Universidad tecnológica de los Andes (Escuela Profesional de Ingeniería

de Sistemas e Informática)

Autor:
Alexander Moisés Inche Delgado
Ronald salinas Soria
Frank choque pacheco

Monografía
Simulación Montecarlo

Docente:

Tomaylla Gutierrez Yuliana Miriam

Peru-2022
 Dedicatoria

Quiero dedicarle este trabajo

A Dios que me ha dado la vida y fortaleza

para terminar este proyecto de investigación,

A mis Padres por estar ahí cuando más los necesité; en

especial a mi madre por su ayuda y constante cooperación y

A mi novio José por apoyarme y ayudarme en los

momentos más difíciles.

Resumen

La simulación Monte Carlo es una

herramienta estadística, que permite la modelación de

resultados en el comportamiento histórico de los datos

y su probabilidad de ocurrencia.

Este trabajo es representar y rescatar las

bondades de esta herramienta en el mundo

empresarial e incorporando condiciones de

incertidumbre y riesgo en la modelación a corto plazo

Contenido
Introducción..................................................................................................................................................4
Inicios del Método de Monte Carlo.............................................................................................................5
¿QUE ES LA SIMULACIÓN MONTE CARLO?.....................................................................................6
Definición..................................................................................................................................................6
¿CUAL ES LA CLAVE DE LA SIMULACION MONTE CARLO?........................................................6
¿Cómo funciona la simulación de Monte Carlo?........................................................................................7
Distribución normal....................................................................................................................................7
Distribución logarítmica normal.................................................................................................................8
Distribución uniforme................................................................................................................................8
Distribución triangular................................................................................................................................8
Distribución PERT.....................................................................................................................................8
Distribución discreta...................................................................................................................................8
Para qué se utiliza la simulación de Monte Carlo.......................................................................................9
Investigación industrial..............................................................................................................................9
Economía y Finanzas..................................................................................................................................9
Estadísticas computacionales......................................................................................................................9
Cómo ejecutar la Simulación de Monte Carlo en Excel...............................................................................10
Variables de entrada.................................................................................................................................10
Simulación número uno............................................................................................................................10
Estadísticas de resumen............................................................................................................................10
Principales ventajas......................................................................................................................................11
DESVENTAJAS..........................................................................................................................................12
Anexos.........................................................................................................................................................12
Ejemplo 1.................................................................................................................................................12
Ejemplo 2................................................................................................................................................14
CONCLUSION................................................................................................¡Error! Marcador no definido.
Referencias...................................................................................................................................................16
Introducción
La simulación Montecarlo es un método que combina el uso del sistema de información

organizacional (información histórica principalmente) y la aleatoriedad para estimar la posibilidad de

ocurrencia de un evento aplicando método para proyecto los estados financieros de ocurrencia de

escenarios deseables o no deseables con el fin de tomar acciones sobre la variable que puede controlar

Aplicando esta simulación monte carlo requiere la identificación de la variable claves que

afectan el resultado a proyectar, así como la distribución de probabilidad que defina el comportamiento

de estas variables. Esta investigación pretende resaltar el uso de la simulación monte carlo como

herramienta poderosa para la gestión estratégicas de sus recursos en el corto plazo, en especial las

variables que afectan el resultado del periodo: ingresos, costos y otros gastos de esa manera es análisis

de sensibilidad se podrá identificar las probabilidades de ocurrencia no favorable.

La simulación monte carlo en ámbito de los negocios como un método que contribuye a la

gestión de los costos para tomar de decisiones y también se presenta los requerimientos de información

de los sistemas de costo y ventajas y las limitaciones de la aplicación de dicha simulación de proyección

de la información y también se presentara hallazgos y conclusión derivados de un estudio de caso en la

construcción de múltiples escenarios de estados de servicio de testing de software

¿QUE ES LA SIMULACIÓN MONTE CARLO?

Definición
Puedes usar la Simulación de Monte Carlo para generar variables aleatorias con la ayuda de una

técnica matemática. Puedes usar esta técnica para determinar la incertidumbre y modelar el riesgo de un

sistema. Se utilizan entradas y variables aleatorias de acuerdo con la distribución de probabilidad simple,

como log-normal. Esta simulación ayuda a generar la trayectoria y el resultado de un modelo mediante

cálculos numéricos simples o simulación.

