REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA

UNIVERSIDAD NACIONAL EXPERIMENTAL

POLITECNICA DE LAS FUERZAS ARMADAS NACIONAL

Simulación de Montecarlo y Bernoulli

Carrera: Ing. de Sistemas.

Sección: 07S-2626-D1

Materia: Simulación y Modelos

Profesora: Ysgleimy del Carmen Bermúdez Hernández

Realizado por:

Luis A. León Paz

C.I 27.137.718

Elias Jr. Melean Ramírez

C.I: 27.091.328

Maracaibo, 08 de Febrero de 2022

 Introducción

Iniciemos con lo que es simulación, consiste en repetir o duplicar características y

comportamientos de un sistema real. Una vez entendido esto podemos explicar
brevemente a la simulación de Montecarlo y Bernoulli.

La simulación de Montecarlo, por su parte, es una técnica matemática que permite

tener en cuenta el riesgo en análisis cuantitativos y tomas de decisiones, también
tenemos la simulación por el modelo de Bernoulli, que consiste en una distribución
aplicada a una variable aleatoria, que solo puede tener dos resultados, “verdadero o
éxito” o “falso o no éxito”.

A lo largo de este trabajo, se profundizará en aspectos como, origen, su uso, como

se emplea, entre otros, sin nada más que agregar, iniciemos.
 Índice

1. Simulación de Montecarlo y ejemplos.

2. Simulación por el método Bernoulli y ejemplos.

 Desarrollo

1. Simulación de Montecarlo

La simulación de Montecarlo es un método estadístico el cual es utilizado para

resolver problemas matemáticos complejos a través de la generación de
variables aleatorias. Esta técnica cuantitativa hace uso de la estadística y los
procesos en los ordenadores para imitar, mediante modelos matemáticos, el
comportamiento aleatorio de sistemas reales no dinámicos.

Para el uso correcto y sencillo de este método es necesario comprender que el

objetivo principal de la simulación de Montecarlo es intentar imitar el
comportamiento de las variables reales y poder analizar o predecir la evolución.

La simulación o método de Montecarlo, le debe su nombre a un juego de casino

del principado de Mónaco. La ruleta es uno de los juegos de casino más
populares y ejemplifica de manera sencilla el mecanismo que permite generar
números aleatorios.

 Origen:
Esta técnica está ligada al trabajo desarrollado por Stan Ulam y John Von
Neumann a finales de los 40 en el laboratorio de Los Álamos, como parte de
una investigación de movimiento aleatorio de los neutrones [W1]. Luego, esta
simulación se ha venido aplicando a una afinidad de ámbitos como alternativa
a los modelos matemáticos exactos o incluso como único medio de estimar
soluciones para problemas complejos.
Muchos autores han apostado por utilizar las hojas de cálculo para realizar la
simulación Montecarlo. La potencia de las hojas de cálculo reside en su
universalidad, en su facilidad de uso, en su capacidad para regular valores y
por, sobre todo, en las posibilidades que ofrece con respecto al análisis de
escenarios.

 ¿En qué se utiliza la simulación de Montecarlo?

Este método consiste en crear un modelo matemático del sistema, proceso o
actividad la cual requiere un análisis (esto dado a entender en los párrafos
anteriores), identificando aquellas variables inputs del modelo cuyo
comportamiento aleatorio determina el comportamiento global del sistema.
Una vez identificados dichos inputs o variables, se lleva a cabo el
experimento el cual consiste en:
 1. Generar – con ayuda del ordenador, muestras aleatorias y volares
concretos para dichos inputs.

2. Analizar el comportamiento del sistema ante los valores generados.

Esto se debe repetir tantas veces sea necesario para el experimento,

dispondremos de las observaciones sobre el comportamiento del sistema, lo
cual nos será de utilidad para comprender el funcionamiento del mismo,
nuestro análisis deberá ser el más preciso cuanto mayor sea el número de
iteraciones en el experimento.

 Simulación de Montecarlo en economía:

En economía, esta simulación es utilidad tanto en empresas como en
inversiones. Siendo en el mundo de las inversiones donde más se aplica.

