METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

CAPITULO8.INTRODUCCIONALMTODODE SIMULACINMONTECARLO
ObjetivosdelCaptulo
IntroducirlosconceptoseideasclavedelasimulacinMonteCarlo. Introducirse en las capacidades que ofrece Excel en los campos de modelado y simulacin. ConoceralgunasaplicacionesdelasimulacinMonteCarlo.

8.0Introduccin
BajoelnombredeMtodoMonteCarlooSimulacinMonteCarloseagrupanunaseriede procedimientos que analizan distribuciones de variables aleatorias usando simulacin de nmerosaleatorios. El Mtodo de Monte Carlo da solucin a una gran variedad de problemas matemticos haciendo experimentos con muestreos estadsticos en una computadora. El mtodo es aplicableacualquiertipodeproblema,yaseaestocsticoodeterminstico. Generalmente en estadstica los modelos aleatorios se usan para simular fenmenos que poseenalgncomponentealeatorio.PeroenelmtodoMonteCarlo,porotrolado,elobjeto delainvestigacineselobjetoensmismo,unsucesoaleatorioopseudoaleatorioseusa paraestudiarelmodelo. AveceslaaplicacindelmtodoMonteCarloseusaparaanalizarproblemasquenotienen uncomponentealeatorioexplcito;enestoscasosunparmetrodeterministadelproblema seexpresacomounadistribucinaleatoriaysesimuladichadistribucin.Unejemplosera elfamosoproblemadelasAgujasdeBufn. La simulacin de Monte Carlo tambin fue creada para resolver integrales que no se pueden resolver por mtodos analticos, para solucionar estas integrales se usaron nmeros aleatorios. Posteriormente se utiliz para cualquier esquema que emplee nmeros aleatorios, usando variables aleatorias con distribuciones de probabilidad conocidas,elcualesusadopararesolverciertosproblemasestocsticosydeterminsticos, dondeeltiemponojuegaunpapelimportante. LasimulacindeMonteCarloesunatcnicaquecombinaconceptosestadsticos(muestreo aleatorio) con la capacidad que tienen los ordenadores para generar nmeros pseudo aleatoriosyautomatizarclculos.

Compilacin: Ybnias El Grijalva Yauri

232

CAPITULO8.INTRODUCCIONALMTODODESIMULACINMONTECARLO

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

8.1IniciosdelMtododeMonteCarlo
El mtodo fue llamado as por el principado de Mnaco por ser ``la capital del juego de azar'',altomarunaruletacomoungeneradorsimpledenmerosaleatorios.Elnombreyel desarrollosistemticodelosmtodosdeMonteCarlodatanaproximadamentede1944con el desarrollo de la computadora. Sin embargo hay varias instancias (aisladas y no desarrolladas)enmuchasocasionesanterioresa1944. El uso real de los mtodos de Monte Carlo como una herramienta de investigacin, provienedeltrabajodelabombaatmicadurantelaSegundaGuerraMundial.Estetrabajo involucraba la simulacin directa de problemas probabilsticos de hidrodinmica concernientesaladifusindeneutronesaleatoriosenmaterialdefusin. An en la primera etapa de estas investigaciones, John von Neumann y Stanislao Ulam refinaronestacuriosa``Ruletarusa''ylosmtodos``dedivisin''.Sinembargo,eldesarrollo sistemticodeestasideastuvoqueesperareltrabajodeHarrisyHermanKahnen1948. Aproximadamente en el mismo ao, Fermi, Metropolos y Ulam obtuvieron estimadores paralosvalorescaractersticosdelaecuacindeSchrdingerparalacapturadeneutrones anivelnuclear. Alrededor de 1970, los desarrollos tericos en complejidad computacional comienzan a proveer mayor precisin y relacin para el empleo del mtodo Monte Carlo. La teora identifica una clase de problemas para los cuales el tiempo necesario para evaluar la solucin exacta al problema crece con la clase, al menos exponencialmente con M. La cuestin a ser resuelta era si MC pudiese o no estimar la solucin al problema de tipo intratableconunaadecuacinestadsticaacotadaaunacomplejidadtemporalpolinomial enM.Karp(1985)muestraestapropiedadparaestimarenunaredplanamultiterminalcon arcosfallidosaleatorios.Dyer(1989)utilizaMCparaestimarelvolumendeunconvexbody enelespacioEuclidianoMdimensional.Broder(1986),JerrumySinclair(1988)establecen lapropiedadparaestimarlapersistenciadeunamatrizoenformaequivalente,elnmero dematchingperfectosenungrafobipartito. LosorgenesdeestatcnicaestnligadosaltrabajodesarrolladoporStanUlamyJohnVon Neumann a finales de los 40 en el laboratorio de Los Alamos, cuando investigaban el movimientoaleatoriodelosneutrones.Enaosposteriores,lasimulacindeMonteCarlo se ha venido aplicando a una infinidad de mbitos como alternativa a los modelos matemticos exactos o incluso como nico medio de estimar soluciones para problemas complejos.As,enlaactualidadesposibleencontrarmodelosquehacenusodesimulacin MC en las reas informtica, empresarial, econmica, industrial e incluso social. En otras palabras,lasimulacindeMonteCarloestpresenteentodosaquellosmbitosenlosque el comportamiento aleatorio o probabilstico desempea un papel fundamental precisamente,elnombredeMonteCarloprovienedelafamosaciudaddeMnaco,donde abundan los casinos de juego y donde el azar, la probabilidad y el comportamiento aleatorioconformantodounestilodevida.
Compilacin: Ybnias El Grijalva Yauri