Este método es razonable cuando se tiene que analizar un sistema complejo o los parámetros de

un modelo incierto. Se puede modelar el riesgo en el sistema con este método. Una Simulación de

Monte Carlo sólo proporcionará una estimación de la incertidumbre del modelo. No se puede considerar

como un análisis final. Sin embargo, con este método, puede generar una aproximación del riesgo y la

incertidumbre del sistema. La mejor parte de esta simulación es que se puede utilizar esta técnica

ampliamente. Por ejemplo, muchos expertos la utilizan en finanzas cuantitativas, inteligencia artificial,

estadística, biología computacional y ciencias físicas.

Como surge
comenzó con el desarrollo de la bomba atómica en la Segunda Guerra Mundial en el Laboratorio

Nacional de Los Álamos. Durante el desarrollo de este proyecto, los científicos Von Neumann y Ulam

perfeccionaron la técnica y la aplicaron a problemas de cálculo de difusión de neutrones en un material.

Alrededor de 1970, los desarrollos teóricos en complejidad computacional comienzan a proveer mayor

precisión y relación para el empleo del método Monte Carlo [1] Actualmente el método Monte Carlo a

veces es usado 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
¿Cómo funciona la simulación de Monte Carlo?
La Simulación de Monte Carlo no genera un único valor de resultado, sino que produce una

serie de posibles resultados. Por eso es la técnica favorita y fácil para analizar el riesgo de un modelo, el

modelo sustituye a una gama diferente de posibles resultados. En resumen, deriva la distribución de

probabilidad de un factor que es incierto.

Esta simulación se ejecuta repetidamente y calcula diferentes valores aleatorios cada vez usando

las funciones de probabilidad. Para completar una simulación, se necesitan miles de recálculos según la

incertidumbre del modelo.

Puede utilizar la distribución de probabilidad para encontrar diferentes resultados de diferentes

variables. Para el análisis de riesgos, este es el método más sensato y realista a utilizar. Aquí están

algunas de las distribuciones de probabilidad comunes que implica esta simulación: (Data Science

Team, 2020)

Distribución normal
Esta distribución de probabilidad también se llama la curva de campana. Se puede definir la

media y una desviación estándar para describir la variación media. Los valores en el centro y cerca de la

media son posiblemente los resultados. Este método es simétrico, y puedes encontrar el peso medio de

las personas. Además, también puedes determinar fenómenos naturales como los precios de la energía y

las tasas de crecimiento.

Distribución logarítmica normal

Estos valores no son simétricos sino sesgados e implican una distribución normal. Esta

distribución no tiene valores por debajo de cero, sino que incluye un potencial positivo ilimitado. Los
 ejemplos de esta variable incluyen los precios de las acciones, los valores de las propiedades y las

reservas de petróleo.

Distribución uniforme
Cada valor puede ocurrir con la misma oportunidad. Es necesario definir si las posibilidades son

mínimas o máximas. La distribución se divide uniformemente y contiene resultados como las ventas

futuras y el coste de fabricación de un producto que usted fabrica.

Distribución triangular
Puede definir el historial de ventas de una unidad según el nivel de inventario y el tiempo. El

resultado será máximo, mínimo y muy probable en esta distribución.

Distribución PERT
Es necesario definir el valor máximo, mínimo y más probable en esta distribución. Por ejemplo,

esta distribución puede definir cuánta duración tendrá una tarea en el modelo de gestión de proyectos.

Distribución discreta
También puede encontrar la probabilidad o un valor específico a partir de los datos que el

usuario define. Puede definir el veredicto como 30% positivo, 20% negativo, 40% de anulación del

juicio y 10% de acuerdo.

Para qué se utiliza la simulación de Monte Carlo
La Simulación de Monte Carlo puede resolver varios problemas en diferentes campos de la

ciencia y la tecnología. La siguiente sección describe algunos campos que utilizan esta simulación:

Investigación industrial
Los expertos de los centros de investigación industrial y operativa utilizan este método para

encontrar sistemas de fiabilidad, redes de colas, programación de trabajos y procesos de inventario.

