SIMULACIÓN MONTE CARLO

INDICE

INTRODUCCIÓN----------------------------------------------------------------3

ORIGEN---------------------------------------------------------------------------3

FUNDAMENTO------------------------------------------------------------------4

ALGORITMOS------------------------------------------------------------5

CARACTERISTICAS----------------------------------------------------6

ETAPAS DEL PROCESO DE SIMULACIÓN----------------------7

DIAGRAMA DE FLUJO DEL MODELO DE SIMULACIÓN----8

APLICACIONES------------------------------------------------------------------8

EJEMPLO--------------------------------------------------------------------------9

CONCLUSIÓN--------------------------------------------------------------------11

BIBLIOGRAFIAS-----------------------------------------------------------------12

1
INTRODUCCIÓN
En la Simulación Monte Carlo se agrupa una serie de procedimientos que analizan
distribuciones de variables aleatorias utilizando simulación de números aleatorios.
Este da soluciones a problemas matemáticos haciendo experimentos con
muestreos estadísticos en computadora.

A veces la aplicación del método Monte Carlo se usa para analizar problemas que
no tienen un componente aleatorio explícito; en estos casos un parámetro
determinista del problema se expresa como una distribución aleatoria y se simula
dicha distribución.

Se aplica a todo tipo de problema, ya sea estocástico o determinístico.

Generalmente en estadística los modelos aleatorios se usan para simular
fenómenos que poseen algún componente aleatorio. Pero en la simulación Monte
Carlo, el objeto de la investigación es el objeto en sí mismo, un suceso aleatorio o
pseudo-aleatorio se usa para estudiar el modelo.

La simulación de Monte Carlo es una técnica que combina conceptos estadísticos

(muestreo aleatorio) con la capacidad que tienen los ordenadores para generar
números pseudo‐aleatorios y automatizar cálculos.

ORIGEN
El método de Monte Carlo conocido también como simulación de Monte Carlo está
atribuido a Stanislaw Ulam y a John von Neumann en la década de 1940. Ellos
aplicaron los conceptos generales del método en la investigación de la bomba
atómica durante la segunda guerra mundial.

El nombre “Monte Carlo” proviene de Mónaco, conocida como la capital del juego
del azar, debido a que el juego de la ruleta era considerado como el primer
generador de números aleatorios. Es una técnica que es utilizada en diferentes
campos, como los de finanzas, gestión de proyectos, energía, manufacturación,

2
ingeniería, investigación y desarrollo, seguros, petróleo y gas, transporte y medio
ambiente.

Meri y Zundr (2000) establecieron que ésta es una técnica de simulación numérica
que sirve para generar variables aleatorias y evaluar la incertidumbre en sistemas
complejos en diferentes campos de las ciencias.

Ya aludido el principio de esta

técnica están ligados a la labor
desarrollado por Stan Ulam y John
Von Neumann a finales de los 40
en el laboratorio de Los Álamos,
cuando investigaban el movimiento
aleatorio de los neutrones.

En años posteriores, la simulación de Monte Carlo se ha venido aplicando a una

infinidad de ámbitos como dilema a los modelos matemáticos exactos o envuelto
como único medio de evaluar soluciones para problemas complejos. Así,
actualmente es permitido hallar modelos que hacen uso de simulación MC en las
áreas informática, industrial, económica e incluso social.

El nombre de Monte Carlo proviene de la famosa ciudad de Mónaco, en que

abundan los casinos de juego y donde el azar, la probabilidad y el comportamiento
aleatorio conforman todo un estilo de vida.

FUNDAMENTO
Los métodos de Monte Carlo abarcan una colección de técnicas que permiten
obtener soluciones de problemas matemáticos o físicos por medio de pruebas
aleatorias repetidas. En la práctica, las pruebas aleatorias se sustituyen por
resultados de ciertos cálculos realizados con números aleatorios.

Pr lo tanto el concepto básico de este método parte de la probabilidad, debido a

que plantea conocer la probabilidad de ocurrencia de un evento, que se obtiene

3
realizando el experimento un número suficiente de veces y determinando la
variable aleatoria dependiente como una función de densidad de los resultados
obtenidos en los experimentos realizados.

La simulación de Monte Carlo proporciona, con la creación de un modelo, la

respuesta de posibles resultados mediante la sustitución de un rango de valores
representados por una distribución de probabilidad, para cualquier factor con
incertidumbre.

Luego calcula los resultados una y otra vez, cada vez usando un grupo diferente
de valores aleatorios de las funciones de probabilidad. Para completar una
simulación de Monte Carlo puede ser necesario realizar miles o decenas de miles
de recálculos, dependiendo de la cantidad de incertidumbre y de los rangos
especificados.

ALGORITMOS

El algoritmo de Simulación Monte Carlos está fundamentado en la generación de

números aleatorios por el método de transformación inversa, el cual se basa en
las distribuciones acumuladas de frecuencias:

Cuando la variable aleatoria no es directamente el resultado de la simulación o

tenemos relaciones entre variables en la simulación Monte Carlos se trabaja con:

 Diseñar el modelo lógico de decisión

4
  Especificar distribuciones de probabilidad para las variables aleatorias
relevantes.
 Incluir posibles dependencias entre variables.
 Muestrear valores de las variables aleatorias.
 Calcular el resultado del modelo según los valores del muestreo (iteración)
y registrar el resultado
 Repetir el proceso hasta tener una muestra estadísticamente representativa
 Obtener la distribución de frecuencias del resultado de las iteraciones
 Calcular media, desvío.
 Analizar los resultados

CARACTERISTICAS

Las principales características para la implementación o utilización del algoritmo

son:

 El sistema debe ser descripto por 1 o más funciones de distribución de

probabilidad.
 Generador de números aleatorios: como se generan los números aleatorios
es importante para evitar que se produzca correlación entre los valores
muéstrales.
 Establecer límites y reglas de muestreo para las funciones de probabilidad:
conocemos que valores pueden adoptar las variables.
 Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo
a simular.
 Estimación Error: ¿Con que error trabajamos, cuanto error podemos
aceptar para que una corrida sea válida?
 Técnicas de reducción de varianza.
 Paralización y vectorización: En aplicaciones con muchas variables se
estudia trabajar con varios procesadores paralelos para realizar la
simulación.