233

8.1IniciosdelMtododeMonteCarlo

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

Son muchos los autores que han apostado por utilizar hojas de clculo para realizar simulacin MC. La potencia de las hojas de clculo reside en su universalidad, en su facilidaddeuso,ensucapacidadpararecalcularvaloresy,sobretodo,enlasposibilidades queofrececonrespectoalanlisisdeescenarios(whatifanalysis).Lasltimasversiones de Excel incorporan, adems, un lenguaje de programacin propio, el Visual Basic for Applications,conelcualesposiblecrearautnticasaplicacionesdesimulacindestinadas al usuario final. En elmercado existen de hecho varioscomplementos de Excel (AddIns) especficamentediseadospararealizarsimulacinMC,siendolosmsconocidos:@Risk, CrystallBall,Insight.xla,SimTools.xla,etc..

8.2Simulacin:MtodoMonteCarlo
Simulacin: es el proceso de disear y desarrollar un modelo computarizado de un sistemaoprocesoyconducirexperimentosconestemodeloconelpropsitodeentender elcomportamientodelsistemaoevaluarvariasestrategiasconlascualessepuedeoperar elsistema. Modelo de simulacin: conjunto de hiptesis acerca del funcionamiento del sistemaexpresadocomorelacionesmatemticasy/olgicasentreloselementosdel sistema. Proceso de simulacin: ejecucindelmodeloatravsdeltiempoenunordenador paragenerarmuestrasrepresentativasdelcomportamiento.

8.2.1Mtodosdesimulacin
Simulacin continua: Los estados del sistema cambian continuamente su valor. Estassimulacionessemodelangeneralmenteconecuacionesdiferenciales. Simulacinporeventosdiscretos:Sedefineelmodelocuyocomportamientovara en instantes del tiempo dados. Los momentos en los que se producen los cambios sonlosqueseidentificancomoloseventosdelsistemaosimulacin. Simulacin por autmatas celulares: Se aplica a casos complejos, en los que se dividealcomportamientodelsistemaensubsistemasmspequeosdenominadas clulas. El resultado de la simulacin est dado por la interaccin de las diversas clulas. Simulacin estadstica o Monte Carlo:Estbasadaenelmuestreosistemticode variablesaleatorias.

