METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

CAPITULO8.INTRODUCCIONALMTODODE
SIMULACINMONTECARLO
ObjetivosdelCaptulo

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

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

CAPITULO8.INTRODUCCIONALMTODODESIMULACINMONTECARLO

8.0Introduccin

232

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

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

8.1IniciosdelMtododeMonteCarlo

8.1IniciosdelMtododeMonteCarlo

233

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.

Procesodesimulacin:ejecucindelmodeloatravsdeltiempoenunordenador
paragenerarmuestrasrepresentativasdelcomportamiento.

8.2.1Mtodosdesimulacin

SimulacinestadsticaoMonteCarlo:Estbasadaenelmuestreosistemticode
variablesaleatorias.

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.

8.2.2Etapasdelprocesodesimulacin

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

8.2Simulacin:MtodoMonteCarlo

234

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

Formulacindelmodelo.
Programacin.
VerificacinyValidacindelmodelo.
Diseodeexperimentosyplandecorridas.
Anlisisderesultados

8.2.3Diagramadeflujodelmodelodesimulacin

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

8.3Algoritmos

8.3Algoritmos

235

METOD
DOSCUAN
NTITATIV
VOSPARA
ALOSNE
EGOCIOS

2009

Disearelmodelolggicodedeccisin
dparalasvaariablesaleeatoriasrellevantes.
Especificarrdistribuciionesdeprrobabilidad
Incluirpossiblesdependenciasentrevariab
bles.
Muestrearvaloresdeelasvariablesaleatoriias.
e resultado
o del mod
delo segn
n los valorres del mu
uestreo (itteracin) y
y
Calcular el
registrarelresultado
o
procesohaastateneru
unamuestraestadsticcamentereepresentativa
Repetirelp
Obtenerladistribuci
ndefrecu
uenciasdelresultadod
delasiteraaciones
Calcularm
media,desvo.
Analizarlo
osresultado
os

mplementaacin o utilizacin dell

Las priincipales caaractersticcas a tenerr en cuentaa para la im
algoritm
moson:

Elsistemadebeserd
descriptopo
or1omsfuncionesdedistribu
ucindeprrobabilidad
d
(fdp)
Generadorr de nmeeros aleato
orios: como
o se generran los n
meros aleeatorios ess
importanteeparaevitaarqueseproduzcaco
orrelacineentrelosvaaloresmuestrales.
Establecerrlmitesyrreglasdem
muestreopaaralasfdp:conocemo
osquevalorrespueden
n
adoptarlassvariables.
Definir Sco
oring: Cuaando un vaalor aleatorio tiene o
o no sentid
do para ell modelo a
a
simular.
n Error: Co
on que errror trabajam
mos, cuantto error po
odemos acceptar paraa
Estimacin
queunaco
orridaseav
vlida?
dereduccindevarian
nza.
Tcnicasd
n muchas variables se estudiaa
Paralelizaccin y vectorizacin:: En aplicaaciones con
trabajarco
onvariosprrocesadoreesparalelosspararealiizarlasimu
ulacin.

Ejempllo

uiente disttribucin de
d probabilidades para una d
demanda aleatoria
a
y
y
Tenemos la sigu
mosverqueesucedeco
onelpromeediodelad
demandaen
nvariasiteraciones:
querem

Demandaa
0.4
0.4
0.3
0.2

0.2

0.2

0.1

0.1

0
42

45

48

51

54

Compilaccin: Ybnias El Grijalva Yaurri

8.3Algoritmos

0.1

236

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

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

Frecuencia
Frecuencia Acumulada

Unidades
42

0.1

0.1

45

0.2

0.3

48

0.4

0.7

51

0.2

0.9

54

0.1

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

1.2

Demanda

FrecuenciaAcumulada

1
0.9

0.7

0.8
0.6
0.4
0.2

0.1
0.1

0.4

0.3
0.2

0.2
0.1

0
45

48

51

54

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.
Compilacin: Ybnias El Grijalva Yauri

8.3Algoritmos

42

237

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

0.92

54

0.71

51

0.85

51

...

