FACULTAD DE INGENIERIA GEOLOGIA, MINERA Y

METALURGICA
ESCUELA DE MINAS

NOMBRE:Osorio Bazan ,Javier

CURSO:Geoestadistica I
TEMA: Mtodo Montecarlo
PROFESOR:Ing. Teves Rojas, Augusto

2013
I. NDICE

MTODO MONTECARLO
Introduccin2

Objetivos3

Marco terico.3

Parte de programacin..7

Graficas.10

Conclusiones..14

Bibliografa.15

MTODO MONTECARLO

II. INTRODUCCIN

El mtodo fue llamado as por el principado de Mnaco por ser la capital del juego
de azar, al tomar una ruleta como un generador simple de nmeros aleatorios. El
nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan
aproximadamente de 1944 con el desarrollo de la computadora electrnica. Sin
embargo hay varias instancias (aisladas y no desarrolladas) en muchas ocasiones
anteriores a 1944.
El uso real de los mtodos de Monte Carlo como una herramienta de investigacin,
viene del trabajo de la bomba atmica durante la Segunda Guerra Mundial. Este
trabajo involucraba la simulacin directa de problemas probabilsticos de
hidrodinmica concernientes a la difusin de neutrones aleatorios en material de
fusin.
An en la primera etapa de estas investigaciones, John von Neumann esta curiosa
Ruleta rusa y los mtodos de divisin. Sin embargo, el desarrollo sistemtico de
estas ideas tuvo que esperar el trabajo de Harris y Herman Kahn en 1948.
Aproximadamente en el mismo ao, Fermi, Metropolos y Ulam obtuvieron
estimadores para los valores caractersticos de la ecuacin de Schrdinger para la
captura de neutrones a nivel nuclear.

III. OBJETIVOS
2

MTODO MONTECARLO
Introducir los conceptos e ideas clave de la simulacin Monte Carlo.
Introducirse en las capacidades que ofrece Excel en los campos de modelado y
simulacin.
Conocer algunas aplicaciones de la simulacin Monte Carlo.

IV. MARCO TERICO

MTODO DE MONTECARLO
El mtodo de Montecarlo permite resolver problemas matemticos mediante la
simulacin de variables aleatorias.
John Von Neumann, en los aos 40 y con los primeros ordenadores, aplica la
simulacin para resolver problemas complejos que no podan ser resueltos de
forma analtica.
Montecarlo y su casino estn relacionados con la simulacin. La ruleta, juego
estrella de los casinos, es uno de los aparatos mecnicos mas sencillos que nos
permiten obtener nmeros aleatorios para simular variables aleatorias.
VARIABLE ALEATORIA DISCRETA
Para simular la ruleta situada a la derecha de la figura, se procede del siguiente
modo: se hallan las probabilidades de cada resultado, proporcionales al ngulo de
cada sector y se apuntan en la segunda columna, la suma total debe de dar la
unidad. En la tercera columna, se escriben las probabilidades acumuladas.
Resultado

Probabilidad P. acumulada

0.25

0.25

0.5

0.75

0.125

0.875

MTODO MONTECARLO
3

0.125

Se sortea un nmero aleatorio uniformemente distribuido en el intervalo [0, 1),

el resultado del sorteo se muestra en la figura. En el eje X se sitan los distintos
resultados que hemos nombrado x0, x1, x2, x3 . En el eje vertical las probabilidades
en forma de segmentos verticales de longitud igual a la probabilidad pi de cada uno
de los resultados, dichos segmentos se ponen unos a continuacin de los otros,
encima su respectivo resultado xi. Se obtiene as una funcin escalonada. Cuando
se sortea una variable aleatoria , se traza una recta horizontal cuya ordenada sea
. Se busca el resultado cuya abscisa sea la interseccin de dicha recta horizontal
y del segmento vertical, tal como se seala con flechas en la figura. Si el nmero
aleatorio est comprendido entre 0.25 y 0.75 se obtiene el resultado
denominadox1.