8.2.2Etapasdelprocesodesimulacin
Definicin,descripcindelproblema.Plan.
Compilacin: Ybnias El Grijalva Yauri

234

8.2Simulacin:MtodoMonteCarlo

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

Formulacindelmodelo. Programacin. VerificacinyValidacindelmodelo. Diseodeexperimentosyplandecorridas. Anlisisderesultados

8.2.3Diagramadeflujodelmodelodesimulacin

8.3Algoritmos
ElalgoritmodeSimulacinMonteCarloCrudooPuroestfundamentadoenlageneracin de nmeros aleatorios por el mtodo de Transformacin Inversa, el cual se basa en las distribucionesacumuladasdefrecuencias: Determinarla/sVariableAleatoriaysusdistribucionesacumuladas(F) Iterartantasvecescomomuestrasnecesitamos o Generarunnmeroaleatorio o Uniforme (0,1). o DeterminarelvalordelaV.A.paraelnmeroaleatoriogeneradodeacuerdo alasclasesquetengamos. Calcularmedia,desviacinestndarerroryrealizarelhistograma. Analizarresultadosparadistintostamaosdemuestra. OtraopcinparatrabajarconMonteCarlo,cuandolavariablealeatorianoesdirectamente elresultadodelasimulacinotenemosrelacionesentrevariableseslasiguiente:
Compilacin: Ybnias El Grijalva Yauri

235

8.3Algoritmos

METOD DOSCUAN NTITATIV VOSPARA ALOSNE EGOCIOS

2009

Disearelmodelolg gicodedec cisin rdistribuci ionesdepr robabilidad dparalasva ariablesale eatoriasrel levantes. Especificar Incluirpos siblesdependenciasentrevariab bles. Muestrearvaloresde elasvariablesaleatori ias. e resultado o del mod delo segn n los valor res del mu uestreo (it teracin) y y Calcular el registrarelresultado o procesoha astateneru unamuestraestadstic camentere epresentativa Repetirelp Obtenerladistribuci ndefrecu uenciasdelresultadod delasitera aciones Calcularm media,desv o. Analizarlo osresultado os

incipales ca aracterstic cas a tener r en cuenta a para la im mplementa acin o utilizacin del l Las pri algoritm moson: Elsistemadebeserd descriptopo or1omsfuncionesdedistribu ucindepr robabilidad d (fdp) Generador r de nme eros aleato orios: como o se gener ran los n meros ale eatorios es s importante eparaevita arqueseproduzcaco orrelacine entrelosva aloresmuestrales. Establecer rlmitesyr reglasdem muestreopa aralasfdp:conocemo osquevalor respueden n adoptarlas svariables. Definir Sco oring: Cua ando un va alor aleatorio tiene o o no sentid do para el l modelo a a simular. n Error: Co on que err ror trabajam mos, cuant to error po odemos ac ceptar para a Estimacin queunaco orridaseav vlida? dereduccindevarian nza. Tcnicasd cin y vectorizacin: : En aplica aciones con n muchas variables se estudia a Paralelizac trabajarco onvariospr rocesadore esparalelos sparareali izarlasimu ulacin. lo Ejempl uiente dist tribucin de d probabilidades para una d demanda aleatoria a y y Tenemos la sigu mosverque esucedeco onelprome ediodelad demandaen nvariasiteraciones: querem
Demanda a
0.4
0.4 0.3 0.2 0.1 0
42 45 48 51 54

0.2 0.1

0.2 0.1

Compilac cin: Ybnias El Grijalva Yaur ri

236

8.3Algoritmos

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

Utilizandoladistribucinacumulada(F(x)eslaprobabilidadquelavariablealeatoriatome valoresmenoresoigualesax)podemosdeterminarcualeselvalorobtenidodeunidades cuandosegeneraunnmeroaleatorioapartirdeunadistribucincontinuauniforme.Este mtododegeneracindevariablealeatoriasellamaTransformacinInversa.

