SIMULACION

MONTE CARLO
CON MS EXCEL
Sesin 1. Fundamentos de probabilidad para simulacin.
Duracin 3 horas.
Variables aleatorias.
Distribuciones de probabilidad.
Ley de los grandes nmeros.
Teorema del lmite central.
Principios de la simulacin MonteCarlo.
Sesin 2. Nmeros aleatorios.
Duracin 3 horas.
Que son los nmeros aleatorios y pseudo-aleatorios
Generacin de nmeros aleatorios en Excel.
Generacin de forma dinmica.
Generacin de forma esttica.
Ejercicios.
Sesin 3. Herramientas para simulacin.
Duracin 3 horas.
Un problema bsico de simulacin. Taller.
Interpretacin de resultados de la simulacin.
Sesin 4.
Duracin 3 horas.
Herramientas adicionales a Excel para simulacin MonteCarlo.
Sesin 5.
Duracin 4 horas.
Ejercicios de simulacin con Excel aplicado a Finanzas. Taller.
Interpretacin de resultados de la simulacin.
Que es la simulacin Monte
Carlo?
Mtodo computacional usado para estudiar el
comportamiento de sistemas matemticos,
fsicos o de cualquier ndole, a partir del uso de
muestreo estadstico, nmeros aleatorios y
pseudo-aleatorios.
Es iterativo -> requiere clculos por
computador.
Las tcnicas de Monte Carlo pueden ser usadas
para encontrar soluciones aproximadas a
problemas cuantitativos, con o si
incertidumbre.
Orgenes
Se atribuye a Stanislaw Ulam, matemtico polaco que
trabajo para John von Neumann en el proyecto
Manhattan durante la segunda guerra mundial y
contribuyo junto con Edward Teller en el diseo de la
bomba de Hidrogeno en 1951.
Ulam no invent el muestreo estadstico, pero reconoci
la el potencial de los computadores electrnicos para
automatizar el proceso. Trabajando con John von
Neuman y Nicholas Metropolis, desarrollo algoritmos
de implementacin y explor formas de convertir
problemas no aleatorios en formas aleatorias para ser
solucionados via muestro estadstico.
Ulam y Metropolis publican el primer paper en 1949.
En este curso, usaremos la simulacin Monte
Carlo para el tratamiento de problemas y
modelos con incertidumbre.

Partiremos de modelos matemticos que
describan un problema o situacin y a los
cuales se les incorporarn componentes
probabilisticos.
Hay dos componentes que pueden generar
aleatoriedad en un modelo.
Riesgo: es un efecto aleatorio propio del
sistema bajo anlisis. Se puede reducir
alterando el sistema.
Incertidumbre es el nivel de ignorancia del
evaluador acerca de los parmetros que
caracterizan el sistema a modelar. Se puede
reducir a veces con mediciones adicionales o
mayor estudio, o consulta a expertos.
La Variabilidad Total es la combinacin de
riesgo e incertidumbre.
Tanto el riesgo como la incertidumbre se
describen mediante variables aleatorias que
hacen parte de las variables presentes en el
modelo.
Para que queremos modelar la
variabilidad?
El riesgo no es algo que se "sufre",
el riesgo es algo que se puede
administrar.


Administracin del Riesgo
1. Negociar las variables negociables
2. Buscar ms informacin
3. Aumentar el compromiso
4. Tomar precauciones adicionales
5. Compartir el riesgo
6. Transferir el riesgo
7. Formular planes de contingencia
8. No tomar medidas, asumir el riesgo
9. Cancelar el proyecto
Simulacin Monte Carlo
1. Disear el modelo matemtico que representa el
problema con incertidumbre.
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 segn los valores del
muestreo y registrar el resultado.
6. Repetir el proceso iterativamente hasta tener una
muestra estadsticamente representativa.
7. Obtener la distribucin de frecuencias del resultado
de las iteraciones.
8. Calcular media, desvo y curva de percentiles
acumulados.
Analisis de escenarios
Debido a que la simulacin monte carlo
involucra la generacin de un numero alto de
escenarios, tambin puede ser entendida
como una forma mas completa de realizar
anlisis de escenarios o anlisis What-if
Fundamentos de probabilidad
para simulacin.

Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes nmeros.
Teorema del lmite central.
Fundamentos de probabilidad
para simulacin.

Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes nmeros.
Teorema del lmite central.
Variables Aleatorias
Una Variable aleatoria X es una funcin
cuyos valores son nmeros reales y
dependen del azar.

Para caracterizar las variables aleatorias se
utilizan las distribuciones de probabilidad.
Fundamentos de probabilidad
para simulacin.

Variables Aleatorias
Distribuciones de
probabilidad
Ley de los grandes nmeros.
Teorema del lmite central.
Distribucin de probabilidad
Una distribucin de probabilidad describe
el rango de valores que puede tomar
una variable aleatoria y la
probabilidad asignada a cada valor o
rango de valores.

