UNIVERSIDAD ALAS PERUANAS

FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA DE MINAS

CURSO: GEOESTADÍSTICA I

DOCENTE DEL CURSO

ING. KROVER W. LAZARTE PONCE

Ing. Krover W. Lazarte P. 1

 4. CONTENIDO ANALÍTICO

SEMANA 5
CAPITULO III: ANALISIS DE DATOS Y VARIOGRAFIA
3.1 Análisis de datos mediante histogramas. Construcción de histogramas
experimentales.
3.2 Modelado de Histogramas: Distribución Normal. Distribución
Lognormal. Distribución exponencial. etc.
SEMANA 6
3.3 Simulaciones de distribuciones: Teorema del límite central. Método
de la transformada inversa. Método de Montecarlo.

Ing. Krover W. Lazarte P. 2

 3.3 Simulaciones de distribuciones:
En una simulación, tomamos una muestra de n números aleatorios y los
promediamos.

Se repite este proceso muchísimas veces (“quizás cien mil veces”),

registrando el promedio observado cada vez que se realiza la simulación.

Como resultado, tendríamos a su vez una muestra muy grande de

promedios muéstrales, lo cual nos permitiría ver, mediante un histograma
por ejemplo, cuál es la distribución de ese promedio.

Ing. Krover W. Lazarte P. 3

 Ejemplo de Simulación: Histograma – Distribución Promedio

En la siguiente animación, podrán

ver la distribución del promedio
muestral a medida que el tamaño de
la muestra varía de n=1 hasta
n=100. Para n=1, el histograma del
promedio es como el de una
distribución exponencial y no se
parece en nada a la forma
acampanada de la normal. Sin
embargo, a medida que n aumenta,
la distribución del promedio se va
haciendo rápidamente más
"normal".
Según el Teorema del Límite Central, la distribución del promedio
debería ser normal si n es lo suficientemente grande.
Ing. Krover W. Lazarte P. 4
 Teorema del Límite Central (TLC):
El Teorema del Central Límite establece que la suma de toda secuencia de
variables aleatorias independientes e idénticamente distribuidas con media
y varianza finitas es asintóticamente normal.
Sea X una V.A. cualquiera de media μ y desviación típica σ , entonces:
Si el tamaño muestral n es “suficientemente grande” (en la práctica suele
valer n>30), la distribución de las medias muestrales se aproxima a la de
una normal con los siguientes parámetros.
N = Normal
 = media
x = Normal ( mu, sigma / (n)^1/2 )  = Desviación típica
n = Numero de muestras
La importancia del TLC radica en que sea cuál sea la distribución de la
población original (V.A. X), conforme el tamaño de las muestras ( n )
aumenta, la distribución de las medias se va aproximando a la de una
normal.
Ing. Krover W. Lazarte P. 5
 Teorema del Límite Central (TLC):
Teoremas mas importante de la estadística:
Supongamos que tenemos una población y los elementos por los puntos
azules.
Suponemos que no se conoce la distribución de la población, pero asumimos
que conocemos su Media Se conoce su media  y su varianza 2
1 N Se toma una muestra formada con los elementos X1,
X1
X2 X2, X3, … Xn y calculamos el estadístico X1 o media
Población
.
. muestral 1 si este procedimiento lo repetimos k veces so
.
xn obtine un conjunto de Xk muestras muestrales y el TLC
nos garantiza un patrón de comportamiento de estas
medias muestrales siempre en cuando se cumpla una
condición n suficientemente grande, el patrón de
distribución o la distribución de esas medias muestrales
es la distribución normal con media  y con varianza 2

,
2
Ing. Krover W. Lazarte P. 6
 Teorema del Límite Central (TLC):
Para destacar el limite central hay 3 cosas importantes:
1. Sin importar la distribución el teorema me garantiza que la distribución de medias
muestrales tienen distribución normal.
2. La media de esa distribución de las medias muestrales coinciden con la media de la
población. Ósea toda las medias muestrales se están centrando en el valor de interés.
3. La varianza de la distribución de las media muestrales esta relacionada con la varianza
de la población por medio de la expresión 2/n y otra cosa adicional importante es
que a media que n aumenta esta variabilidad disminuye y eso hace que la medias
muestrales este mucho mas concentrada alrededor de 

Y la condición n que sea suficiente mente grande. Normalmente en la literatura n tiene

que ser n > = 30

Ing. Krover W. Lazarte P. 7

 Teorema del Límite Central (TLC): Ejemplo

Así, si la población tiene una

distribución de probabilidad
normal, entonces, para cualquier
tamaño de muestra la distribución
del muestreo de la media también
tendrá una distribución normal. Si
la distribución de la población es
simétrica (pero no normal), se
verá que surge la forma normal
como lo establece el TLC aún con
muestras de al menos 30 para
observar las características de
Un ejemplo gráfico que muestra el
normalidad. Teorema Central del Límite,

Ing. Krover W. Lazarte P. 8

 Teorema del Límite Central (TLC): Ejemplo
Ejemplo: Nuevamente, cambiando los datos veremos cómo la distribución
resultante se va aproximando a una distribución normal:

Ing. Krover W. Lazarte P. 9

 Teorema del Límite Central (TLC): Cont...
En otras palabras, la distribución del promedio de un conjunto de variables
aleatorias depende tanto de la cantidad de variables aleatorias
promediadas como de la incertidumbre aportada por cada variable.