Unidades 42 45 48 51 54 Frecuencia Frecuencia Acumulada 0.1 0.2 0.4 0.2 0.1 0.1 0.3 0.7 0.9 1

Generandolosvaloresaleatoriosvamosavercomoseobtieneelvalordelademandapara cada da, interesndonos en este caso como es el orden de aparicin de los valores. Se busca el nmero aleatorio generado en la tabla de probabilidades acumuladas, una vez encontrado(sinoeselvalorexacto,stedebesemenorqueeldelafilaseleccionadapero mayorqueeldelafilaanterior),deesafilatomadacomosolucinsetomaelvalordelas unidades(CuandotrabajamosenExceldebemostomarellmiteinferiordelintervalopara buscaenlasacumuladas,parapoderemplearlafuncinBUSCARV(),para42sera0,para 43 0,100001 y as sucesivamente). Ejemplo: Supongamos que el nmero aleatorio generado sea 0,52, a qu valor de unidades corresponde? Nos fijamos en la columna de frecuencias acumuladas, ese valor exacto no aparece, el siguiente mayor es 0,70 y correspondea48unidades.
Frecuencia

Demanda
1 0.9 0.7 0.4 0.2 0.1
45 48 51 54

1.2 1 0.8 0.6 0.4 0.2 0

FrecuenciaAcumulada

0.1 0.1
42

0.3 0.2

Compilacin: Ybnias El Grijalva Yauri

237

8.3Algoritmos

Sepuedeapreciarmejorenelgrfico,trazandounarectadesdeelejedelafrecuenciahasta que interseca con la lnea de la funcin acumulada, luego se baja a la coordenada de unidadesyseobtieneelvalorcorrespondiente;enestecaso48. Cuandotrabajamosconvariablesdiscretaslafuncinacumuladatieneunintervaloosalto para cada variable (para casos prcticos hay que definir los intervalos y luego con una funcindebsquedahallarelvalor).Parafuncionescontinuassepuedehallarlainversade lafuncinacumulada.

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

De esta forma logramos a partir de la distribucin de densidad calcular los valores de la variablealeatoriadada.
Nmerode Nmeros Valordela Simulacin aleatorios Demanda 1 2 3 ... n 0.92 0.71 0.85 ... 0.46 54 51 51 ... 48

En la siguiente tabla, vemos como a medida que aumenta el numero de simulaciones, el valorsimuladoseacercaalvalororiginaldelamediaydesviacinestndar,ademsdela disminucindelerrortpico.
Cantidadde Media simulaciones 10 100 1000 10000 48.6 48.12 47.87 47.87 Desvo 3.41 3.16 3.28 3.3 Error 1.08 0.32 0.1 0.03

8.4QueslaSimulacindeMonteCarlo?
LasimulacindeMonteCarloesunatcnicacuantitativaquehaceusodelaestadsticay losordenadoresparaimitar,mediantemodelosmatemticos,elcomportamientoaleatorio desistemasrealesnodinmicos(porlogeneral,cuandosetratadesistemascuyoestadova cambiandoconelpasodeltiempo,serecurrebienalasimulacindeeventosdiscretoso bienalasimulacindesistemascontinuos). LaclavedelasimulacinMCconsisteencrearunmodelomatemticodelsistema,proceso o actividad que se quiere analizar, identificando aquellas variables (inputs del modelo) cuyocomportamientoaleatoriodeterminaelcomportamientoglobaldelsistema.Unavez identificados dichos inputs o variables aleatorias, se lleva a cabo un experimento consistente en (1) generar con ayuda del ordenador muestras aleatorias (valores concretos) para dichos inputs, y (2) analizar el comportamiento del sistema ante los valores generados. Tras repetir n veces este experimento, dispondremos de n observaciones sobre el comportamiento del sistema, lo cual nos ser de utilidad para entender el funcionamiento del mismo obviamente, nuestro anlisis ser tanto ms precisocuantomayorseaelnmerondeexperimentosquellevemosacabo. Veamosunejemplosencillo:
Compilacin: Ybnias El Grijalva Yauri

238

8.4QueslaSimulacindeMonteCarlo?