Distribuciones de probabilidad
Discretas
Una variable aleatoria representada mediante
una distribucin discreta de probabilidad
puede tomar un valor de entre un conjunto
de valores, cada uno de los cuales tiene
asignada una determinada probabilidad de
ocurrencia.
Ejemplos: Binomial, Geomtrica, Poisson,
Discreta.
Distribuciones de probabilidad
Continuas
Una variable aleatoria representada
mediante una distribucin continua de
probabilidad puede tomar cualquier
valor dentro de un rango determinado.
Ejemplos: Normal, Lognormal,
Uniforme, Triangular, Histograma
Distribuciones de
probabilidad
No Limitadas La variable aleatoria puede
tomar valores entre +infinito y infinito
(ejemplos: Normal, Logstica).
Limitadas Los valores de la variable
aleatoria quedan confinados entre dos
valores extremos (ejemplos: Binomial,
Beta, Uniforme, Triangular, Histograma).
Parcialmente Limitadas Los valores de la
variable aleatoria quedan limitados en
uno de los extremos de la distribucin
(ejemplos: Poisson, Exponencial).
Distribuciones de probabilidad
Paramtricas
La distribucin de probabilidad se ajusta a la
descripcin matemtica de un proceso
aleatorio que cumple con determinados
supuestos tericos.
Los parmetros que definen la distribucin en
general no guardan relacin intuitiva con la
forma de la distribucin.
Ejemplos: Normal, Lognormal, Exponencial,
Beta.
Distribuciones de probabilidad
No Paramtricas
Los parmetros que se usan para definir
estas distribuciones describen la forma
de la distribucin.
No se apoyan en una teora que describa
el proceso de generacin de valores
aleatorios.
Ejemplos: Triangular, Histograma,
General, Uniforme, Acumulada
Distribuciones de probabilidad
Subjetivas
El uso de estas distribuciones de
probabilidad es la nica alternativa para
describir una variable aleatoria cuando:
1. No hay una base de antecedentes.
2. Los datos del pasado no son relevantes.
3. Los datos son escasos y no cubren todo el
rango de posibles valores.
4. Es demasiado caro generar datos.
5. Generar valores llevara demasiado tiempo
DISTRIBUCIONES NO
PARAMETRICAS
Uniforme
Todos los valores dentro del rango factible tienen la
misma densidad de probabilidad.
Parmetros : Uniform (min,max)
Aplicaciones: U(0,1) se usa en la generacin de los
valores de todas las dems distribuciones de
probabilidad en el muestreo aleatorio.
Es una aproximacin muy cruda para usar como
estimacin de la incertidumbre percibida de un
parmetro
Triangular
Aplicaciones: estimar subjetivamente la
distribucin de la variable aleatoria cuando
todo lo que puede precisarse de la misma
es el valor mnimo, el valor ms probable
y el valor mximo.

Parmetros: Triang (min, +prob, max)

Triangular
(cont.)
Sus propiedades estadsticas se derivan de su forma,
no de una teora subyacente.
Es de definicin intuitiva y de gran flexibilidad en
cuanto a geometras posibles.
La forma de la distribucin usualmente lleva a
sobreestimar la densidad de las colas y a subestimar
la densidad en el tronco de la distribucin.
Histograma
Aplicaciones: representar la forma de la
distribucin de una serie de datos o la
opinin de un experto acerca de la forma
de la distribucin de una variable.

Parmetros: Histogram (min, max, {p
i
})

Todos los intervalos de la distribucin
tienen el mismo ancho.
Histograma
Discreta
Aplicaciones:
1. Describir una variable aleatoria que puede tomar uno
de entre un conjunto de valores discretos.
2. Describir probabilidades condicionales para distintos
estados de la naturaleza, donde cada estado de la
naturaleza tiene una probabilidad de ocurrencia p.
3. Armar distribuciones de probabilidad compuestas a
partir de la opinin de dos o ms expertos, donde a la
opinin de cada experto se le otorga una ponderacin p.
Parmetros: Discrete ({x
i
},{p
i
})
Discreta
DISTRIBUCIONES
PARAMETRICAS
Normal
Aplicaciones: una variedad de situaciones,
como se desprende del Teorema Central del
Lmite.
Es til en finanzas pues la suma o diferencia
de distribuciones Normales resulta tambin
en una distribucin Normal con parmetros
que pueden ser determinados a partir del
TCL.
Parmetros: Normal (mu,sigma)

Normal
La mayora de las variables aleatorias que se
presentan en los estudios relacionados con las
ciencias sociales, fsicas y biolgicas, son
continuas y se distribuyen segn la distribucin de
probabilidad Normal, que tiene la siguiente
expresin analtica :




