You are on page 1of 14

2DA MONOGRAFA SIMULACIN DE MONTECARLO

1. INTRODUCCIN
Para muchos objetivos que se planteen en la ciencia o en la ingeniera, se deben de
realiza pruebas o experimentos, muchos de los cuales son difciles de llevar a cabo
debido a limitaciones como el costo, transporte, el medio ambiente, etc. Por lo cual
una de las herramientas ms usadas para este tipo de problemas es la
SIMULACIN.
En la presente monografa se resolver un problema con este mtodo y validndolo
con la prueba de Xi-Cuadrado.

2. OBJETIVOS

Aplicar el mtodo de simulacin de Montecarlo para evaluar y comparar los


resultados de las simulaciones y realizar una buena toma de decisiones.

Aplicar la prueba de Xi-Cuadrado para validar nuestra simulacin con un


cierto grado de confianza.

Disear un programa o algoritmo que permita realizar el trabajo asignado


(1000 simulaciones).

3. FUNDAMENTO TERICO
GEOESTADSTICA I FIGMM - UNI

2DA MONOGRAFA SIMULACIN DE MONTECARLO

3.1 HISTOGRAMAS
Es una grfica que da una idea de la forma de la muestra estudiada, indicando
regiones donde los puntos de la muestra se encuentran ms concentrados y las
regiones donde son ms escasos.

A primera vista, los histogramas parecen ser lo mismo que un grfico de barras.
Ambas estructuras emplean barras verticales para representar los datos. La
altura de una barra corresponde a la frecuencia relativa de la cantidad de datos
que hay en una clase, por lo que la barra ms alta, representa a la frecuencia
ms alta de datos y la barra ms baja, la frecuencia ms baja de datos. No
obstante, esto puede seguir pareciendo engaoso, ya que siguen habiendo
similitudes entre ambos tipos de grficos.
La razn de que estos tipos de grficos sean diferentes tiene que ver con el nivel
de medidas de los datos. Por una parte, los grficos de barras son utilizados para
los datos que estn a un nivel nominal de medidas. Estos miden la frecuencia de
los datos categricos, y las clases para un grfico de barras, son estas
categoras. Por otra parte, los histogramas son utilizados por datos que, en
ltimo lugar, cuentan con un nivel ordinal de medida. Las clases para un
histograma son amplios rangos de valores.
Otra diferencia clave entre los grficos de barras y los histogramas tiene que ver
con el orden de las barras. En un grfico de barras es una prctica comn
distribuir las barras en orden de altura decreciente. Sin embargo, las barras
dentro de un histograma, no pueden ser reordenadas. Deben mostrarse tal y
como suceden.
3.1.1

DE FRECUENCIAS RELATIVAS

GEOESTADSTICA I FIGMM - UNI

2DA MONOGRAFA SIMULACIN DE MONTECARLO

Por su parte, un histograma de frecuencia relativa es una modificacin


pequea de un histograma de frecuencia tpico. En lugar de utilizar un
eje vertical con la cantidad de valores de datos que caen en un
compartimento determinado, utilizamos este eje para representa la
proporcin general de valores de datos que caen esa clase. Si el 100% es
igual a 1, todas las barras deben tener una altura de 0 a 1. Por lo tanto,
las alturas de todas las barras de nuestro histograma de frecuencia
relativa deben sumar 1.

3.1.2

DE FRECUENCIAS RELATIVAS ACUMULADAS


En este tipo de histograma, el eje vertical toma los valores acumulados
de las frecuencias relativas en cada intervalo, hasta llegar a 1 o el 100%.

3.2 SISTEMA
GEOESTADSTICA I FIGMM - UNI

2DA MONOGRAFA SIMULACIN DE MONTECARLO

Es una representacin de la realidad, tambin se la define como un conjunto de


partes o elementos organizados, y relacionados que interactan entre s para
lograr un objetivo.

3.3 SIMULACIN DE MONTECARLO


El termino simular involucra el uso de una computadora para imitar (simular) la
operacin de un proceso o de un sistema completo. Es usado ampliamente en el
anlisis de sistemas estocsticos (probabilsticos), que realizaran una operacin
indefinidamente, ya que es demasiado complejo e insuficiente para ser
analizados por mtodos analticos. El mtodo de Montecarlo, es un
procedimiento de modelado que estima parmetros (estocsticos o
determinsticos) con base en un muestreo aleatorio.
3.3.1

Simulacin Discreta
Cuando los cambios en el estado del sistema ocurren de manera
instantnea en puntos aleatorios del tiempo, debido a la ocurrencia de
eventos de tipo discreto.
La mayora de simulaciones son de este tipo.

