INSTITUTO TECNOLOGICO DE SANTO DOMINGO

AREA DE INGENIERÍAS – INGENIERIA ECONOMICA – INI301

Tema

Método de Montecarlo

Estudiantes

Juan Guzmán (1099991)

Julio Peña (1099396)

María Espinal Illescas (1099595)

Oscar Sánchez (1101671)

Maestro

Humberto Amaury Grullón Vidal

Miércoles, 30 de marzo del año 2022

Santo Domingo, República Dominicana.

INTEC INI301

Introducción.............................................................................................................................. 3

Conceptos fundamentales de riesgo e incertidumbre ........................................................... 4

Causas del riesgo y de la incertidumbre ................................................................................. 6

Método de Monte Carlo ........................................................................................................... 7

Conceptos fundamentales método Montecarlo. .................................................................... 9

Características ...................................................................................................................... 10

Ventajas ................................................................................................................................ 11

Desventajas .......................................................................................................................... 11

Utilidad ................................................................................................................................. 12

Muestreo de Monte Carlo..................................................................................................... 13

Descripción de modelos matemáticos ................................................................................... 14

Análisis probabilístico. ........................................................................................................... 22

Aplicaciones en distintas carreras universitarias ................................................................ 29

Ingeniería mecánica ............................................................................................................. 29

Ingeniería Civil..................................................................................................................... 30

Conclusión ............................................................................................................................... 31

Bibliografía ............................................................................................................................. 32

2
 INTEC INI301

Introducción

El peligro y la incertidumbre permanecen presentes en cada uno de los mercados existentes, y

todas las empresas tanto grandes como pequeñas, que forman el comercio de estos. El primero

predice las pérdidas que puede tener una compañía, en lo que el segundo desconoce las

probabilidades que tienen la posibilidad de producir pérdidas.

Los riesgos e incertidumbre son los baches por los cuales una empresa o inversionista va a tener

que atravesar antes de tener una respuesta final hacia la decisión tomada. Dicho peligro financiero

podemos definirlos como las modalidades de pérdida que tiene una compañía con relación a una

inversión, imposibilitando que el comercio alcance sus fines estratégicos. No obstante, se puede

pronosticar esa situación, debido a que las compañías cuentan con información suficiente para

conocer dichas probabilidades. La incertidumbre, sin embargo, es la falta de certeza. Esto significa

que las empresas no tienen la posibilidad de asignarles probabilidades a los resultados, debido a

que desconocen cuáles van a ser los mismos.

A partir de este trabajo de investigación se pretenden estudiar los siguientes puntos:

Conceptos básicos de riesgo e incertidumbre

El método de Montecarlo y el muestreo de Montecarlo

Distintos modelos matemáticos

Análisis probabilístico

Aplicaciones de análisis de riesgo e incertidumbre en distintas áreas del quehacer profesional.

3
 INTEC INI301

Conceptos fundamentales de riesgo e incertidumbre

Datos: El valor de los datos para una organización radica en que posibilita hacer estudio más

exhaustivos y certeros que garanticen realizar movimientos en firme asentados en información

veraz que posibilite conocer qué está pasando, prever lo cual logre pasar en el futuro y medir el

rendimiento de las ocupaciones realizadas.

Riesgo: El riesgo es algo medible y por consiguiente es simple producir previsiones para

encarar aquel peligro e inclusive colocar cierto remedio al riesgo que se avecina. Pongamos un

caso muestra. Una vivienda tiene continuamente peligro de incendio. Hay sitios como la cocina en

la que se manipula fuego, velas que tenemos la posibilidad de situar en una mesa de comedor o

inclusive nuestra instalación eléctrica o cualquier electrodoméstico tienen la posibilidad de

incendiar.

Frente a aquel peligro de incendio tenemos la posibilidad de tomar medidas que logren sofocar

aquel fuego como es la instalación de extintores. Además, usar materiales de ignífugos para que

en caso de incendio no se propague. Como vemos frente a el peligro tenemos la posibilidad de

colocar ciertos recursos para el control de aquel riesgo.