Donde es la media de la variable aleatoria y
es su desviacin tpica.
2
2
1
2
1
) , , (
|
.
|

\
|

=
o

t o
o
x
e x f
La distribucin de probabilidad
Normal, tiene forma de
campana

Para una variable aleatoria X, que
se distribuye normalmente con
media : y desviacin tpica :
, la probabilidad de que la
variable X est comprendida
entre los valores a y b es el
rea teida de rojo en la
siguiente figura
Normal
Esta probabilidad
analticamente se puede
calcular as:




Como el clculo de esta
integral es laborioso, para
calcular el rea se realiza
el siguiente cambio de
variable:


}
|
.
|

\
|

= < <
b
a
x
e b X a p
2
2
1
2
1
) (
o

t o
Este cambio origina una distribucin normal
estndar de media = 0 y desviacin
tpica = 1 cuya funcin de densidad es :

Estimacin
subjetiva de los
parmetros de
una Normal
Media: Valor ms probable
Desvo: el intervalo +/- 2*sigma contiene
el 95% de los valores, por lo tanto:
Sigma: (mximo - ms probable) / 2
Lognormal
Aplicaciones: modelar variables que son el producto
de una cantidad de otras variables aleatorias que
ocurren naturalmente.
Generalmente brinda una buena representacin de
variables que se extienden de 0 a +inf y que tienen
un sesgo positivo.
Parmetros: Lognormal (mu,sigma)
Se usan como parmetros la media aritmtica y el
desvo standard de los datos disponibles.
Condiciones
subyacentes de una
distribucin Lognormal
La variable aleatoria puede tomar valores que
aumentan sin lmites pero no puede tomar
valores negativos.
La variable aleatoria tiene un sesgo positivo
(modo < media) con la mayor parte de los
valores cerca del lmite inferior.
El logaritmo natural de la variable se ajusta a
una distribucin Normal.
Distribuciones de
probabilidad para Procesos
estocasticos Discretos
Un Proceso Discreto se caracteriza por una
probabilidad p de ocurrencia de un evento
discreto en cada prueba.
Binomial
Aplicaciones: estimar la distribucin de la
cantidad s de ocurrencias de un evento en n
pruebas, cuando hay una probabilidad p de
ocurrencia del evento en cada prueba.
Parmetros: Binomial (n,p)
Para n>30 o cuando p es alta, la distribucin
Binomial puede ser aproximada por una
distribucin Normal ((np),(npq)
1/2
).