Algunos ejemplos de esto son los siguientes:

 Crear, valorar y analizar carteras de inversión.

 Valorar productos financieros complejos como las opciones

financieras.

 Creación de modelos de gestión de riesgo.

Dado que la rentabilidad de una inversión puede ser impredecible, se utiliza

este tipo de método para evaluar distintos tipos de escenarios. Un ejemplo
sencillo se encuentra en la bolsa de valores.

Los movimientos de una acción no se pueden predecir. Se pueden estimar,

pero es imposible hacerlo con exactitud y es por ello que, mediante la
simulación de Montecarlo, se intenta imitar el comportamiento de una acción
o de un conjunto de ellas para analizar cómo podrían evolucionar. Una vez
se realiza la simulación de Montecarlo se extraen una cantidad muy grande
de escenarios posibles.
  Generación de números aleatorios:

Un punto clave de esta simulación es generación de números aleatorios,

pero... ¿Cómo generamos números aleatorios? Con programas informáticos.
Ya que, si utilizáramos un mecanismo cómo una ruleta, esto podría llevarnos
muchas horas.

Si queremos generar 10.000 números aleatorios, el tiempo que se necesitaría

ya sería absurdo. Así pues, se utilizan programas como Excel para generar
estos números. No se consideran números puramente aleatorios, ya que los
crea el programa con una fórmula. No obstante, se parecen mucho a las
variables requeridas. Y es por eso que se le llaman números pseudo-
aleatorios. Resuelto este problema, solo queda por ver una aplicación del
método.

- Ejemplos de la simulación de Montecarlo:

Tendremos dos (2) ejemplos para este método en particular:

a. Simulación de Montecarlo aplicada en la bolsa de valores:

Supongamos que se contrata a un gestor para realizar operaciones

por nosotros en la bolsa de valores.

El gesto nos presume de haber ganado 50% de rentabilidad durante

el último año con una cuenta de valores de 20.000 dólares. Para
confirmar lo que este dice, le pedimos su track record auditado. Es
decir, el registro de todas sus operaciones verificadas por un auditor
(Evitando estafas y cuentas falsas). El gestor nos facilita toda la
documentación y procedemos a valorar la cuenta de resultados.

Ahora, supongamos que disponemos de 20.000$. Introducimos las

variables correspondientes en nuestro programa informático y
extraemos el siguiente gráfico:
 Con estos resultados facilitados por el gestor, se han realizado 10.000
simulaciones. Además, los resultados se han proyectado cuatro años.
Esto es, 10.000 escenarios diferentes para esos resultados durante
cuatro años.

En la gran mayoría de escenarios se genera una rentabilidad positiva,

pero existe una pequeña probabilidad de perder dinero. La simulación
de Montecarlo nos facilita una afinidad de combinaciones para evaluar
escenarios de los que a simple vista no somos conscientes.

b. Gotas de lluvia para estimar π:

Consideremos un círculo de radio circunscrito por un cuadrado.

Suponiendo una ‘Lluvia uniforme’ sobre el cuadrado, podemos hallar el
valor de π a partir de la probabilidad de que las gotas caigan dentro
del círculo:
 1 √1−𝑥 2 1
á𝑟𝑒𝑎 𝑑𝑒𝑙 𝑐í𝑟𝑐𝑢𝑙𝑜 ∫ 𝑑𝑥 ∫ 2 𝑑𝑦 2 ∫−1 𝑑𝑥√1 − 𝑥 2 𝜋
𝑃= = −1 1 − √1−𝑥
1 = =
á𝑟𝑒𝑎 𝑑𝑒𝑙 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜 ∫−1 𝑑𝑥 ∫−1 𝑑𝑦 2∗2 4

Es decir, π=4P. Nótese que:

1. Podemos simular fácilmente este experimento generando

aleatoriamente con un ordenador, puntos de coordenadas
cartesianas (x,y).

2. Podemos mejorar nuestra estimación de π aumentando el

número de puntos generados.

3. Tenemos un método para hallar la integral que aparece en la

ecuación.

Ciertamente el valor de π puede encontrarse de forma más rápida y

precisa mediante otros métodos, pero veremos que el método de
Montecarlo es el más eficiente para hallar integrales
multidimensionales.