Certidumbre: La certidumbre se asocia a una estabilidad o a una prueba. Supongamos que

una organización atraviesa graves inconvenientes económicos. Sus aliados debaten qué hacer al

respecto: la mayor parte estima que lo mejor es cerrar las puertas para eludir más pérdidas. Uno

de los aliados, no obstante, confirma que tiene la certidumbre de que el caso iniciará a mejorar en

el corto plazo. Es fundamental considerar que la certidumbre puede construirse desde datos ya

procesados o de percepciones subjetivas.

4
 INTEC INI301

Incertidumbre: Con la incertidumbre estamos frente a riesgos que no entendemos medir ni

prever. Entendemos que algo puede suceder, pero no entendemos ni cómo ni una vez que ni dónde.

La incertidumbre no se puede medir, tienen la posibilidad de hacer previsiones o inclusive

especulaciones que resulten creíbles empero únicamente se consigue una falta certeza de control.

Con la incertidumbre no se puede implantar de manera transparente las posibilidades probables y

que probabilidades de que suceda algo hay. La incertidumbre es una carretera con niebla en la que

no se puede ver como continua, si vendrá una curva o una pendiente, si continuará en línea recta

o finalizará abruptamente. Entendemos que la carretera continuará sin embargo no comprendemos

como.

Toma de decisiones: La mejor forma de conocer los riesgos de una inversión es a través de

indicadores cuantificables como la volatilidad, la rentabilidad o el retorno. Sin embargo, existen

diferentes métodos para evaluarlos y elegir el más adecuado dependerá del enfoque que se tenga.

Escoger el método más conveniente para evaluar los riesgos de la toma de decisiones en una

inversión, será el punto de partida para calcular el Valor en Riesgo (VaR), un indicador que permite

cuantificar el riesgo financiero al que estará expuesta una inversión.

A través de esta técnica estadística, se pueden determinar las probabilidades (por lo general

entre 1 y 5 %) de sufrir una pérdida durante un intervalo de tiempo, ya sea un día, una semana o

un mes.

Existen 3 maneras de calcular el Valor en riesgo (VaR):

1. VaR paramétrico. Se calcula mediante datos de rentabilidad estimados y asume una

distribución normal de la rentabilidad.

2. VaR histórico. Se basa en rentabilidades generadas anteriormente, por lo que su mayor

desventaja es que se asume que estas se repetirán en el futuro.

5
 INTEC INI301

3. VaR por Montecarlo. Se calcula a través de un software informático que genera una

gran cantidad de posibles resultados de acuerdo con los datos iniciales que introduce el

usuario.

Acciones que pueden minimizar el riesgo en las decisiones de inversión:

Conocer los activos de inversión: Contar con conocimiento suficiente del mercado en el cual

se va a invertir y sus activos ayudará a medir de forma efectiva el VaR, así como calcular el retorno

de inversión (ROI) y asegurar que es conveniente invertir.

Anticipar el futuro: Entendemos que no es posible predecir lo que va a suceder con certeza,

sin embargo, estar al tanto de los sucesos políticos, económicos y sociales del país y de la entidad

donde se quiere invertir ayudará a anticipar los posibles riesgos y qué tan viable es realizar una

operación que resulte exitosa en ese momento.

Diversificar el riesgo: Es de vital importancia diversificar las inversiones de tal forma que se

llegue a un equilibrio entre las de bajo riesgo y las de alto riesgo, esto es conocido como la regla

de oro entre los inversionistas expertos.

Evaluar resultados: Es importante estar al pendiente de la evolución de la operación y evaluar

los resultados, para implementar medidas que permitan construir una mejor estrategia en

inversiones futuras.