3.3.2

Simulacin Continua
Cuando los cambios del sistema ocurre continuamente en el tiempo. Se
recurre a ecuaciones diferenciales.
GEOESTADSTICA I FIGMM - UNI

2DA MONOGRAFA SIMULACIN DE MONTECARLO

3.4 GENERACIN DE NUMEROS ALEATORIOS


Son datos generados aleatoriamente por la computadora, a partir de
distribuciones de probabilidad.
Los nmeros aleatorio distribuidos de manera uniforme (0,1) desempean un
papel clave en el muestreo.
Se pueden generar diversos nmeros aleatorios siguiendo una determinada
distribucin de probabilidad: Normal, Exponencial, Poisson, etc.
En el caso que queramos generar datos aleatorios con distribucin Normal,
podemos obtenerlos a partir de una distribucin uniforme (0,1) mediante el
Teorema del Limite Central.
3.5 TEOREMA DEL LMITE CENTRAL
Debido a que el numero aleatorio uniforme posee una distribucin uniforme
entre 0 y 1, se sabe que poseen una media de y una desviacin estndar de
1/ 12 . Entonces el teorema implica que la suma de n nmeros aleatorios
uniformes poseen una distribucin Normal aproximada con media igual a n/2 y
desviacin estndar igual a

n
12 .

Por lo tanto si r1, r2, r3,, rn es una muestra de nmeros aleatorios que poseen
una distribucin uniforme, entonces sea: X~N(,):
n

x=
r i + n2
n i=0
n
12
12

3.6 DISTRIBUCIN JI-CUADRADA (X2)


Es la distribucin muestral de S2, es decir que si se extraen todas las muestras
posibles de una poblacin normal y a cada muestra se le calcula su varianza, se
obtendr la distribucin muestral de varianzas.
Para estimar la varianza poblacional o la desviacin estndar, se necesita
conocer el estadstico X2. Si se elige una muestra de tamao n de una poblacin
2
normal con varianza , el estadstico:

( n1 ) S 2
2
Posee una distribucin muestral que es una distribucin ji-cuadrada con n-1
grados de libertad y se denota por X2:
( n1 ) S2
X 2=
2

GEOESTADSTICA I FIGMM - UNI

2DA MONOGRAFA SIMULACIN DE MONTECARLO

( xx )2

X=
2

4. PLANTEAMIENTO DEL PROBLEMA


Disear un programa para aplicar el mtodo de Montecarlo (simular 1000 datos).
Tiempo de atencin de una pala (en segundos), datos proporcionados en clase porel
Ph.D. Alfredo Marn Suarez:
165

182

199

209

210

220

221

225

228

230

232

236

238

240

245

248

250

251

256

262

266

270

272

277

283

290

298

301

320

338

Hallar los Histogramas y la prueba xi-cuadrado.

GEOESTADSTICA I FIGMM - UNI

2DA MONOGRAFA SIMULACIN DE MONTECARLO

5. SOLUCION DEL PROBLEMA

Realizamos el Histograma de los datos proporcionados:


Intervalo

xi

[165194>
[194223>
[223252>
[252281>
[281310>

179,
5
208,
5
237,
5
266,
5
295,
5
324,
5

[310-339]

Frecuencia

Frecuencia
Acumulada

Frecuencia
Relativa

Frecuencia
Relativa
Acumulada

0,067

0,067

0,167

0,234

11

18

0,367

0,600

24

0,200

0,800

28

0,133

0,934

30

0,067

1,000

Calculamos una funcin polinmica (regresin):

FRECUENCIA ACUMULADA
1.200
1.000

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


R = 1

0.800

FRECUENCIA ACUMULADA
Frecuencia acumulada

0.600

Polynomial (FRECUENCIA
ACUMULADA)

0.400
0.200
0.000
150

250

350

GEOESTADSTICA I FIGMM - UNI

2DA MONOGRAFA SIMULACIN DE MONTECARLO

Seguidamente se invierte la funcin, para obtener X(Y):

TIEMPO DE CARGUIO
350
330
310
290

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


R = 1

270

TIEMPO DE CARGUIO

250

Polynomial (TIEMPO DE
CARGUIO )

230
210
190
170
150
0.000 0.200 0.400 0.600 0.800 1.000 1.200
Frecuencia acumulada

Creamos un algoritmo que transforme los datos aleatorios obtenidos, en datos


siguiendo la distribucin hallada X(Y):

X(frecuencia acumulada).
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

GEOESTADSTICA I FIGMM - UNI

2DA MONOGRAFA SIMULACIN DE MONTECARLO

Generamos los 1000nmeros aleatorios y los convertimos a la distribucin X(Y):