2. Simulación de Bernoulli:

La ‘Simulación de Bernoulli’, es un modelo teórico utilizado para representar una

variable aleatoria discreta la cual solo puede resultar en dos sucesos
mutuamente excluyentes, nombrado así por el matemático suizo Jacob Bernoulli.

En otras palabras, la distribución de Bernoulli es una distribución aplicada a una

variable aleatoria discreta, la cual solo puede resultar en dos sucesos posibles:
“éxito” y “no éxito”.

 Funcionamiento del modelo

El método o modelo de Bernoulli usa una variable aleatoria ‘X’ que tiene
distribución de Bernoulli si su función de probabilidad es:

F (x, p) = p ^x(1-p) ^1-X

X=0,1
 P: probabilidad de éxito.

1-p: probabilidad de fracaso.

Su valor esperado y su varianza están dados por:

E(X)=p

Var(X)=p(1-p)

Para generar estos valores en una variable aleatoria Bernoulli ‘X’ con
probabilidad de éxito ‘p’, se puede proceder a través de un algoritmo
conformado por los siguientes pasos:

1. Generar ‘r’

2. Asignar ‘x’ = 0 si r ≥ p

X = 1 si r≤ p

Donde ‘r’, son números aleatorios con distribución uniforme en el

intervalo (0,1). Como ejemplo, en la siguiente tabla se presentan los
resultados obtenidos al desarrollar un proceso para simular 10 valores
‘x’ de una variable ‘X’ con distribución de Bernoulli con parámetro
p=0,7. La función de probabilidad correspondiente está dada por:

F(x,0.7) = (0.7) ^x (0-3) ^1-x

El valor esperado y la varianza son, respectivamente E(X)=0.7 y

Var(X)=0.7(0.3) =0.21.
 Números P xi
aleatorios
0,914 0,7 0
0,775 0,7 0
0,495 0,7 1
0,534 0,7 1
0,585 0,7 1
0,185 0,7 1
0,521 0,7 1
0,079 0,7 1
0,968 0,7 0
0,346 0,7 1

 Ejemplos de Modelo de Bernoulli:

 En la práctica, los ensayos de Bernoulli se utilizan para modelar

fenómenos aleatorios que sólo tienen dos resultados posibles, como,
por ejemplo:

 Al lanzar una moneda, comprobar si sale cara (éxito) o cruz (fracaso).

Se suele suponer que una moneda tiene una probabilidad de éxito de
0,5.

 Al lanzar un dado, ver si se obtiene un seis (éxito) o cualquier otro

valor (fracaso).

 Al realizar una encuesta política, tras escoger un votante al azar, ver

si este votará "sí" en un referéndum próximo.

 ¿Era el recién nacido niña?

 ¿Son verdes los ojos de una persona?

 ¿Decidió un cliente potencial comprar determinado producto?

 Hay que entender que éxito y fracaso son etiquetas para los
resultados y que no debe ser interpretado literalmente.
 Conclusión
El Modelo de Montecarlo trata de simular un escenario real y sus distintas
posibilidades, permitiendo así predecir el comportamiento de las variables, en otra
instancia tenemos el Modelo de Bernoulli en el que sólo se pueden obtener dos
resultados éxito o fracaso.

A pesar de esto, ambos modelos o técnicas, permiten el estudio y análisis de

sistemas, para así resolver la problemática propuesta a través de diferentes
escenarios dados, gracias a una serie de datos iniciales que les permiten reducir la
incertidumbre ya que generan diferentes escenarios, mejorando así la toma de
decisiones, un ejemplo de ello es al momento de invertir, ya sea en una maquinaria,
en una organización u otras cosas.
 Referencias Electrónicas

https://economipedia.com/definiciones/distribucion-de-bernoulli.html

https://es.wikipedia.org/wiki/Método_de_Montecarlo

https://repositorio.uptc.edu.co/bitstream/001/3928/1/3012.pdf

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/distributions/bernoulli-distribution/

https://www.sdelsol.com/glosario/simulacion-de-montecarlo/

https://es.wikipedia.org/wiki/Ensayo_de_Bernoulli