UNIVERSIDAD POLITECNICA DE NICARAGUA

UPOLI
SEDE-ESTELI

Manual de simulación Montecarlo

Elaborado por: Josy Karina Mendieta Castellano

Asignado por:
Ing. Pastrana Moreno

Fecha:
22/02/2011

Asignatura: Simulación por computadora

IV Año de Ingeniería en sistema de Información

TEMARIO II

CONTENIDO:

Historia ***************************************************************************************1

¿Qué es la simulación Monte Carlo? ****************************************************************2

¿Cómo funciona la simulación Monte Carlo? *********************************************************2

Las distribuciones de probabilidad más comunes ******************************************************3

Ventajas **************************************************************************************3

Orígenes del método *****************************************************************************4

Ejemplo ***************************************************************************************5
Historia

La invención del método de Montecarlo se asigna a Stanislaw Ulam y a John von Neumann. Ulam ha explicado cómo se le ocurrió l a
idea mientras jugaba un solitario durante una enfermedad en 1946. Advirtió que resulta mucho más simple tener una idea del
resultado general del solitario haciendo pruebas múltiples con las cartas y contando las proporciones de los resultados que computar
todas las posibilidades de combinación formalmente. Se le ocurrió que esta misma observación debía aplicarse a su trabajo de Los
Álamos sobre difusión de neutrones, para la cual resulta prácticamente imposible solucionar las ecuaciones íntegro-diferenciales que
gobiernan la dispersión, la absorción y la fisión. “La idea consistía en probar con experimentos mentales las miles de posibilidades, y en
cada etapa, determinar por casualidad, por un número aleatorio distribuido según las probabilidades, qué sucedería y totaliza r todas las
posibilidades y tener una idea de la conducta del proceso físico”.

Podían utilizarse máquinas de computación, que comenzaban a estar disponibles, para efectuar las pruebas numéricas y en efect o
reemplazar el aparato experimental del físico. Durante una de las visitas de von Neumann a Los Álamos en 1946, Ul am le mencionó el
método. Después de cierto escepticismo inicial, von Neumann se entusiasmó con la idea y pronto comenzó a desarrollar sus
posibilidades en un procedimiento sistemático. Ulam expresó que Montecarlo “comenzó a tener forma concreta y empezó a
desarrollarse con todas sus fallas de teoría rudimentaria después de que se lo propuse a Johnny”.

A principios de 1947 Von Neumann envió una carta a Richtmyer a Los Álamos en la que expuso de modo influyente tal vez el prim er
informe por escrito del método de Montecarlo. Su carta fue encuadernada junto con la respuesta de Richtmyer como un informe de
Los Álamos y distribuida entre los miembros del laboratorio. Von Neumann sugería aplicar el método para rastrear la generación
isótropa de neutrones desde una composición variable de material activo a lo largo del radio de una esfera. Sostenía que el problema
era adecuado para el ENIAC y estimaba que llevaría 5 horas calcular la acción de 100 neutrones a través de un curso de 100 colisiones
cada uno.

Ulam estaba particularmente interesado en el método Montecarlo para evaluar integrales múltiples. Una de las primeras aplicaciones
de este método a un problema determinista fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von Neumann cuando consideraron
los valores singulares de la ecuación de Schrödinger.
Simulación Monte Carlo

El análisis de riesgo forma parte de todas las decisiones que tomamos. Nos enfrentamos continuamente a la incertidumbre, la
ambigüedad y la variabilidad. Y aunque tenemos un acceso a la información sin precedentes, no podemos predecir con precisión el
futuro. La simulación Monte Carlo permite ver todos los resultados posibles de las decisiones que tomamos y evaluar el impacto del
riesgo, lo cual nos permite tomar mejores decisiones en condiciones de incertidumbre.

¿Qué es la simulación Monte Carlo?

La simulación Monte Carlo es una técnica matemática computarizada que permite tener en cuenta el riesgo en análisis cuantitativos y
tomas de decisiones. Esta técnica es utilizada por profesionales de campos tan dispares como los de finanzas, gestión de proyectos,
energía, manufacturación, ingeniería, investigación y desarrollo, seguros, petróleo y gas, transporte y medio ambiente.

La simulación Monte Carlo ofrece 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.

Es un método no determinístico o estadístico numérico usado para aproximar expresiones matemáticas complejas y costosas de
evaluar con exactitud. El método se llamó así en referencia al Casino de Montecarlo (Principado de Mónaco) por ser “la capital del
juego de azar”, al ser la ruleta un generador simple de números aleatorios. El nombre y el desarrollo sistemático de los méto dos de
Montecarlo datan aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la computadora.