 La suma de n variables aleatorias independientes da como resultado

una distribución aproximadamente Normal, sin importar la forma de la
distribución de las variables sumadas.

 El producto de n variables aleatorias independientes da como resultado

una distribución aproximadamente Lognormal, independientemente
de la forma de la distribución de las variables intervinientes.

Ing. Krover W. Lazarte P. 10

 Teorema del Límite Central (TLC): Cont...
Si X1, X2, … , Xn son variables aleatorias (discretas o continuas) independientes, con
idéntico modelo de probabilidad, de valor medio  y de varianza 2, entonces la
distribución de la variable es:

Se aproxima a la de una normal tipificada N(0,1), mejorándose la calidad de la

aproximación a medida que n aumenta
Este resultado prueba que el estadístico o estimador media muestreal

Se distribuye aproximadamente como una variable

O, de manera equivalente, que

Se distribuye aproximadamente como una variable N(0,1)

Ing. Krover W. Lazarte P. 11

 Método Transformada Inversa (MTI):
.•

Ing. Krover W. Lazarte P. 12

 Método Transformada Inversa (MTI):
•.

Ing. Krover W. Lazarte P. 13

 Método Transformada Inversa (MTI):
Generación de variable aleatoria no-uniforme.
Forma grafica del Método de la Transformada Inversa

Ing. Krover W. Lazarte P. 14

 Método Transformada Inversa (MTI):
•.

Ing. Krover W. Lazarte P. 15

 Método Transformada Inversa (MTI):
•.
Hallar la función de distribución acumulada F(x).
Igualar la FDA a R
Resolver la ecuación F(x)=R en términos de x

Función generadora de
variables aleatorias para la
Distribución Exponencial
Ing. Krover W. Lazarte P. 16
 Método Transformada Inversa (MTI):
Distribución uniforme.
Pero si R sigue una distribución uniforme, entonces 1-R también sigue esta
distribución uniforme. Por consiguiente.

Ing. Krover W. Lazarte P. 17

 Similitud del MTI con el Método de Convolución
Método de la transformada Método de Convolución Similitudes
inversa.
Simula variables de tipo Simula variables de tipo aleatorio Utilizan números
aleatorio o Exponencial, Erlang, normal, binomial y de aleatorios.
Weibull, uniforme general, Poisson.
Generan variables en
Bernoulle.
Se genera a partir de la suma de distribucunes: Poisson,
Se genera a partir de una dos o mas variables aleatorias Binomial.
Función de densidad: f(x). independientes.
Se utiliza si la función es
Se genera a partir de números Se genera siempre y cuando la invertible.
pseudo-aleatorios ri = U (0,1). variable aleatoria x se pueda
Se hace uso de números
expresar como una combinación
Iguala la función F(x) al numero aleatorios entre 0 y 1
lineal de K variables aleatorias .
aleatorio ri. para generar variables
X=b1x1+b2x2+…+bkxk
aleatorias con otro tipo
Encontrar la transformada
Se necesita generar k números de distribución.
inversa y despejando x se
aleatorios (u1, u2, … , uk) para
obtiene la variable aleatoria.
generar (x1, x2, … , xk) variables
aleatorias.

Ing. Krover W. Lazarte P. 18

 Método de Monte Carlo (MMC):
Definición:
La simulación de Monte Carlo es una técnica cuantitativa que hace uso de
la estadística y los ordenadores para imitar, mediante modelos
matemáticos, el comportamiento aleatorio de sistemas reales no
dinámicos (por lo general, cuando se treta de sistemas cuyo estado va
cambiando con el paso del tiempo, se recurre bien a la simulación de
eventos discretos o bien a simulación de sistemas continuos.

El método MC es un método no determinístico o estocástico

(probabilístico) numérico usado para aproximar expresiones matemáticas
complejas y costosas de evaluar con exactitud.

Ing. Krover W. Lazarte P. 19

 Método de Monte Carlo (MMC):
Orígenes:
Se atribuye a Stanislaw Ulam, matemático polaco que trabajo para John
Von Neumann en el proyecto Manhattan durante la segunda guerra
mundial y contribuyo junto con Edward Teller en el diseño de la bomba de
Hidrogeno en 1951.

Ulam no inventó el muestreo estadístico, pero reconoció la el potencial de

los computadores electrónicos para automatizar el proceso. Trabajando
con John Von Neuman y Nicholas Metropolis, desarrollo algoritmos de
implementación y exploró formas de convertir problemas no aleatorios en
formas aleatorias para ser solucionados vía muestreo estadístico.