...

...

0.46

48

En la siguiente tabla, vemos como a medida que aumenta el numero de simulaciones, el

valorsimuladoseacercaalvalororiginaldelamediaydesviacinestndar,ademsdela
disminucindelerrortpico.

Cantidadde
Media
simulaciones

Desvo

Error

10

48.6

3.41

1.08

100

48.12

3.16

0.32

1000

47.87

3.28

0.1

10000

47.87

3.3

0.03

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

8.4QueslaSimulacindeMonteCarlo?

8.4QueslaSimulacindeMonteCarlo?

238

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:

xP X

0 0.05

1 0.10

5 0.15

2.95

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
Compilacin: Ybnias El Grijalva Yauri

8.4QueslaSimulacindeMonteCarlo?

EX

239

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%

0.20

20%

0.30

40%

0.20

60%

80%

0.15

100%

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):

Compilacin: Ybnias El Grijalva Yauri

8.4QueslaSimulacindeMonteCarlo?

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):

240

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

Repitiendoelprocesodeseleccionaryarrastrarobtendremosalgosimilara:

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.

Compilacin: Ybnias El Grijalva Yauri

8.4QueslaSimulacindeMonteCarlo?

Finalmente,usandolafuncinPROMEDIOserposiblecalcularlamediadelosvaloresdela
columnaH:

241

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

8.4.1SimulacinMCconVariablesDiscretas

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:

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

8.4QueslaSimulacindeMonteCarlo?

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:

242

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:

Compilacin: Ybnias El Grijalva Yauri

8.4QueslaSimulacindeMonteCarlo?

Laaparienciafinaldenuestromodeloser:

243

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):

Resultadosparan=1000iteraciones

NLicencias Benef.Medio

Desv.Est.

100

2500

150

2569

200

2079

250
300

Intervaloconfianza95%
2500

2500

1743

3750

3250

2500

5000

333

4154

5000

6250

1868

4555

7500

7500

BeneficioEsperado

8
6
Milesdedlares

4
2
0

2
4
6
8
150
200
250
N deLicenciasAdquiridas

300

Apartirdelosresultados,parececlaroqueladecisinptimaeshacerunpedidode150
unidades,yaqueconelloseconsigueelbeneficiomximo.

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

8.4QueslaSimulacindeMonteCarlo?

100

244

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

Parmetros
Media=b

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

FormulaExcel
=LN(ALEATORIO())*b
=b*(LN(ALEATORIO())^(1/a)

Normal

=DISTR.NORM.INV(ALEATORIO(),,)

=a+(ba)*ALEATORIO()

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

8.4QueslaSimulacindeMonteCarlo?

=DISTR.LOG.INV(ALEATORIO(),,)

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:

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

8.4QueslaSimulacindeMonteCarlo?

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

iteracionesyelnmerodevecesqueunservidoresmsrpidoqueelotro:

246

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.

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:

Compilacin: Ybnias El Grijalva Yauri

8.4QueslaSimulacindeMonteCarlo?

Finalmente,seobservatambinqueelservidor1harespondidomsrpidoqueelservidor
2enel68%delasiteraciones.

Ejemplo:Inversininicialyflujodecaja

Consideremosahoraunnuevoproblema:supongamosquedisponemosdeuncapitalinicial
de250dlaresquedeseamosinvertirenunapequeaempresa.Supondremostambinque
losflujosdecajatantolosdeentradacomolosdesalidasonaleatorios,siguiendostos
unadistribucinnormal.

247

METODOSCUANTITATIVOSPARALOSNEGOCIOS

2009

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

8.5ActividadesparaelAprendizaje.

Luegodevisitarestasdireccionesdepginasweb,elaborarunresumeny/odesarrollarlos
ejerciciospropuestosparaeltemacorrespondiente:

Compilacin: Ybnias El Grijalva Yauri

8.5ActividadesparaelAprendizaje.

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.

248

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

8.5ActividadesparaelAprendizaje.

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

Compilacin: Ybnias El Grijalva Yauri

249