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

En la imagen inferior se muestra un anlisis histrico de 200 das sobre el nmero de consultasdiariasrealizadasaunsistemadeinformacinempresarial(EIS)residenteenun servidor central. La tabla incluye el nmero de consultas diarias (0 a 5) junto con las frecuenciasabsolutas(nmerodedasqueseproducen0,1,...,5consultas),lasfrecuencias relativas(10/200=0,05,...),ylasfrecuenciasrelativasacumuladas.

Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso asociado,enestecaso,laprobabilidaddeundeterminadonmerodeconsultas(as,p.e.,la probabilidaddequeseden3consultasenundaserade0,30),porloquelatablaanterior nosproporcionaladistribucindeprobabilidadasociadaaunavariablealeatoriadiscreta (la variable aleatoria es el nmero de consultas al EIS, que slo puede tomar valores enterosentre0y5). Supongamosquequeremosconocerelnmeroesperado(omedio)deconsultasporda.La respuestaaestapreguntaesfcilsirecurrimosalateoradelaprobabilidad. DenotandoporXalavariablealeatoriaquerepresentaelnmerodiariodeconsultasalEIS, sabemosque: EX xP X x 0 0.05 1 0.10 5 0.15 2.95

Compilacin: Ybnias El Grijalva Yauri

239

8.4QueslaSimulacindeMonteCarlo?

Porotraparte,tambinpodemosusarsimulacindeMonteCarloparaestimarelnmero esperado de consultas diarias (en este caso se ha podido obtener el valor exacto usando teoradeprobabilidad,peroellonosiempreserfactible).Veamoscmo: Cuando se conozca la distribucin de probabilidad asociada a una variable aleatoria discreta,serposibleusarlacolumnadefrecuenciasrelativasacumuladasparaobtenerlos llamados intervalos de nmeros aleatorios asociados a cada suceso. En este caso, los intervalosobtenidosson: [0.00,0.05)paraelsuceso0 [0.05,0.15)paraelsuceso1 [0.15,0.35)paraelsuceso2

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

[0.35,0.65)paraelsuceso3 [0.65,0.85)paraelsuceso4 [0.85,1.00)paraelsuceso5

El grfico siguiente nos muestra cada una de las probabilidades sobre el nmero de consultas. En l, se aprecia claramente la relacin existente entre probabilidad de cada sucesoyelreaquesteocupa. NmerodeConsultasEIS 0.05 0.10 0.20 0.30 0.20 0.15

0%

20%

Estosignifica que,algenerarunnmeropseudoaleatorioconelordenador(proveniente deunadistribucinuniformeentre0y1),estaremosllevandoacabounexperimentocuyo resultado, obtenido de forma aleatoria y segn la distribucin de probabilidad anterior, estar asociado a un suceso.Asporejemplo, si elordenador nos proporcionael nmero pseudoaleatorio 0,2567, podremos suponer que ese da se han producido 2 consultas al EIS. AsignamospueslafuncinALEATORIOaunacasilla(laG1enelcasodelaimagen):

40%

60%

80%

100%

Compilacin: Ybnias El Grijalva Yauri

240

8.4QueslaSimulacindeMonteCarlo?

Seleccionando la celday arrastrando con el ratn desde el bordeinferior derecho de la mismapodemosobtenerunlistadocompletodenmerospseudoaleatorios: Acontinuacin,podemosusarlafuncinSIdeExcelparaasignarunsucesoacadaunode los nmeros pseudo aleatorios generados (como veremos, otra forma de hacer esta asignacinserusandolafuncinBUSCARV):

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

Repitiendoelprocesodeseleccionaryarrastrarobtendremosalgosimilara:

Finalmente,usandolafuncinPROMEDIOserposiblecalcularlamediadelosvaloresdela columnaH:

Compilacin: Ybnias El Grijalva Yauri

241

8.4QueslaSimulacindeMonteCarlo?