Ulam y Metropolis publican el primer paper en 1949.

Ing. Krover W. Lazarte P. 20

 Método de Monte Carlo (MMC):
El método MC proporciona soluciones aproximadas a una gran variedad de
problemas matemáticos posibilitando la realización de experimentos con
muestreos pseudoaleatorios en una computadora.

El método es aplicable en cualquier tipo de problema, ya sea estocástico o

determinista.

A diferencia de los métodos numéricos que se basan en evaluaciones en M

puntos en un espacio N - dimensiones para producir una solución
aproximada, el método de Monte Carlo tiene un error absoluto de la
estimación que decrece como en virtud del teorema del limite central.

Ing. Krover W. Lazarte P. 21

 Método de Monte Carlo (MMC):
¿Que es la simulación Monte Carlo?

 Método computacional usado para estudiar el comportamiento de

sistemas matemáticos, físicos o de cualquier índole, a partir del uso de
muestreo estadístico, números aleatorios y pseudo-aleatorios.

 Es iterativo -> requiere cálculos por computador.

 Las técnicas de Monte Carlo pueden ser usadas para encontrar

soluciones aproximadas a problemas cuantitativos, con o sin
incertidumbre.

Ing. Krover W. Lazarte P. 22

 Método de Monte Carlo (MMC):
Simulación Monte Carlo.
1. Diseñar el modelo matemático que representa el problema.
2. Especificar distribuciones de probabilidad para las variables
aleatorias relevantes.
3. Incluir posibles dependencias entre variables.
4. Muestrear valores de las variables aleatorias.
5. Calcular el resultado del modelo según los valores del muestreo y
registrar el resultado.
6. Repetir el proceso iterativamente hasta tener una muestra
estadísticamente representativa.
7. Obtener la distribución de frecuencias del resultado de las
iteraciones.
8. Calcular media, mediana, desviación estándar y curva de percentiles
acumulados.
Ing. Krover W. Lazarte P. 23
 Método de Monte Carlo (MMC):
Caso una sola variable.
El método de Monte Carlo es una técnica numérica para calcular probabilidades y
otras cantidades relacionadas, utilizando secuencias de números aleatorios.
Para el caso de una sola variable el procedimiento es la siguiente:
 Generar una serie de números aleatorios, r1, r2,…,rm, uniformemente
distribuidos en [0,1]
 Usar esta secuencia para producir otra secuencia, x1, x2,…,xm, distribuida de
acuerdo a la PDF en la que estamos interesados.
 Usar la secuencia de valores x para estimar alguna propiedad de f(x). Los
valores de x pueden tratarse como medidas simuladas y a partir de ellos puede
estimarse la probabilidad de que los x tomen valores en una cierta región.
Formalmente un cálculo MMC no es otra cosa que una integración.
En general, para integrales unidimensionales pueden usarse otros métodos numéricos
más optimizados. El método MC es, sin embargo muy útil para integraciones
multidimensionales

Ing. Krover W. Lazarte P. 24

 Método de Monte Carlo (MMC):
Simulación Monte Carlo en Excel

Ing. Krover W. Lazarte P. 25

 Método de Monte Carlo (MMC):
Hojas de calculo para Simulación MMC
La potencia de las hojas de cálculo reside en su universalidad, en su
facilidad de uso, en su capacidad para recalcular valores y, sobre todo, en
las posibilidades que ofrece con respecto al análisis de escenarios (“what-if
anaylisis”).

Las últimas versiones de Excel incorporan, además, un lenguaje de

programación propio, el “Visual Basic for Applications” --- permite crear
autenticas aplicaciones de simulación destinadas al usuario.

En el mercado existen de hecho varios complementos de Excel (Add-Ins)

específicamente diseñados para realizar simulación MC, siendo los más
conocidos: @Risk, Crystall Ball, Insight.xla, SimTools.xla, etc.

Ing. Krover W. Lazarte P. 26

 Método de Monte Carlo (MMC):
Función Aleatorio:
La función ALEATORIO() de Excel.
En Excel, es posible obtener un número pseudo-aleatorio -proveniente de
una distribución uniforme entre el 0 y el 1 usando la función ALEATORIO:

Tiene dos propiedades:

1. Cada vez que se usa la función ALEATORIO, cualquier número real entre 0 y 1 tiene la
misma probabilidad de ser generado (de ahí el nombre de distribución uniforme).
2. Los diferentes números generados son estadísticamente independientes unos de otros
(es decir, el valor del número generado en un momento dado no depende de los
generados con anterioridad).

Ing. Krover W. Lazarte P. 27

Ciencia Tecnologia y Medio Ambiente

Para uso restringido para KL. Todos los derechos reservados. Ninguna
parte de esta presentación puede ser reproducida o utilizada en ninguna
forma o por ningún medio sin permiso explícito de Krover Lazarte.