Causas del riesgo y de la incertidumbre

A diferencia del peligro financiero, la incertidumbre financiera es imposible de adivinar. Para

medir las implicancias que tienen la posibilidad de tener en una organización, se necesita realizar

las próximas ocupaciones:

Examinar la dirección de los mercados frente a peligros de corto plazo. Las organizaciones

tienen que estar atentas a todo acontecimiento que podría ser calificado como arriesgado en los

6
 INTEC INI301

mercados, como conflictos políticos o acontecimientos atípicos. En dichos escenarios, los costos

tienen la posibilidad de cambiar según su evolución. Si el acontecimiento es corto, la incertidumbre

no va a ser mucha, empero si el acontecimiento tiene una época prolongada, la incertidumbre puede

crear caos en los mercados e inconvenientes en las compañías.

Evaluar las cambiantes macroeconómicas. La economía mundial evoluciona una y otra vez. Por

esto, se necesita que las empresas se encuentren atentas a los cambios de intereses que tienen la

posibilidad de ofrecer en las economías mundiales más relevantes y en la alteración de costos en

los primordiales commodities (energía, minería y dólar).

Tener en cuenta las proyecciones económicas de instituciones financieras. Una forma positiva

que poseen las organizaciones para examinar el entorno universal que se avecina es considerando

las proyecciones económicas de las entidades nacionales y mundiales. El Ministerio de Economía,

la Bolsa de Valores, el Banco Central de Reserva y el FMI periódicamente publican proyecciones

sobre la economía local y universal. Analizando estas tendencias, las compañías tienen la

posibilidad de conocer cómo se moverá el mercado y decidir si es instante de hacer una inversión.

Método de Monte Carlo

El término Monte Carlo se aplica a un conjunto de métodos matemáticos que se empezaron a

usar en los 1940s para el desarrollo de armas nucleares en Los Alamos, favorecidos por la aparición

de los ordenadores digitales modernos. Consisten en resolver un problema mediante la invención

de juegos de azar cuyo comportamiento simula algún fenómeno real gobernado por una

distribución de probabilidad o sirve para realizar un cálculo.

Mas técnicamente, un Monte Carlo es un proceso estocástico numérico, es decir, una secuencia

de estados cuya evolución viene determinada por sucesos aleatorios. Recordemos que un suceso

aleatorio es un conjunto de resultados que se producen con cierta probabilidad.

7
 INTEC INI301

La simulación de Monte Carlo, también conocida como el Método de Monte Carlo o una

simulación de probabilidad múltiple, es una técnica matemática que se utiliza para estimar los

posibles resultados de un evento incierto. El método de Monte Carlo fue inventado por John Von

Neumann y Stanislaw Ulam durante la Segunda Guerra Mundial para mejorar la toma de

decisiones en condiciones de incertidumbre. Su nombre proviene de un conocido casino en

Mónaco, ya que el elemento del azar es el núcleo del enfoque de modelado, similar a un juego de

ruleta.

Desde su creación, las simulaciones de Monte Carlo han evaluado el impacto del riesgo en

muchos escenarios de la vida real, como en la inteligencia artificial, los precios de las acciones, la

previsión de ventas, la gestión de proyectos y la fijación de precios. También proporcionan una

serie de ventajas para los modelos predictivos con entradas fijas, como la capacidad de realizar

análisis de sensibilidad o calcular la correlación de entradas. El análisis de sensibilidad permite a

los responsables de la toma de decisiones ver el impacto de las entradas individuales en un

resultado determinado, y la correlación les permite comprender las relaciones entre las variables

de las entradas.

Un ejemplo simple de una simulación de Monte Carlo es calcular la probabilidad de lanzar dos

dados estándar. Hay 36 combinaciones al lanzarlos. En función de esto, se puede calcular

manualmente la probabilidad de un resultado determinado. Usando una simulación de Monte

Carlo, se puede simular el balanceo de los dados 10,000 veces (o más) para lograr predicciones

más precisas.

Figura 1: Cómo utilizar los métodos Montecarlo Fuente: Elaboración propia.

8
 INTEC INI301

Conceptos fundamentales método Montecarlo.