La tabla describe el sorteo de una variable discreta, siendo una variable

aleatoria uniformenentedistribuda en el intervalo [0,1).
Condicin

Resultado

0<=<0.25

0.25<=<0.75

0.75<=<0.875

0.875<=<1

MTODO MONTECARLO

Una vez visto un caso particular, el problema general puede formularse del
siguiente modo:
Si X es una variable aleatoria discreta cuyos posible resultados son { x0, x1, x2 , ...

xn-1} y sean {p0, p1, p2, ... pn} sus respectivas probabilidades. Al sortear un nmero
aleatorio , uniformemente distribuido en el intervalo [0, 1), se obtiene el
resultado xi, si se verifica la siguiente condicin
j=0i1pj<j=0ipj

VARIABLE ALEATORIA CONTINUA

Comprendido el concepto de transformacin de una variable discreta, y el
procedimiento para obtener un resultado cuando se efecta el sorteo de una
variable aleatoria uniformemente distribuida, no reviste dificultad el estudio de la
variable continua. Si X es una variable aleatoria continua, y p(x) es la probabilidad
de cada resultado x, construimos la funcin que se representa en la figura.
El resultado del sorteo de una variable uniformemente distribuida en el intervalo
[0 ,1) se obtiene a partir de la ecuacin.
Grficamente, se obtiene trazando una recta horizontal de ordenada . La
abscisa x del punto de corte con la funcin es el resultado obtenido. En la figura
se seala mediante flechas.

MTODO MONTECARLO
Un ejemplo sencillo es la transformacin de una variable aleatoria que est
uniformemente distribuida en el intervalo [a, b) si
Integrando (2) obtenemos la funcin
que es una lnea recta, que vale cero cuando x=a, y uno cuando x=b, tal como puede
verse en la figura inferior. Utilizando la frmula (3) de la transformacin de la
variable aleatoria continua y despejando x, se obtiene

Generador de nmeros aleatorios

Existen varias frmulas para obtener una secuencia de nmeros aleatorios, una de
las ms sencillas es la denominada frmula de congruencia: se trata de una frmula
iterativa, en la que el resultado de una iteracin se utiliza en la siguiente.
x=(a*x+c)%m

V. PARTE DE PROGRAMACIN
Tiempos de carguo de una pala en (s).(brindadas por el Doctor Marin)

165
182
6

TIEMPOS DE CARGUO (S)

220
232
248
221
236
250

266
270

290
298

MTODO MONTECARLO
199
209
210

225
228
230

238
240
245

251
256
262

272
277
283

301
320
338

RECORDAR
Intervalo de clase
Los intervalos
las variables toman

de

clase se

un nmero

la variable

emplean

grande

de

es
A

valores o
continua .

Se agrupan los valores en intervalos que

amplitud denominados clases.

si

tengan

cada clase se

la mism a
le

asigna

su frecuencia correspondiente .
La regla de Sturges , propuesta por Herbert Sturg es en
1926, es una regla prctica acerca del nmero de clases que
deben considerar al elaborarse un histog rama.
Este nmero viene dado por la siguiente expresin:
, donde N es el tamao de la muestra.
Que puede pasarse a logartmo base 10 de la siguiente
forma:

El valor de "c" (nmero de clases) es comn redondearlo al

entero ms cercano.
En

los

tiempos

de

carguo

muestras: C=1+3.322*log30=5.91
intervalos de clase

se
se

tomaron

aproxima

30
C=6

MTODO MONTECARLO
Lmites de la clase
Cada clase est delimitada por el lmite inferior de la
clase y el lmite superior de la clase . Li; Ls

Amplitud de la clase
La amplitud de la clase es la diferencia entre el lmite
superior e infe rior de la clase. Wi = Ls- Li

Marca de clase
La marca de clase es el punto medio de cada intervalo y
es

el valor que

representa

todo

el intervalo

para

el clculo de algunos parmetros . Xi=Wi/2.

Intervalos de

Xi

fi

Fi

hi

Hi

[165 - 194>

179.5

0.066667

0.067

[194 - 223>

208.5

0.166667

0.233

[223 - 252>

237.5

11

18

0.366667

0.600

[252 - 281>

266.5

24

0.200000

0.800

[281 - 310>

295.5

28

0.133333

0.933

[310 - 339]