Muchas personas de los departamentos de diseño y control de máquinas y robots confían en esta técnica

para resolver problemas de computación. Esta simulación también proporciona ayuda con problemas de

optimización, programación, diseño óptimo y otros problemas de satisfacción.

Economía y Finanzas
Muchos economistas e instituciones financieras utilizan esta técnica de simulación como

herramienta de análisis. Pueden utilizarla para analizar el riesgo y la incertidumbre en varios

componentes, como los precios y las acciones. También pueden estimar el tiempo y la calidad del

producto.

Estadísticas computacionales
Esta simulación ha cambiado la forma en que realizamos el análisis de datos y utilizamos la

información resultante. Para procesar grandes datos, ya no utilizamos los métodos tradicionales para el

análisis estadístico y los modelos. Se puede utilizar la Simulación de Monte Carlo para derivar la

distribución posterior y varias otras cantidades. Además, puedes encontrar diferentes valores complejos

como los valores p.

Cómo ejecutar la Simulación de Monte Carlo en Excel
Variables de entrada
Necesitas incluir tres variables en una distribución normal. Media, probabilidad y desviación

estándar. Supongamos que tomamos las variables de una compañía financiera que involucran tres

columnas: Ingresos, Gastos fijos y variables. Si restas los Ingresos de los Gastos Variables y luego restas

los Gastos Fijos, obtendrás la Ganancia como resultado. Entonces puede asumir las curvas de

distribución de los Gastos Variables y los Gastos de Ingresos.

Simulación número uno

Usaremos la fórmula NORM.IVN(). En esta fórmula, se usará la probabilidad como la RAND()

de la distribución, el ingreso previsto como la media como C3, y el ingreso por desviación estándar

como C4

Estadísticas de resumen
Cuando se ejecuta la simulación, se pueden recopilar estadísticas de resumen. Puedes usar la

fórmula de COUNTIF() para encontrar el porcentaje no rentable de la simulación.

Principales ventajas
El simulador monte Carlo tiene muchas ventajas respecto a otro tipo de análisis deterministas o

de “estimación de un solo punto”. Entre ellos podemos destacar

 Ofrece 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. En este método resulta más fácil ver qué variables introducidas

tienen mayor influencia sobre los resultados finales.

 El análisis de escenario. Usando la simulación Monte Carlo, los analistas pueden ver

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. También permite 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 paralelame.

DESVENTAJAS

Una buena simulación puede resultar muy complicada, gran número de variables.

La simulación no genera soluciones Óptimas globales.

No proporciona la decisión a tomar, sino que resuelve el problema mediante aproximación para

unas condiciones iniciales.

Anexos
Ejemplo 1
GRAFICO DE SIMULACION MEDIANTE RISK
Ejemplo 2
GRAFICO DE SIMULACION MEDIANTE RISK
Conclusión
Llegamos a Las conclusiones que deben extraerse por orden de importancia son las siguientes:

Los resultados coherentes y razonables obtenidos confirman que el método de Monte Carlo proporciona

una herramienta eficaz para la estimación de la vulnerabilidad de un dique vertical. Este método

proporciona estabilidad en la estimación de la evolución de la vulnerabilidad con la altura de ola.

Además, no se observa un cambio brusco en la evolución del nivel de daño global cerca de la altura de

ola de diseño utilizada en los análisis de nivel I y Es fundamental para la evaluación del nivel de daño

global la definición de las tolerancias admisibles para cada uno de los modos de fallo, a prioridad del

análisis. Su valor influye considerablemente en el nivel de daño global.

Referencias
Data Science Team. (2 de marzo de 2020). Obtenido de Data Science Team.

DIRECCIÓN DE PROYECTOS. (26 de AGOSTO de 2020). Obtenido de EALDE: https://www.ealde.es/metodo-

simulacion-monte-carlo/
Yauri, Y. E. (2009). METODOS CUANTITATIVOS PARA LOS NEGOCIOS. 248.