El método Montecarlo, se trata de una metodología capaz de calcular mediante una simulación

el valor de un proyecto, una inversión como también una serie estadística en base a una cantidad

determinada de variables. Promete la posibilidad de realizar escenarios que permitan modificar

dichas variables sobre las que se construye. Además, se utilizó principalmente en sus inicios en las

ciencias, puesto que requiere de herramientas de análisis avanzada, en muchos de los casos suele

ser utilizado para hacer cálculos de rentabilidad y riesgos. (Singular Bank, 2018)

Es preciso saber que el método de Montecarlo es un método no determinista como también

estadístico numérico, dicho método es usado para aproximar expresiones matemáticas que pueden

llegar a ser muy complejas y tediosas de evaluar con precisión. Este método se llamao así en

referencia al Casino de Montecarlo ubicado en Mónaco por ser “la capital del juego de azar” esto

porque era una ruleta generadora de números aleatorios. (Universidad de Alcalá, 2021)

Como herramienta de investigación, ayuda a analizar y modelar problemas hidrodinámicos

probabilísticos relacionados con la difusión de neutrones en material fisible, el ejemplo de esto

es una bomba atómica desarrollada en el Laboratorio Los Alamos Country, EE. UU. durante la

Segunda Guerra Mundial, en la cual se utilizó este método como fuente resultados de

probabilidades. (Universidad de Alcalá, 2021)

Las técnicas de simulación Monte Carlo se basan en simular la realidad mediante el estudio de

muestras generadas de forma completamente aleatoria. Por lo tanto, es muy útil en situaciones

donde no se dispone de información sobre la realidad a analizar, o los experimentos no son posibles

o son muy costosos. Por lo tanto, permite considerar en el análisis una gran cantidad de escenarios

aleatorios, por lo que se puede decir que puede jugar hasta el infinito la técnica de análisis de

escenarios, ampliando la perspectiva de 5 escenarios posibles. De esta forma, se puede realizar un

9
 INTEC INI301

análisis más cercano a la variabilidad real de las variables bajo consideración. La aplicación de

esta técnica se basa en la identificación de las variables consideradas más importantes y las

relaciones entre ellas (aunque esto puede ser muy complejo) para explicar la realidad a estudiar

reemplazando la teoría por el universo real utilizando números aleatorios.

En la actualidad este método es parte fundamental de los algoritmos de raytracing para la

generación de imágenes 3D. La simulación de Montecarlo es una técnica que permite la

elaboración de los proyectos de inversión considerando que una o más variables pueden ser

utilizadas para determinar flujos netos de caja. Entonces, permite introducir el riesgo en la

valoración de los proyectos de inversión.

Características

• Resultados probabilísticos y gráficos, los resultados probabilísticos muestran lo que

podría suceder y la probabilidad de que suceda el resultado, y cuándo sucederá mediante

gráficos.

• Fácil de crear gráficos para ver la probabilidad de que algo suceda.

• Cuando hay pocos resultados, es más difícil ver qué afecta los resultados, en cambio,

cuando se utilizan simulaciones de Montecarlo, es más fácil ver qué variables tienen

mayor impacto en los resultados.

• Dificultad para modelar diferentes modelos después de completar algunas simulaciones

y combinaciones de valores de entrada, pero usando simulación Montecarlo puede ver

exactamente qué valor tiene cada variable, al igual que puede relacionar diferentes

variables de entrada para determinar por qué ciertos valores tienen cambios repentinos

en paralelo.

10
INTEC INI301

• Pero, no siempre podrá proporcionar un resultado correcto por lo que se podría cometer

un error, ya que la simulación nos dio un resultado erróneo. (Nava Castillo, 2013)

Ventajas

El método Montecarlo tiene las siguientes ventajas:

• Es directo y flexible.

• Existe una gran cantidad de herramientas, programas y lenguajes destinados a simular.

• Permite el estudio entre las diferentes variables de problema.

• Por medio de la simulación podemos influir el tiempo de cada proceso.

• No obstruye en el mundo real, permite la experimentación y la exposición de

circunstancias extremas con riesgos nulos.

• Obtiene una aproximación de aquellos proyectos o modelos matemáticos que son

demasiados complejos.

Desventajas

• La eficacia de las simulaciones puede implicar un alto costo y un gran número de

variables.