5
ETAPAS DEL PROCESO DE SIMULACIÓN
o Definición, descripción del problema. Plan.
o Formulación del modelo.
o Programación.
o Verificación y Validación del modelo.
o Diseño de experimentos y plan de corridas.
o Análisis de resultados

6
DIAGRAMA DE FLUJO DEL MODELO DE SIMULACIÓN

7
APLICACIONES
Es utilizado para:

 Criptografía.
 Cromo dinámico cuántico.
 Densidad y flujo de tráfico.
 Diseño de reactores nucleares.
 Diseño de VLSI.
 Ecología.
 Econometría.
 Evolución estelar.
 Física de materiales.
 Métodos cuantitativos de organización industrial.
 Programas de computadora.
 Pronóstico del índice de la bolsa.
 Prospecciones en explotaciones petrolíferas.
 Radioterapia contra el cáncer.
 Sistemas de colas.
 Sistemas de inventario P y Q.
 Valoración de cartera de valores.

EJEMPLO
Tenemos la siguiente distribución de probabilidades para una demanda aleatoria y
queremos ver qué sucede con el promedio de la demanda en varias iteraciones:

8
Utilizando la distribución acumulada(F(x) es la probabilidad que la variable aleatoria tome
valores menores o iguales a x) podemos determinar cuál es el valor obtenido de unidades
cuando se genera un número aleatorio a partir de una distribución continua uniforme. Este
método de generación de variable aleatoria se llama Transformación Inversa.

Generando los valores aleatorios vamos a ver como se obtiene el valor de la

demanda para cada día, interesándonos en este caso como es el orden de
aparición de los valores.

Se busca el número aleatorio generado en la tabla de probabilidades acumuladas,

una vez encontrado (si no es el valor exacto, éste debe ser menor que el de la fila
seleccionada pero mayor que el de la fila anterior), de esa fila tomada como
solución se toma el valor de las unidades (Cuando trabajamos en Excel debemos
tomar el límite inferior del intervalo para busca en las acumuladas, para poder
emplear la función BUSCARV (), para 42 sería 0, para 430,100001 y así
sucesivamente).

9
Suponiendo que el número aleatorio generado sea 0,52, ¿a qué valor de unidades
corresponde? Nos fijamos en la columna de frecuencias acumuladas, ese valor
exacto no aparece, el siguiente mayor es 0,70 y corresponde a 48 unidades.

Se puede apreciar mejor en el gráfico, trazando una recta desde el eje de la

frecuencia hasta que intersecta con la línea de la función acumulada, luego se
baja a la coordenada de unidades y se obtiene el valor correspondiente; en este
caso 48. Cuando trabajamos con
variables discretas la función
acumulada tiene un intervalo o salto
para cada variable (para casos
prácticos hay que definir los intervalos
y luego con una función de búsqueda
hallar el valor). Para funciones
continuas se puede hallar la inversa
de la función acumulada.

De esta forma logramos a partir de la distribución de

densidad calcular los valores de la variable aleatoria
dada.

En la tabla, se ve como a
medida que aumenta el
número de simulaciones, el valor simulado se acerca
al valor original de la media y desviación estándar,
además de la disminución del error típico.

CONCLUSIÓN
La simulación de Montecarlo es útil para establecer probabilidades y definir
escenarios de actuación, con esta podemos guiarnos para la toma de decisiones,

10
identifica cada una de las variables estocástica las distribuciones de probabilidad
con sus parámetros.

La simulación Monte Carlos al final es una herramienta poderosa para la

proyección de los resultados con condiciones básicas de sensibilidad como: el
primero del escenario de normatividad más probable, el segundo del escenario de
adversidad o el más negativo y por último el escenario optimo, prospero o el mas
positivo.

Gracias a las herramientas de computación en la actualidad, es posible ejecutar

los pasos de la simulación de Monte Carlos de forma sencilla, esta se puede
realizar con Excel siempre y cuando las distribuciones de probabilidad de las
variables independientes sean parametrizadas como funciones en la aplicación, de
lo contrario es recomendable utilizar complementos de Excel o softwares
estadísticos.

BIBLIOGRAFIAS
Bong D. Monte Carlo Simulation.
http://www.visionengineer.com/mech/monte_carlo_simulation.shtml.

jasonforever1917 , Monografias.com. (s. f.). El metodo de Monte Carlo -

Monografias.com. monografias.
https://www.monografias.com/trabajos12/carlo/carlo.shtml

Claudethh, I. (2014, 26 noviembre). Método montecarlo. slideshare.

https://es.slideshare.net/irisclaudet/mtodo-montecarlo

O. (2012b, agosto 4). Simulacion monte carlo. slideshare.

https://es.slideshare.net/oscar7675/simulacion-monte-carlo

11
12