324.5

30

0.066667

1.000

Clase

VI. GRAFICAS

MTODO MONTECARLO
HISTOGRAMA
12
10
8
FRECUENCIA ABSOLUTA

6
4
2
0

179.5 208.5 237.5 266.5 295.5 324.5

TIEMPOS DE CARGUIO

FRECUENCIAS RELATIVAS ACUMULADAS

1.00
0.90
0.80
0.70
0.60
0.50
FRECUENCIA RELATIVA ACUMULADAS 0.40
0.30
0.20
0.10
0.00

TIEMPOS DE CARGUOS

Ahora invertimos los ejes para ajustar la grafica por el mtodo

de Montecarlo.
9

MTODO MONTECARLO

MONTECARLO
350
300 f(x) = 102.69x^4 + 164.9x^3 - 378.94x^2 + 271.38x + 163.14
R = 1
250
200
TIEMPOS DE CARGUIO

150
100
50
0
0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00
FRECUENCIA RELATIVA ACUMULADA

Luego generamos los 1000 datos aleatorios entre 0 y 1 y lo

reemplazamos en la regla de correspondencia:
y = 102.6x4 + 164.9x3 - 378.9x2 + 271.3x + 163.1

10

X= Nmeros Aleatorios

Y= Tiempos de Carguo Generados

0.00574713
0.01264368
0.00689655
0.00459770
0.00229885
0.00308166
0.35030788
0.54079330
0.98245960
0.05559301

164.64671195
166.46999386
164.95306739
164.33936288
163.72167779
163.93246205
220.27541057
233.86104899
315.87952213
177.04067494

MTODO MONTECARLO
0.32929581
0.96637833
0.86805803
0.16173720
0.97204489
0.40458620
0.04258752
0.95302910
0.09102809
0.25655991
0.45887804
0.44268292
0.65649045
0.70690137
0.91766810
0.88686937

218.44621319
309.73102212
279.21146828
197.83556612
311.85706389
224.51198906
173.97985864
304.89252336
184.78773687
210.99366026
228.29175959
227.19310437
243.62075758
249.41276313
293.17733842
284.18819564

0.23329985
0.73086768
0.08258557
0.18166775
0.35921371
0.58969837
0.04637671
0.91944474
0.50843155
0.30439836
0.66521621
0.56089723
0.29763609

208.16906076
252.64159927
183.01888026
200.98198747
221.01506406
237.54699269
174.88398535
293.72932321
231.61988719
216.10691463
244.53704251
235.32082815
215.43601811

Comprobando graficamos todos los puntos randu y lo evaluamos

en su regla de correspondencia y observamos la misma grafica
obtenida por el mtodo Montecarlo.
11

MTODO MONTECARLO

Chart Title
350
300= 102.6x^4 + 164.9x^3 - 378.9x^2 + 271.3x + 163.1
f(x)
R
=1
250
200
Axis Title 150
100
50
0
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Axis Title

12

MTODO MONTECARLO

VII. CONCLUSIONES

El mtodo Montecarlo es utilizable para cualquier tipo de distribucin de los

datos aleatorios y no necesariamente lognormal o normal.

Cuando se hacen algunas simulaciones es muy difcil modelar diferentes

combinaciones de valores de entrada, pero al utilizar la simulacin de
Montecarlo se puede ver qu valores tiene exactamente cada variable, al
igual que se puede relacionar distintas variables de entrada para averiguar
con certeza porque ciertos valores tienen cambios repentinos
paralelamente.

Una ventaja de la simulacin de Montecarlo seria sobre los resultados

probabilsticos y grficos ya que, con los probabilsticos muestran lo que
puede suceder y que tan probable es que suceda un resultado, con los
grficos cuando los datos son generados por Montecarlo se hace fcil crear
grficas para observar cuales son las posibilidades de que algo suceda.

Una desventaja es: al tener un modelo de simulacin las salidas producidas

es aleatorias y deben ser tratadas como lo que son, es decir como una
estimacin solamente, tambin que al suponer valores para realizar la
simulacin el sistema puede ser muy poco realista.

Tambin podemos destacar como desventaja que si son modelos de

simulacin muy complejos pueden requerir mucho tiempo para construirlos.

13

MTODO MONTECARLO

VIII. BIBLIOGRAFA

Ctedra dictada por Doctor Marn en la UNI, cuso

geoestadistica.
Metodo Montecarlo:
http://www.sc.ehu.es/sbweb/fisica_//numerico/montecarlo/mon
tecarlo.html.
Histograma http://es.wikipedia.org/wiki/Histograma

14