• No suministra la decisión a tomar, sino que soluciona el problema mediante

aproximaciones dadas las condiciones iniciales.

• No genera soluciones óptimas generales.

• Puede requerir mucho tiempo para la construcción de aquellos modelos que son muy

complejos. (Meneses, 2012)

11
 INTEC INI301

Utilidad

Luego de ver las ventajas y desventajas, podemos mostrar las diferentes utilidades que tiene el

método Montecarlo. Para esto debemos saber que existen diversos conceptos como el coste o el

placo, las cuales no se pueden calcular con valores exactos ya que al momento de trabajar con

estos se suele utilizar puntos variables. Los puntos variables son una variabilidad con doble

vertiente. Otros que se deben tomar en cuenta son las acciones, riesgos y costos, ya que no serán

iguales en tal vez un año, más o menos tiempo.

Este método nos permite dar a los artículos un valor medio. Los ojos no son un valor exacto,

pero son realistas y puedes trabajar con confianza. Gracias a esto, los analistas de inversiones

pueden prevenir riesgos o simular cambios aleatorios que puedan tener y saber cómo usar esta

información. Entonces aquí voy a entrar, si el porcentaje de confianza está por debajo de su nivel

de confianza, claro, dependiendo de si el proyecto es grande o pequeño, la empresa puede dejar

pasar la oportunidad o aprovecharla. (Sobol, 2017)

Valorar las opciones financieras, tomar en cuenta varias opciones y decidir gracias a los

números es otra de las utilidades que ofrece las simulaciones de Montecarlo, ya que te permitirá

elegir cual es la más conveniente. De igual forma proporciona la creación de modelos de gestión

de riesgos, que nos servirán para medir futuros riegos en cualquier inversión.

Los métodos de Monte Carlo también se pueden utilizar en programas matemáticos. Uno de

ellos es el cálculo del número π, que se denomina método de Buffon, en el que se utilizan varias

rectas paralelas, una es curva, cuya longitud está relacionada con la distancia entre las rectas, y a

partir de esto se calcula que las líneas que forman estas líneas también pasan por su línea.

Otro uso de los métodos de Monte Carlo es calcular integrales definidas. Hay varios programas

que se pueden usar para calcular integrales definidas, el primero que veremos es el método de

12
 INTEC INI301

pasa-falla de Monte Carlo, que se basa en la interpretación de que la integral que estás calculando

es un área. Otro método es el método de la media muestral. Es un poco diferente. Para calcular una

integral definida, se basa en la definición de que la media de una variable aleatoria es continua.

(Omar et al., 2021)

Muestreo de Monte Carlo

Los métodos de Monte Carlo son una clase de técnicas para muestrear aleatoriamente una

distribución de probabilidad.

Hay muchos dominios de problemas en los que describir o estimar la distribución de

probabilidad es relativamente sencillo, pero calcular una cantidad deseada es intratable. Esto puede

deberse a muchas razones, como la naturaleza estocástica del dominio o un número exponencial

de variables aleatorias.

En cambio, se puede aproximar una cantidad deseada utilizando un muestreo aleatorio,

denominado métodos de Monte Carlo. Estos métodos se utilizaron inicialmente en la época en que

se crearon las primeras computadoras y siguen siendo omnipresentes en todos los campos de la

ciencia y la ingeniería, incluida la inteligencia artificial y el aprendizaje automático.

13
 INTEC INI301

Figura 1: Análisis de Monte Carlo para seleccionar traders. Fuente: Snchz, D. (2016,

December 14).

Descripción de modelos matemáticos

Un modelo matemático es una descripción de un sistema utilizando conceptos y lenguaje

matemáticos. El proceso de desarrollo de un modelo matemático se denomina modelización

matemática. Los modelos matemáticos se utilizan en las ciencias naturales y en las disciplinas de

ingeniería, así como en sistemas no físicos como las ciencias sociales. El uso de modelos

matemáticos para resolver problemas en operaciones empresariales o militares es una parte

importante del campo de la investigación operativa. Los modelos matemáticos también se utilizan

en la música, la lingüística y la filosofía.