El uso de los métodos de Montecarlo como herramienta de investigación, proviene del trabajo realizado en el desarrollo de la bomba
atómica durante la segunda guerra mundial en el Laboratorio Nacional de Los Álamos en EE.UU. Este trabajo conllevaba la simulación
de problemas probabilísticos de hidrodinámica concernientes a la difusión de neutrones en el material de fisión. Esta difusión posee un
comportamiento eminentemente aleatorio. En la actualidad es parte fundamental de los algoritmos de Raytracing para la generación
de imágenes 3D.

El método de Montecarlo proporciona soluciones aproximadas a una gran variedad de problemas matemáticos posibilitando la
realización de experimentos con muestreos de números pseudoaleatorios en una computadora. El método es aplicable a cualquier tipo
de problema, ya sea estocástico o determinista. A diferencia de los métodos numéricos que se basan en evaluaciones en N puntos en
un espacio M-dimensional para producir una solución aproximada, el método de Montecarlo tiene un error absoluto de la estimación
que decrece como en virtud del teorema del límite central.

Los científicos que trabajaron con la bomba atómica utilizaron esta técnica por primera; y le dieron el nombre de Monte Carlo, la
ciudad turística de Mónaco conocida por sus casinos. Desde su introducción durante la Segunda Guerra Mundial, la simulación M onte
Carlo se ha utilizado para modelar diferentes sistemas físicos y conceptuales.

¿Cómo funciona la simulación Monte Carlo?

La simulación Monte Carlo realiza el análisis de riesgo con la creación de modelos de posibles resultados mediante la sustitución de un
rango de valores —una distribución de probabilidad— para cualquier factor con incertidumbre inherente. Luego, calcula los resultados
una y otra vez, cada vez usando un grupo diferente de valores aleatorios de las funciones de probabilidad. Dependiendo del nú mero de
incertidumbres y de los rangos especificados, para completar una simulación Monte Carlo puede ser necesario realizar miles o decenas
de miles de recálculos. La simulación Monte Carlo produce distribuciones de valores de los resultados posibles.

El análisis de riesgo se puede realizar cualitativa y cuantitativamente. El análisis de riesgo cualitativo generalmente incluye la eva luación
instintiva o “por corazonada” de una situación, y se caracteriza por afirmaciones como “Eso parece muy arriesgado” o “Proba blemente
obtendremos buenos resultados”. El análisis de riesgo cuantitativo trata de asignar valores numéricos a los riesgos, utilizando datos
empíricos o cuantificando evaluaciones cualitativas. Vamos a concentrarnos en el análisis de riesgo cuantitativo.

Mediante el uso de distribuciones de probabilidad, las variables pueden generar diferentes probabilidades de que se produzcan
diferentes resultados. Las distribuciones de probabilidad son una forma mucho más realista de describir la incertidumbre en las
variables de un análisis de riesgo.
Las distribuciones de probabilidad más comunes son:

Normal – O “curva de campana”: El usuario simplemente define la media o valor esperado y una desviación estándar para describir la
variación con respecto a la media. Los valores intermedios cercanos a la media tienen mayor probabilidad de producirse. Es una
distribución simétrica y describe muchos fenómenos naturales, como puede ser la estatura de una población. Ejemplos de varia bles
que se pueden describir con distribuciones normales son los índices de inflación y los precios de la energía.

Lognormal: Los valores muestran una clara desviación; no son simétricos como en la distribución normal. Se utiliza para representar
valores que no bajan por debajo del cero, pero tienen un potencial positivo ilimitado. Ejemplos de variables descritas por la
distribución Lognormal son los valores de las propiedades inmobiliarias y bienes raíces, los precios de las acciones de bolsa y las
reservas de petróleo.

Uniform: Todos los valores tienen las mismas probabilidades de producirse; el usuario sólo tiene que definir el mínimo y el máximo.
Ejemplos de variables que se distribuyen de forma uniforme son los costos de manufacturación o los ingresos por las ventas futuras de
un nuevo producto.

Triangular: El usuario define los valores mínimo, más probable y máximo. Los valores situados alrededor del valor más probable tienen
más probabilidades de producirse. Las variables que se pueden describir con una distribución triangular son el historial de ventas
pasadas por unidad de tiempo y los niveles de inventario.

PERT: El usuario define los valores mínimo, más probable y máximo, como en la distribución triangular. Los valores situados alrededor
del más probable tienen más probabilidades de producirse. Sin embargo, los valores situados entre el más probable y los extremos
tienen más probabilidades de producirse que en la distribución triangular; es decir, los extremos no tienen tanto peso. Un ejemplo de
uso de la distribución PERT es la descripción de la duración de una tarea en un modelo de gestión de un proyecto.

Discrete: El usuario define los valores específicos que pueden ocurrir y la probabilidad de cada uno. Un ejemplo podría ser los
resultados de una demanda legal: 20% de posibilidades de obtener un veredicto positivo, 30% de posibilidades de obtener un veredicto
negativo, 40% de posibilidades de llegar a un acuerdo, y 10% de posibilidades de que se repita el juicio.