# ALEATORIO

DATO
ALEATORIO

0,003830244

164,17

0,275792412

213,22

0,964112013

309,09

0,035029017

172,19

0,456109745

228,18

0,456344403

228,20

0,980345523

315,25

0,427436351

226,21

0,090372016

184,70

0,834696789

271,41

0,172584248

199,63

0,921316744

294,49

0,430771034

226,45

0,763706231

257,78

0,673378875

245,53

0,374024883

222,27

0,542886932

234,10

0,247610197

209,99

0,01930799

168,24

0,074561285

181,34

0,473626353

229,36

0,208131365

204,89

0,084659276

183,50

0,356844827

220,89
GEOESTADSTICA I FIGMM - UNI

2DA MONOGRAFA SIMULACIN DE MONTECARLO

0,657716588

243,85

0,047386619

175,17

0,492184563

230,60

0,061607123

178,46

0,363174817

221,41

0,292377929

214,96

0,35487502

220,72

0,415216694

225,35

0,817069842

267,63

0,14052831

194,29

0,952618824

304,94

0,366427171

221,67

0,648932728

242,96

0,315805809

217,27

Realizamos el histograma:
MAX valor

322,69

MIN valor

163,35

Media

236,10

ANCHO DE
CLASE

14,4853763

1000

10,966

Frecuenci
a
acumula
da

LIM INF

LIM SUP

Frecuenci
a

170,5926
88

163,35

177,84

58

58

185,0780
64

177,84

192,32

66

124

199,5634
41

192,32

206,81

90

214

214,0488
17

206,81

221,29

125

339

GEOESTADSTICA I FIGMM - UNI

1
0

2DA MONOGRAFA SIMULACIN DE MONTECARLO


228,5341
93

221,29

235,78

215

554

243,0195
7

235,78

250,26

150

704

257,5049
46

250,26

264,75

78

782

271,9903
22

264,75

279,23

60

842

286,4756
98

279,23

293,72

63

905

300,9610
75

293,72

308,20

52

957

315,4464
51

308,20

322,69

43

1000

GEOESTADSTICA I FIGMM - UNI

1
1

2DA MONOGRAFA SIMULACIN DE MONTECARLO

Por ultimo realizamos la prueba xi cuadrado:

VALOR DEL TIEMPO DE


CARGUIO

FRECUENCIA
OBSERVADA

FRECUENCIA
ESPERADA

170,592688

0,058

0,011

185,078064

0,066

0,011

199,563441

0,09

0,011

214,048817

0,125

0,011

228,534193

0,215

0,011

243,01957

0,15

0,011

257,504946

0,078

0,011

271,990322

0,06

0,011

286,475698

0,063

0,011

300,961075

0,052

0,011

315,446451

0,043

0,011

GEOESTADSTICA I FIGMM - UNI

1
2

2DA MONOGRAFA SIMULACIN DE MONTECARLO

Con 10 grados de libertad y con un nivel de confianza del 95%:


X

i=11

Prueba

X 2=

i=1

(oiei )2
ei

( 0.0580.011)2
(0.0660.011)2
(0.0430.011)2
+
++
0.011
0.011
0.011

X 2=8.882
Consultando la tabla de la distribucin xi-cuadrado, se tiene que:
X 2Tabla =18,30703805
Se deduce que el

2
X 2 < X TABLA
, por lo cual se puede concluir que los datos se

encuentran bien simulados.

6. CONCLUSIONES
Los datos simulados se encuentran dentro del nivel de confianza deseado.
El nivel de confianza puede aumentarse para tener una mayor precisin en la
simulacin.
El uso de la simulacin nos permite comparar resultados de un evento que podra
suceder en la realidad, con esto podemos concluir que la simulacin nos ayuda a
tomar decisiones acertadas y confiables.
La prueba de Xi Cuadrado nos ayuda a determinar si un conjunto de valores
simulados son confiables o no, con cierto grado de confianza.
Mientras ms intervalos tengamos, mayor datos sean probados mediante le xi
cuadrado y por lo tanto mayor precisin.
La simulacin puede ser aplicada para varios campos del conocimiento y
especialmente en la ingeniera y claro est en la ingeniera minera.
7. RECOMENDACIONES
Realizar simulaciones con varios intervalos.
Programar en un lenguaje potente.
Tener claro los conceptos estadsticos usados en la simulacin.
GEOESTADSTICA I FIGMM - UNI

1
3

2DA MONOGRAFA SIMULACIN DE MONTECARLO

8. REFERENCIAS
http://comofuncionaque.com/que-son-los-histogramas/
http://www.itchihuahua.edu.mx/academic/industrial/estadistica1/cap03b.ht
ml
F.Hillier. (2010). Introduccin a la Investigacin de Operaciones. (9na
Edicin). Mxico DF. Mxico: Editorial Mc Graw Hill.
Taha, Hamdy A. (2012). Investigacin de Operaciones. (9na Edicin).
Mxico DF. Mxico: Editorial Pearson Educacin.
Navidi, W. (2006). Estadstica para ingenieros y cientficos. Mxico DF.
Mxico: Editorial Mc Graw Hill Interamericana.

GEOESTADSTICA I FIGMM - UNI

1
4