Un modelo puede ayudar a explicar un sistema y a estudiar los efectos de los distintos

componentes, así como a hacer predicciones sobre el comportamiento.

Elementos de un modelo matemático

Los modelos matemáticos pueden adoptar muchas formas, como los sistemas dinámicos, los

modelos estadísticos, las ecuaciones diferenciales o los modelos de teoría de juegos. Estos y otros

tipos de modelos pueden superponerse, y un modelo determinado puede incluir una variedad de

estructuras abstractas. En general, los modelos matemáticos pueden incluir modelos lógicos. En

muchos casos, la calidad de un campo científico depende de la concordancia entre los modelos

matemáticos desarrollados en el plano teórico y los resultados de los experimentos repetibles. La

falta de concordancia entre los modelos matemáticos teóricos y las mediciones experimentales

suele dar lugar a importantes avances a medida que se desarrollan mejores teorías.

En las ciencias físicas, un modelo matemático tradicional contiene la mayoría de los siguientes

elementos;

14
 INTEC INI301

• Ecuaciones de gobierno

• Submodelos complementarios

• Ecuaciones de definición

• Ecuaciones constitutivas

• Supuestos y restricciones

• Condiciones iniciales y de contorno

• Restricciones clásicas y ecuaciones cinemáticas

• Construcción

En los negocios y la ingeniería, se pueden utilizar modelos matemáticos para maximizar un

determinado resultado. El sistema considerado requerirá ciertas entradas. El sistema que relaciona

las entradas con las salidas depende también de otras variables: variables de decisión, variables de

estado, variables exógenas y variables aleatorias.

Las variables de decisión se denominan a veces variables independientes. Las variables

exógenas se denominan a veces parámetros o constantes. Las variables no son independientes entre

sí, ya que las variables de estado dependen de las variables de decisión, de entrada, aleatorias y

exógenas. Además, las variables de salida dependen del estado del sistema.

Los objetivos y las restricciones del sistema y de sus usuarios pueden representarse como

funciones de las variables de salida o de las variables de estado. Las funciones objetivo dependerán

de la perspectiva del usuario del modelo. Dependiendo del contexto, una función objetivo también

se conoce como un índice de rendimiento, ya que es una medida de interés para el usuario. Aunque

no hay límite en el número de funciones objetivo y restricciones que puede tener un modelo, la

utilización u optimización del modelo se vuelve más complicada a medida que aumenta el número.

15
 INTEC INI301

Por ejemplo, los economistas suelen aplicar el álgebra lineal cuando utilizan modelos input-

output. Los modelos matemáticos complicados que tienen muchas variables pueden consolidarse

mediante el uso de vectores en los que un símbolo representa varias variables.

Información a priori

Los problemas de modelización matemática suelen clasificarse en modelos de caja negra o de

caja blanca, según la cantidad de información a priori de que se disponga sobre el sistema. Un

modelo de caja negra es un sistema del que no se dispone de información a priori. Un modelo de

caja blanca es un sistema del que se dispone de toda la información necesaria. Prácticamente todos

los sistemas se sitúan entre los modelos de caja negra y caja blanca, por lo que este concepto sólo

es útil como guía intuitiva para decidir qué enfoque adoptar.

Normalmente es preferible utilizar toda la información a priori posible para que el modelo sea

más preciso. Por lo tanto, los modelos de caja blanca suelen considerarse más fáciles, ya que, si se

ha utilizado correctamente la información, el modelo se comportará correctamente. A menudo la

información a priori viene en forma de conocer el tipo de funciones que relacionan las diferentes

variables. Por ejemplo, si hacemos un modelo de cómo funciona un medicamento en un sistema

humano, sabemos que normalmente la cantidad de medicamento en la sangre es una función que

decae exponencialmente. Pero aún nos quedan varios parámetros desconocidos: ¿con qué rapidez

decae la cantidad de medicamento y cuál es la cantidad inicial de medicamento en la sangre? Por

lo tanto, este ejemplo no es un modelo completamente de caja blanca. Estos parámetros tienen que

ser estimados por algún medio antes de poder utilizar el modelo.