Condiciones
subyacentes a una
distribucin
Binomial
En cada prueba slo hay dos resultados posibles
Las pruebas son independientes (lo que ocurre
en la primera prueba no afecta a la segunda, y
sucesivamente).
La probabilidad de ocurrencia del evento se
mantiene constante a travs de las pruebas (no
hay un proceso de aprendizaje)
Geomtrica
Aplicaciones: estimar la cantidad n de
pruebas necesarias hasta la ocurrencia del
primer evento, cuando la probabilidad p de
ocurrencia de un evento se mantiene
constante en el tiempo.
Parmetros: n = 1 + Geometric (p)
La distribucin Geomtrica es anloga a la
distribucin Exponencial: Geomtrica se
aplica a variables discretas, Exponencial se
aplica a variables continuas.
Condiciones
subyacentes de una
distribucin
Geomtrica
La cantidad de eventos no est prefijada.
Se contina con las pruebas hasta lograr
el primer xito.
La probabilidad de xito p es constante a
travs de las pruebas.
Binomial Negativa
Aplicaciones: estimar la distribucin de la
cantidad n de pruebas hasta que ocurran s
eventos, cuando la probabilidad p de
ocurrencia de un evento es constante en
el tiempo.
Parmetros: n = s + Negbin (s,p)
s es el parmetro que le da la forma a la
distribucin.
Condiciones
subyacentes de una
distribucin
Binomial Negativa
La cantidad de pruebas no est prefijada.
Se contina con las pruebas hasta que se
observa la cantidad de eventos (s)
buscada.
La probabilidad de xito p es constante de
prueba a prueba.
Distribucin
Hipergeomtrica
Al igual que la distribucin Binomial, esta
distribucin describe la cantidad de
ocurrencias de un evento en una cantidad
de pruebas.
La diferencia con la distribucin Binomial
es que a medida que se avanza con las
pruebas cambia la probabilidad de
ocurrencia del evento: pruebas sin
reemplazo.
Condiciones
subyacentes de
una distribucin
Hipergeomtrica
La cantidad total de elementos de una
poblacin es finita.
La muestra representa una porcin de la
poblacin.
La probabilidad de ocurrencia del evento
en la poblacin es conocida y cambia
ligeramente luego de cada prueba.
Distribuciones de
probabilidad para Procesos
Continuos
Un Proceso Continuo se caracteriza por un
Intervalo Medio de Tiempo entre Eventos
(beta).
Estimacin del Intervalo
Medio de Tiempo entre
Eventos (beta)
beta es el intervalo de exposicin promedio
entre n eventos observados.
El verdadero valor de beta puede ser estimado
a partir de n eventos observados valindose
del TCL:
beta = Normal (t,sigma/(n-1)
1/2
)
t = promedio de los n-1 intervalos contiguos
sigma = desvo standard de los t
i
intervalos.
La precisin de la estimacin de beta aumenta
a medida que aumenta n.
Poisson
Aplicaciones: estimar la cantidad N de
ocurrencias de un evento en un intervalo
de tiempo T cuando el tiempo medio
entre eventos sucesivos (beta) se ajusta
a un proceso tipo Poisson.
Parmetros: N = Poisson (lambda * t)
lambda = 1 / beta
Lambda se puede interpretar como la
cantidad promedio de ocurrencias del
evento por unidad de exposicin.
Condiciones
subyacentes a una
distribucin
Poisson
La cantidad de eventos por unidad de exposicin
no est limitada a un valor discreto.
Los eventos son independientes entre s (el
nmero de eventos en un intervalo de
exposicin no afecta al nmero de eventos en
otro intervalo de exposicin).
La cantidad promedio de eventos se mantiene
constante de intervalo a intervalo.
Exponencial
Aplicaciones: estimar la distribucin del (tiempo)
entre ocurrencias sucesivas de un evento que
tiene una probabilidad de ocurrencia p constante
por unidad de (tiempo).
Parmetros: Expon (beta)
Si la probabilidad p de ocurrencia del evento es
constante a travs del tiempo, la estimacin del
tiempo que medie hasta la ocurrencia del
prximo evento es independiente del tiempo que
haya transcurrido desde la ltima ocurrencia.
Gamma
Aplicaciones: estimar la distribucin del
(tiempo) entre ocurrencias sucesivas de un
evento n veces cuando el evento tiene una
probabilidad de ocurrencia p constante por
unidad de (tiempo).
Parmetros: Gamma (n, beta)
Beta
Aplicaciones: estimar la probabilidad de
ocurrencia p de un evento, a partir de la
observacin de s eventos en n pruebas.
Parmetros: Beta (alfa1,alfa2)
alfa 1 : s+1 alfa2: n-s+1
La distribucin Beta puede tomar muchas
formas, segn los valores de alfa1 y alfa2.
A medida que aumenta n, se gana precisin en
la estimacin de p (la distribucin de p se
comprime)
Dada la gran variedad de formas que puede asumir
segn los valores asignados a los parmetros, la
distribucin Beta tambin se usa para describir datos
empricos.
Si los valores de ambos parmetros son iguales, Beta
es simtrica.
Si alfa1 es menor que alfa2, la distribucin est
sesgada hacia la derecha.
Si alfa1 es mayor que alfa2, la distribucin est
sesgada hacia la izquierda
Fundamentos de probabilidad
para simulacin.

Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes
nmeros.
Teorema del lmite central.
Ley de los Grandes Nmeros
(desigualdad de Tschebycheff)

Cuanto mayor sea el tamao de la muestra,
mayor ser el ajuste entre la distribucin
muestral y la distribucin terica sobre la que se
basa la muestra.

la frecuencia relativa de los resultados de un
cierto experimento aleatorio, tienden a
estabilizarse en cierto nmero, que es
precisamente la probabilidad , cuando el
experimento se realiza muchas veces
Ley de los Grandes Nmeros
(desigualdad de
Tschebycheff)
Ver simulacin del experimento
Fundamentos de probabilidad
para simulacin.

Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes nmeros.
Teorema central del
lmite.
Teorema Central del Lmite
(TCL)
La media muestral de un conjunto de n variables
muestreadas en forma independiente a partir de
una misma distribucin f(x) se ajusta a una
distribucin aprox. Normal con los siguientes
parmetros:
x = Normal ( mu, sigma / n
1/2
)
En otras palabras, la distribucin 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.
Teorema Central del Lmite
(cont.)
La suma de n variables aleatorias
independientes da como resultado una
distribucin aproximadamente Normal, sin
importar la forma de la distribucin de las
variables sumadas.
El producto de n variables aleatorias
independientes da como resultado una
distribucin aproximadamente Lognormal,
independientemente de la forma de la
distribucin de las variables intervinientes.
Teorema Central del Lmite
(cont.)
Ver simulacin del experimento
Simulacin Monte Carlo
1. Disear el modelo matemtico 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 segn los valores
del muestreo y registrar el resultado.
6. Repetir el proceso iterativamente hasta tener una
muestra estadsticamente representativa.
7. Obtener la distribucin de frecuencias del resultado
de las iteraciones.
8. Calcular media, desvo y curva de percentiles
acumulados.