstica y sobre todo el que
estamos interesados en obtener conclusiones. Este
subconjunto de la poblacin se denomina muestra.

MUESTRA
Es una parte de la poblacin, la cual se selecciona
con el propsito de obtener informacin. Debe ser
representativo. Si la muestra es aleatoria y lo
suficientemente grande, usted puede utilizar la
informacin obtenida de la muestra para hacer
inferencias sobre la poblacin.
QU ES UNA DISTRIBUCIN DE MUESTREO?

Una distribucin de muestreo describe la probabilidad de obtener cada


valor posible de un estadstico de una muestra aleatoria de una
poblacin.
QU ES UN PARMETRO?

Los parmetros son medidas descriptivas de toda una poblacin que se


utilizan como las entradas para una funcin de distribucin de
probabilidad (PDF) con el fin de generar curvas de distribucin.
MTODO DE LA TRANSFORMACIN INVERSA
El mtodo de la transformacin inversa puede utilizarse para simular
variables aleatorias continuas, lo cual se logra mediante la funcin
acumulada f(x) y la generacin de nmeros pseudoaleatorios ri ~U (0,1).

El mtodo consiste en:

Definir la funcin de Densidad f(x)


que representa la variable a modelar.
Calcular la funcin acumulada f(x).
Despejar la variable aleatoria x y
obtener la funcin acumulada
inversa f(x)-1.
Generar las variables aleatorias x,
sustituyendo valores con nmeros
pdeudoaleatorios ri ~U (0,1) en la
funcin acumulada inversa.
DISTRIBUCIN UNIFORME

A partir de la funcin de la densidad de las variables aleatorias uniformes


entre a y b.

Se obtiene la funcin acumulada.

Igualando la funcin acumulada F(x) con el nmero pseudoaleatorio


ri ~U (0,1), y despejando x se obtiene:
DISTRIBUCIN DE BERNOULLI

A partir de la distribucin de probabilidad de las variables aleatorias de


Bernoulli con media.

Se calculan las probabilidades


para x=0 y x=1, para obtener:

Acumulando los valores de


p(x) se obtiene:

Generando nmeros pseudoaleatorios ri ~U (0,1) se aplica la regla:


Ejemplo:
x = F-1(r)

Donde:
r = es el numero distribuido u (0,1).
F-1 = La inversa de la funcin acumulada de la distribucin
deseada.
x = el nmero distribuido de acuerdo a la distribucin
deseada.
VENTAJAS Y DESVENTAJAS DE MTODO
DE TRANSFORMACIN INVERSA

Ventajas:
facilita algunas tcnica de la reduccin de
varianza especialmente cuando es necesario
la sincronizacin de nmeros aleatorios.
Muy til para generar una variable aleatoria
al azar que se pequea.
Desventajas:
En algunos casos es una aproximacin muy
eficiente.
SIMULACIN DE MONTECARLO
Es la aproximacin a la solucin de un problema por medio del
muestreo de un proceso al azar.
Los orgenes de esta tcnica estn ligados al trabajo
desarrollado por Stan Ulam y John Von Neumann a finales de
los 40 en el laboratorio de Los lamos, cuando investigaban el
movimiento aleatorio de los neutrones.
QU ES LA SIMULACIN DE MONTE
CARLO?
La simulacin de Monte Carlo es una tcnica
cuantitativa que hace uso de la estadstica y los
ordenadores para imitar, mediante modelos
matemticos, el comportamiento aleatorio de
sistemas reales no dinmicos (por lo general, cuando
se trata de sistemas cuyo estado va cambiando con el
paso del tiempo, se recurre bien a la simulacin de
eventos discretos o bien a la simulacin de sistemas
continuos).
DNDE SE DESARROLLO?
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 tomos en
EE.UU.

El mtodo se llamo as en referencia al Casino


de Monte Carlo (Principado de Mnaco) por
ser La capital del juego de azar, ala 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.
PERMITE QUE:
La simulacin de Monte Carlo es una tcnica que permite
llevar a cabo la valoracin de los proyectos de inversin,
considerando uno o varias de las variables que se utilizan
para la determinacin de los flujos de caja.

La tcnica de la simulacin de Monte Carlo se basa en simular


la realidad a travs del estudio de una muestra que se ha
generado de forma totalmente aleatoria.
GRACIAS