16
 INTEC INI301

Para analizar algo con un típico "enfoque de caja negra", sólo se tendrá en cuenta el

comportamiento del estímulo/respuesta, para inferir la caja. La representación habitual de este

sistema de caja negra es un diagrama de flujo de datos centrado en la caja.

En los modelos de caja negra se intenta estimar tanto la forma funcional de las relaciones entre

las variables como los parámetros numéricos de esas funciones. Utilizando información a priori

podríamos acabar, por ejemplo, con un conjunto de funciones que probablemente podrían describir

el sistema adecuadamente. Si no hay información a priori, intentaríamos utilizar funciones lo más

generales posible para cubrir todos los modelos diferentes. Un enfoque muy utilizado para los

modelos de caja negra son las redes neuronales, que normalmente no hacen suposiciones sobre los

datos entrantes. Alternativamente, los algoritmos NARMAX, desarrollados como parte de la

identificación de sistemas no lineales, pueden utilizarse para seleccionar los términos del modelo,

determinar la estructura de este y estimar los parámetros desconocidos en presencia de ruido

correlacionado y no lineal. La ventaja de los modelos NARMAX frente a las redes neuronales es

que NARMAX produce modelos que pueden escribirse y relacionarse con el proceso subyacente,

mientras que las redes neuronales producen una aproximación opaca.

Información subjetiva

A veces es útil incorporar información subjetiva a un modelo matemático. Esto puede hacerse

basándose en la intuición, la experiencia o la opinión de los expertos, o bien en la conveniencia de

la forma matemática. La estadística bayesiana ofrece un marco teórico para incorporar esa

17
 INTEC INI301

subjetividad a un análisis riguroso: especificamos una distribución de probabilidad a priori y, a

continuación, actualizamos esa distribución en función de los datos empíricos.

Un ejemplo de cuándo sería necesario este enfoque es una situación en la que un experimentador

dobla ligeramente una moneda y la lanza una vez, registrando si sale cara, y luego se le encomienda

la tarea de predecir la probabilidad de que el siguiente lanzamiento salga cara. Después de doblar

la moneda, se desconoce la verdadera probabilidad de que la moneda salga cara, por lo que el

experimentador tendría que tomar una decisión sobre qué distribución previa utilizar. La

incorporación de esta información subjetiva podría ser importante para obtener una estimación

precisa de la probabilidad.

Complejidad

En general, la complejidad del modelo implica un compromiso entre la simplicidad y la

precisión del modelo. La navaja de Occam es un principio especialmente relevante para la

modelización, cuya idea esencial es que, entre los modelos con un poder predictivo

aproximadamente igual, el más sencillo es el más deseable. Aunque la complejidad añadida suele

mejorar el realismo de un modelo, puede dificultar su comprensión y análisis, y también puede

plantear problemas computacionales, como la inestabilidad numérica. Thomas Kuhn sostiene que,

a medida que la ciencia avanza, las explicaciones tienden a hacerse más complejas antes de que

un cambio de paradigma ofrezca una simplificación radical.

Por ejemplo, al modelar el vuelo de una aeronave, podríamos incrustar en nuestro modelo cada

una de las partes mecánicas de la aeronave y adquiriríamos así un modelo casi de caja blanca del

sistema. Sin embargo, el coste computacional de añadir una cantidad tan grande de detalles

inhibiría efectivamente el uso de dicho modelo. Además, la incertidumbre aumentaría debido a un

sistema excesivamente complejo, ya que cada parte separada induce cierta cantidad de varianza en

18
 INTEC INI301

el modelo. Por tanto, suele ser conveniente realizar algunas aproximaciones para reducir el modelo

a un tamaño razonable. Los ingenieros suelen aceptar algunas aproximaciones para conseguir un

modelo más robusto y sencillo. Por ejemplo, la mecánica clásica de Newton es un modelo

aproximado del mundo real. Aun así, el modelo de Newton es suficiente para la mayoría de las

situaciones de la vida ordinaria, es decir, siempre y cuando las velocidades de las partículas estén

muy por debajo de la velocidad de la luz, y sólo estudiemos las macropartículas.