Enestecaso,hemosobtenidounvalorestimadoquecorrespondeexactamenteconelvalor realanteriormentecalculadovaladefinicintericadelamedia.Sinembargo,debidoala componentealeatoriaintrnsecaalmodelo,normalmenteobtendremosvalorescercanos al valor real, siendo dichos valores diferentes unos de otros (cada simulacin proporcionar sus propios resultados). Se puede comprobar este hecho pulsando repetidamentesobrelafuncinF9(cadavezquesepulsadichatecla,Excelgeneranuevos valoresaleatoriosy,portanto,nuevosvaloresparalacolumnaHylacasillaI1). Si en lugar de usar una muestra aleatoria formada por 100 observaciones hubisemos usado una formada por 10, los valores que obtendramos al pulsar repetidamente F9 no seran estimaciones tan buenas al valor real. Por el contrario, es de esperar que si hubisemos usado 1.000 (o mejor an 10.000) observaciones, los valores que obtendramosenlacasillaI1estarantodosmuycercanosalvalorreal.

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

8.4.1SimulacinMCconVariablesDiscretas
Veamos un ejemplo algo ms complejo del uso de Excel para construir modelos de simulacinMCcuandolasvariablesaleatoriasseandiscretas: Supongamosquetrabajamosenungranalmacninformtico,yquenospidenconsejopara decidir sobre el nmero de licencias de un determinado sistema operativo que conviene adquirir las licencias se suministrarn con los ordenadores que se vendan durante el prximo trimestre, y es lgico pensar que en pocos meses habr un nuevo sistema operativoenelmercadodecaractersticassuperiores.Cadalicenciadesistemaoperativole cuestaalalmacnuntotalde75dlares,mientrasqueelprecioalquelavendeesde100 dlares.Cuandosalgaalmercadolanuevaversindelsistemaoperativo,elalmacnpodr devolveraldistribuidorlaslicenciassobrantes,obteniendoacambiountotaldel25dlares porcadauna.Basndoseenlosdatoshistricosdelosltimosmeses,losresponsablesdel almacnhansidocapacesdedeterminarlasiguientedistribucindeprobabilidadesporlo quealasventasdelicenciasdelnuevosistemaoperativoserefiere:

En la imagen anterior se muestra cmo construir el modelo con una observacin (iteracin).Afindegenerarnuevasobservaciones,deberemosseleccionarelrangoH2:N2 y"arrastrar"haciaabajo(tantascasillascomoiteracionesdeseemosrealizar):

Compilacin: Ybnias El Grijalva Yauri

242

8.4QueslaSimulacindeMonteCarlo?

Construimosnuestromodelousandolasfrmulasquesemuestranenlafigurainferior.En la casilla H2 usaremos la funcinALEATORIO para generar el valor pseudoaleatorioque determinar el suceso resultante; en la celda I2 usamos la funcin BUSCARV para determinarelsucesocorrespondienteasociadoalvalorpseudoaleatorioobtenidonotar queusamostambinlafuncinMIN,yaqueenningncasopodremosvendermslicencias quelasdisponibles.Elrestodefrmulassonbastanteclaras:

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

Finalmente,esposibleestimarelvaloresperadodelavariablealeatoriaqueproporciona los beneficios sin ms que hallar la media de las 100 observaciones que acabamos de realizar. Asimismo, usaremos las funciones DESVEST e INTERVALO.CONFIANZA para hallar, respectivamente, la desviacin estndar de la muestra obtenida y el intervalo de confianza(aunniveldel95%)paraelvaloresperado:

Laaparienciafinaldenuestromodeloser:

Compilacin: Ybnias El Grijalva Yauri

243

8.4QueslaSimulacindeMonteCarlo?

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

A partir del modelo anterior es posible tambin realizar whatif anlisis (anlisis de escenariosopreguntasdeltipoqupasarasicambiamostalocualinput?).Paraelloes suficiente con ir cambiando los valores de las celdas C11:C14 (inputs del modelo en este ejemplo).Asimismo,podemosampliarfcilmenteelnmerodeiteraciones(observaciones muestrales)sinmsquerepetirlosprocesosdeseleccionaryarrastrar. Enelcasoactual,hemosoptadoportomar1.000iteracionesparacadaunadelosposibles inputsasociadosalacantidaddepedido(estosposiblesinputsson:100,150,200,250,y 300).Siserealizaseel experimento, seobtendranunosresultadossimilaresalosque se muestran a continuacin (ya que1.000 esun nmero ya bastante considerable para este ejemplo):
100 150 200 250 300 Resultadosparan=1000iteraciones Desv.Est. 0 1743 3250 4154 4555 Intervaloconfianza95% 2500 0 2500 5000 7500 2500 3750 5000 6250 7500 2500 2569 2079 333 1868 NLicencias Benef.Medio