Durante una simulación Monte Carlo, los valores se muestrean aleatoriamente a partir de las distribuciones de probabilidad
introducidas. Cada grupo de muestras se denomina iteración, y el resultado correspondiente de esa muestra queda registrado. La
simulación Monte Carlo realiza esta operación cientos o miles de veces, y el resultado es una distribución de probabilidad de posibles
resultados. De esta forma, la simulación Monte Carlo proporciona una visión mucho más completa de lo que puede suceder. Indica no
sólo lo que puede suceder, sino la probabilidad de que suceda.

La simulación Monte Carlo proporciona una serie de ventajas sobre el análisis determinista o “estimación de un solo punto”:

Resultados probabilísticos: Los resultados muestran no sólo lo que puede suceder, sino lo probable que es un resultado.

Resultados gráficos: Gracias a los datos que genera una simulación Monte Carlo, es fácil crear gráficos de diferentes resultados y las
posibilidades de que sucedan. Esto es importante para comunicar los resultados a otras personas interesadas.

Análisis de sensibilidad: Con sólo unos pocos resultados, en los análisis deterministas es más difícil ver las variables que más afectan el
resultado. En la simulación Monte Carlo, resulta más fácil ver qué variables introducidas tienen mayor influencia sobre los resultados
finales.

Análisis de escenario: En los modelos deterministas resulta muy difícil modelar diferentes combinaciones de valores de diferentes
valores de entrada,

Con el fin de ver los efectos de situaciones verdaderamente diferentes. Usando la simulación Monte Carlo, los analistas pueden v er
exactamente los valores que tienen cada variable cuando se producen ciertos resultados. Esto resulta muy valioso para profundizar en
los análisis.
Correlación de variables de entrada: En la simulación Monte Carlo es posible modelar relaciones interdependientes entre diferentes
variables de entrada. Esto es importante para averiguar con precisión la razón real por la que, cuando algunos factores suben, otros
suben o bajan paralelamente.

Una ventaja de la simulación Monte Carlo es el uso del muestreo Latino Hipercúbico, que muestrea con mayor precisión a partir de un
rango completo de funciones de distribución.

Orígenes del método

Ejemplo

Si deseamos reproducir, mediante números aleatorios, la tirada sucesiva de una moneda, debemos previamente asignarle un inter valo
de números aleatorios a CARA y otro a CRUZ, de manera de poder interpretar el resultado de la simulación. Tales intervalos se asignan
en función de las probabilidades de ocurrencia de cada cara de la moneda. Tenemos así:

CARA Probabilidad: 0,50 Números aleatorios: 0,000 al 0,499

CRUZ Probabilidad: 0,50 Números aleatorios: 0,500 al 0,999

Después, al generar un número aleatorio a partir de la función RAN de la calculadora, por ejemplo, obtenemos el resultado sim ulado.
Así, si obtenemos el número aleatorio 0,385, observamos que está incluido en el intervalo asignado a CARA.

En otras aplicaciones, se asocian intervalos de números aleatorios según las probabilidades de ocurrencia de los eventos a si mular.

A continuación se presenta un ejemplo de la utilización del método de Monte Carlo en la planilla de Microsoft Excel:

Estos son los datos del Ejercicio:

Luego se comienza a construir el Modelo: Para cada tipo de gaseosa se calcula: El Acumulando de las probabilidades el promedio y el
riesgo se aplica la función aleatorio () y buscar ()Se aplica la función estocástica para determinar la cantidad.

Luego y en función de estos valores se procede al cálculo del Valor Actual Neto, utilizando la función predeterminada del Excel VNA;
recuerde que la inversión inicial correspondiente al momento 0, va leteando a esta función.
Una vez que se tiene la estructura para el cálculo del Valor Actual Neto, se puede realizar una macro que valla acumulando los regi stros
de cada valor puntual que correspondan al Valor Actual Neto, a medida que se activa la función aleatoria para cada simulación. Además
se puede ir calculando los valores correspondientes del promedio y del desvío, a fin de poder estudiar el comportamiento del modelo.
Se puede construir el Histograma correspondiente a los valores del Valor Actual Neto, para ello se recurre a la opción Histograma
localizada en el Análisis de los datos, que se encuentra en Herramientas del asistente. Utilizando la función de Análisis de datos

Con los datos de la tabla que se encuentran el promedio y el riesgo del Valor Actual Neto, se construye el gráfico del Promedio y del
desvío muestral por número de simulaciones.
Al construir el Histograma se cuenta con la opción de realizar el gráfico automáticamente y además adicionar el porcentaje ac umulado.
El resultado se muestra en la siguiente imagen.