Aplicaciones reales de la simulación de Montecarlo

Tomando como referencia las fuentes de información brindadas dentro del módulo
y las investigaciones adicionales con referencia a la técnica de Simulación
Montecarlo la principal aplicación está orientada a permitir llevar a cabo la valoración
de los proyectos de inversión considerando que una o varias de las variables que
se utilizan para la determinación de los flujos netos de caja no son variables ciertas,
sino que pueden tomar varios valores.
Esta herramienta permite tener en cuenta para el análisis un elevado número de
escenarios aleatorios, por lo que, se puede decir que hace posible llevar la técnica
del análisis de escenarios al infinito ampliando la perspectiva de los escenarios
posibles

Para una buena aplicación de esta simulación es muy importante identificar

claramente las variables que se consideran más significativas, así como las
relaciones existentes entre ellas, para explicar la realidad a estudiar mediante la
sustitución del universo real, por un universo teórico utilizando números aleatorios.

La aplicación del método de Monte Carlo para valorar inversiones plantea dos
aspectos fundamentales:

Estimación de las variables Estimación del tamaño de la muestra

• Seleccionar el modelo matemático que se va a utilizar, siendo en el caso de la
valoración de proyectos de inversión los más habituales el Valor Actual Neto
(VAN), y la Tasa Interna de Rentabilidad (TIR)
• Identificar las variables cuyo comportamiento se va a simular y las variables
relacionadas.
• Determinar la función de densidad de probabilidad f(x) asociada a cada una de
ellas y las funciones de distribución asociadas a las variables
• Proceder a la generación de números aleatorios comprendidos entre cero y
uno. Estos se llevan sobre el eje de ordenadas, y se proyectan horizontalmente
sobre las correspondientes funciones.
• Este proceso habrá de repetirse el número de veces necesario para poder
disponer del número adecuado de valores muestrales.
• A continuación, se sustituyen los valores simulados en el modelo matemático
para ver el resultado obtenido para las simulaciones realizadas.
• Agrupación y clasificación de los resultados. Con esto proceder con el análisis
estadístico y de inferencia sobre el comportamiento de la realidado
Se pueden aplicar dos procedimientos:
• Procedimiento aditivo: se parte de un número inicial de simulaciones (n), se
calcula la media y la desviación típica. A continuación añadir un número de
nuevas simulaciones equivalente al bloque inicial (n), de forma que se calcula
la media y la desviación típica del modelo matemático utilizando y el número
de simulaciones asciende a "2n". Los resultados calculados se comparan con
las anteriores, repitiéndose el proceso hasta que la media y la desviación
típica no diverjan en más de un 0,5 ó 1 por ciento.
• - Procedimiento multiplicativo: se parte de un número inicial de simulaciones
(n), y se calcula la media y la desviación típica. Luego añadir un número de
nuevas simulaciones equivalente a las acumuladas, de forma que ahora se
calcula la media y la desviación típica del modelo matemático utilizando el
número de simulaciones es el doble de las utilizadas en el paso anterior. Se
comparan los resultados con las anteriores, repitiéndose el proceso hasta que
la media y la desviación típica no diverjan en más de un 0,5 ó 1 por ciento.

Otras aplicaciones:
 Se utilizan a menudo en problemas físicos y matemáticos
 Se usan también cuando se presentan estos problemas diferentes:
optimización, integración numérica y la generación de muestras a partir de
una distribución de probabilidad.
  Útiles para los sistemas con muchos grados de libertad acoplados, tales
como fluidos, materiales desordenados, sólidos fuertemente acoplados, y
estructuras celulares simulando. Se utilizan para fenómenos modelo con una
incertidumbre significativa en los insumos, como el cálculo del riesgo en los
negocios.
 El modelo de Monte Carlos es un procedimiento bastante práctico para la
simulación de fenómenos con incertidumbre en los insumos y sistemas con
un gran número de grados de libertad acoplados. Las áreas de aplicación
incluyen:

Ciencias físicas – Ingeniería Telecomunicaciones

Biología Computacional Matemáticas
Infografía Integración
Estadística aplicada Simulación / Optimización
Diseño y visuales Problemas inversos
Finanzas y negocio Matemática Computacional

Actualmente la simulación presta un invalorable servicio en casi todas las áreas

posibles, entre las que se destacan:

Plantas industriales
Procesos de manufacturas
Brinda información para establecer las
Ayuda a detectar cuellos de botellas, a
condiciones óptimas de operación, y
distribuir personal, determinar la
para la elaboración de procedimientos
política de producción.
de operación y de emergencias

Sistemas públicos Sistemas de transportes

Predice la demanda de energía durante Detecta zonas de posible
las diferentes épocas del año, anticipa el congestionamiento, zonas con mayor
comportamiento del clima, predice la riesgo de accidentes, predice la
forma de propagación de enfermedades demanda para cada hora del día

Construcción
Predice el efecto de los vientos y
temblores sobre la estabilidad de los
edificios, provee información sobre las
condiciones de iluminación y
condiciones ambientales en el interior
de los mismos, detecta las partes de las
estructuras quedeben ser reforzadas
Capacitación
Dado que el riesgo y los costos son casi
nulos, una persona puede utilizar el
simulador para aprender por sí misma
utilizando el método más natural para
aprender: el de prueba y error
La herramienta de Simulación Montecarlo, así como tiene grandes beneficios y
aplicaciones, a continuación se describen algunas de las posibles desventajas:
 El desarrollo del modelo puede ser costoso, laborioso y lento.
 Existe la posibilidad de cometer errores. No se debe olvidar que la
experimentación se lleva a cabo con un modelo y no con el sistema real;
entonces, si el modelo está mal o se cometen errores en su manejo, los
resultados también serán incorrectos.
 No se puede conocer el grado de imprecisión de los resultados. Por lo
general el modelo se utiliza para experimentar situaciones nunca
planteadas en el sistema real, por lo tanto no existe información previa para
estimar el grado de correspondencia entre la respuesta del modelo y la del
sistema real.

Herramientas computacionales para la solución de modelos de Simulación

de Montecarlo

Existen varias herramientas computacionales para la solución de la

simulación de Montecarlo

 XLSTAT-Sim: es un software de simulación que le permite crear modelos con

evaluación de riesgo en Microsoft Excel y emplea métodos de simulación
como simulaciones Monte Carlo e Hipercubos Latinos para estimar la
distribución (incluyendo los intervalos de confianza) de variables importantes.
 Excel.
 EGS4, EGSnrc, PENELOPE, NOREC, MCNP y GEANT4. Algunos, como el
MCNP y el GEANT, tienen el respaldo de miles de científicos y
programadores que han trabajado en ellos de forma paralela y sucesiva
desde su primera versión.

1. ¿Por qué la simulación de Montecarlo es una excelente herramienta para

modelar problemas como los analizados?

 La simulación Monte Carlo brinda a la persona responsable de tomar las

decisiones una serie de posibles resultados, así como la probabilidad de que
se produzcan según las medidas tomadas. Muestra las posibilidades
extremas —los resultados de tomar la medida más arriesgada y la más
conservadora— así como todas las posibles consecuencias de las
decisiones intermedias.
  Este método es muy útil usar para analizar situaciones del mundo real
grandes y complejas, permite preguntas de “Qué-pasa-Si?”

 Además de que resuelve problemas que no tienen solución analítica permite

abordar desde problemas sencillos hasta problemas muy complicados pues
esta no interfiere con el mundo real ya que permite experimentar.

 El objeto de la investigación es el objeto en sí mismo, un suceso aleatorio o

pseudo-aleatorio se usa para estudiar el modelo.

 El análisis de escenarios tiene las siguientes limitaciones:

 Las combinaciones crecen exponencialmente cuantas más variables

aleatorias haya en juego.

 Definir la aleatoreidad de cada variable como valores con probabilidades

discretas ignora la posibilidad que las variables sean de tipo continuo.

 No tiene en cuenta que los valores más probables tienen una probabilidad
de ocurrencia mucho mayor que los extremos.

 Montecarlo genera una serie de escenarios posibles, pero tiene en cuenta

todos los valores que una variable puede tomar y pondera cada escenario
por su probabilidad de ocurrencia.

http://www.expansion.com/diccionario-economico/simulacion-de-monte-carlo.html

http://docsetools.com/articulos-utiles/article_100105.html

http://datateca.unad.edu.co/contenidos/301126/Datateca/TE_U2_3_DS.pdf