8 6 Milesdedlares 4 2 0

BeneficioEsperado

2 4 6 8
100 150 200 250 N deLicenciasAdquiridas 300

8.4.2GeneracindeNmerosAleatoriosProvenientesdeOtrasDistribuciones
Las ltimas versiones de Excel incorporan un AddIn llamado Anlisis de datos. Este complemento proporciona nuevas funcionalidades estadsticas a la hoja de clculo. Entre ellas,nosinteresadestacarladeGeneracindenmerosaleatorios:

Compilacin: Ybnias El Grijalva Yauri

244

8.4QueslaSimulacindeMonteCarlo?

Apartirdelosresultados,parececlaroqueladecisinptimaeshacerunpedidode150 unidades,yaqueconelloseconsigueelbeneficiomximo.

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

Con esta opcin, es posible generar fcilmente observaciones provenientes de diversas distribuciones de variable discreta (Bernoulli, Binomial, Poisson, Frecuencia relativa, y Discreta)odevariablecontinua(UniformeyNormal). IndependientementedelcomplementoAnlisisdedatos,esposibleusarunresultadomuy conocidodelateoraestadstica,llamadomtododelatransformadainversa,paraderivar las frmulas que permiten obtener valores pseudoaleatorios provenientes de distribucionescomolaWeibullolaLognormal. Enlatablasiguientesemuestranalgunasfrmulasque,implementadasenceldasdeExcel, nospermitenobtenervalorespseudoaleatoriosdealgunasdelasdistribucionescontinuas msusadas:
Distribucin Exponencial Weibull Normal Parmetros Media=b FormulaExcel =LN(ALEATORIO())*b =b*(LN(ALEATORIO())^(1/a) =DISTR.NORM.INV(ALEATORIO(),,) =DISTR.LOG.INV(ALEATORIO(),,) =a+(ba)*ALEATORIO() 8.4QueslaSimulacindeMonteCarlo?

Escala=bForma=a Media= Desv.Estandar= Lognormal MediadeLn(X)= Desv.EstandardeLn(X)= Uniformeentreayb Extremoinferior=a Extremosuperior=b

Aadir, finalmente, que es relativamente sencillo implementar funciones VBA que, haciendousodelmtododelatransformadainversaodeotrosmtodossimilares,permita lageneracindevaloresprovenientesdecasicualquierdistribucinterica.

8.4.3SimulacinMCconVariablesContinuas
Comohemoscomentado,esposibleusarlasfrmulasanterioresparagenerar,apartirdela funcin ALEATORIO(), valores pseudoaleatorios provenientes de otras distribuciones

Compilacin: Ybnias El Grijalva Yauri

245

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

continuas.Enlaspginassiguientes,veremosdosejemplosdemodelosquehacenusodela distribucinnormal(ladistribucinestadsticamsimportanteyutilizada): Ejemplo:Tiempodeconsultasaservidoresenparalelo Supongamos que desde un ordenador cliente se realiza consultas SQL a bases de datos situadas en dos servidores distintos. Nuestro objetivo ser estimar el tiempo esperado (tiempo medio) que deberemos esperar para recibir la respuesta de ambos servidores. Dada la complejidad de la consulta que queremos realizar, y basndonos en experiencias anteriores, se calcula que el tiempo necesario para que cada uno de los servidores respondaalamismasigueunadistribucinnormalconlosparmetros(mediaydesviacin estndar,enminutos)queseindicanacontinuacin:

Pediremos a Excel que genere valores pseudoaleatorios provenientes de dichas distribuciones. Asimismo, usaremos la funcin MAX para obtener el tiempo de respuesta (que ser el mximo de los tiempos de respuesta de cada servidor), y la funcin SI para determinarquservidorhasidoelmsrpidoenresponder:

Usaremos tambin las funciones CONTAR y CONTAR.SI para contar el nmero de iteracionesyelnmerodevecesqueunservidoresmsrpidoqueelotro:

Finalmente, las funciones PROMEDIO, DESVEST, e INTERVALO.CONFIANZA nos servirn para obtener, respectivamente, el tiempo muestral medio (esperado) de respuesta, la desviacin estndar de la muestra (observaciones que generaremos), y un intervalo de confianza,aunniveldel95%,paraeltiempomedio(esteintervalonospermitirsabersi nuestraestimacinesbuenaosi,porelcontrario,necesitaremosmsiteraciones).
Compilacin: Ybnias El Grijalva Yauri

246

8.4QueslaSimulacindeMonteCarlo?

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

Una vez introducidas las frmulas anteriores, bastar con seleccionar y arrastrar hacia abajo el rango de celdas G3:J3, con lo que se generarn nuevas iteraciones. En la imagen siguiente se muestra el resultado obtenido al generar 2.077 iteraciones. Observar que el tiempo medio estimado de respuesta es de 22,98 minutos, y podemos asegurar, con un niveldeconfianzadel95%,quedichotiempomedioestarentre22,88y23,08minutos.

Finalmente,seobservatambinqueelservidor1harespondidomsrpidoqueelservidor 2enel68%delasiteraciones. Ejemplo:Inversininicialyflujodecaja Consideremosahoraunnuevoproblema:supongamosquedisponemosdeuncapitalinicial de250dlaresquedeseamosinvertirenunapequeaempresa.Supondremostambinque losflujosdecajatantolosdeentradacomolosdesalidasonaleatorios,siguiendostos unadistribucinnormal.

Compilacin: Ybnias El Grijalva Yauri

247

8.4QueslaSimulacindeMonteCarlo?

Paraelprimermes,elvaloresperadodelflujodeentradaesde500Euros,mientrasqueel valor esperado para el flujo de salida es de 400 Euros. En meses posteriores, el valor esperado ser el valor obtenido para en el mes anterior. Por su parte, las desviaciones estndarvaldrn,entodosloscasos,un25%delvalormedio(esperado)asociado.Enbase aloanterior,podemosconstruirunmodelocomosemuestraenlassiguientesimgenes:

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

Seleccionando y arrastrando hacia abajo el rango G3:O3, hemos obtenido los siguientes resultadospara5.859iteraciones:

Observamos que el valor esperado para el capital final es de unos 543 dlares, y que podemos afirmar, con un nivel de confianza del 95%, que dicho valor estar entre 527 y 558dlares.

8.5ActividadesparaelAprendizaje.
Luegodevisitarestasdireccionesdepginasweb,elaborarunresumeny/odesarrollarlos ejerciciospropuestosparaeltemacorrespondiente:

Compilacin: Ybnias El Grijalva Yauri

248

8.5ActividadesparaelAprendizaje.

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

UnaAplicacindelMtododeMonteCarloenelAnlisisdeRiesgodeProyectos:Su automatizacinatravsdeunaplanilladeclculo. http://www.abcbolsa.com/montecarlo_excel_cyta1.htm ElmtododeMonteCarlo: http://www.monografias.com/trabajos12/carlo/carlo.shtml Simulacin:ExcelAvanzado,Macro,funciones.http://trucosexcel.blogspot.com/ Resolverlosejerciciosalcapitulocorrespondiente: CtedradeMtodosCuantitativosparalosNegocios. http://www.unsa.edu.ar/mcneco/mcn_tps.html ProgramacinMatemtica
http://www.uv.es/~sala/programacion.htm

BienvenidosaloscursosdelreadeOperacionesDescargarejercicios: http://ucreanop.org/descarga_ejercicios.php

Compilacin: Ybnias El Grijalva Yauri

249

8.5ActividadesparaelAprendizaje.