Hay que tener en cuenta que una mayor precisión no significa necesariamente un mejor modelo.

Los modelos estadísticos son propensos a la sobre adaptación, lo que significa que un modelo se

ajusta demasiado a los datos y ha perdido su capacidad de generalizar a nuevos eventos que no se

habían observado antes.

Entrenamiento y ajuste

Cualquier modelo que no sea de caja blanca pura contiene algunos parámetros que pueden

utilizarse para ajustar el modelo al sistema que pretende describir. Si el modelado se realiza

mediante una red neuronal artificial u otro tipo de aprendizaje automático, la optimización de los

parámetros se denomina entrenamiento, mientras que la optimización de los hiperparámetros del

modelo se denomina ajuste y suele utilizar la validación cruzada. En la modelización más

convencional mediante funciones matemáticas dadas explícitamente, los parámetros suelen

determinarse mediante el ajuste de curvas.

Evaluación del modelo

Una parte crucial del proceso de modelización es la evaluación de si un modelo matemático

determinado describe o no un sistema con precisión. Esta cuestión puede ser difícil de responder,

ya que implica varios tipos de evaluación diferentes.

19
 INTEC INI301

Ajuste a los datos empíricos

Normalmente, la parte más sencilla de la evaluación de un modelo es comprobar si éste se ajusta

a las mediciones experimentales o a otros datos empíricos. En los modelos con parámetros, un

enfoque común para probar este ajuste es dividir los datos en dos subconjuntos disjuntos: datos de

entrenamiento y datos de verificación. Los datos de entrenamiento se utilizan para estimar los

parámetros del modelo. Un modelo preciso se ajustará a los datos de verificación, aunque estos

datos no se hayan utilizado para establecer los parámetros del modelo. Esta práctica se conoce

como validación cruzada en estadística.

Definir una métrica para medir las distancias entre los datos observados y los predichos es una

herramienta útil para evaluar el ajuste del modelo. En la estadística, la teoría de la decisión y

algunos modelos económicos, una función de pérdida desempeña un papel similar.

Mientras que es bastante sencillo comprobar la idoneidad de los parámetros, puede ser más

difícil comprobar la validez de la forma matemática general de un modelo. En general, se han

desarrollado más herramientas matemáticas para probar el ajuste de los modelos estadísticos que

los modelos que implican ecuaciones diferenciales. Las herramientas de la estadística no

paramétrica pueden utilizarse a veces para evaluar lo bien que se ajustan los datos a una

distribución conocida o para llegar a un modelo general que sólo hace suposiciones mínimas sobre

la forma matemática del modelo.

Alcance del modelo

Evaluar el alcance de un modelo, es decir, determinar a qué situaciones es aplicable el modelo,

puede ser menos sencillo. Si el modelo se ha construido a partir de un conjunto de datos, hay que

determinar para qué sistemas o situaciones los datos conocidos son un conjunto de datos "típico".

20
 INTEC INI301

La cuestión de si el modelo describe bien las propiedades del sistema entre los puntos de datos

se llama interpolación, y la misma cuestión para los eventos o puntos de datos fuera de los datos

observados se llama extrapolación.

Como ejemplo de las limitaciones típicas del alcance de un modelo, al evaluar la mecánica

clásica newtoniana, podemos observar que Newton realizó sus mediciones sin equipos avanzados,

por lo que no pudo medir las propiedades de las partículas que viajan a velocidades cercanas a la

de la luz. Asimismo, no midió los movimientos de las moléculas y otras partículas pequeñas, sino

sólo los de las macropartículas. Por tanto, no es de extrañar que su modelo no se extrapole bien a

estos ámbitos, aunque su modelo es bastante suficiente para la física de la vida ordinaria.

Consideraciones filosóficas

Muchos tipos de modelos implican implícitamente afirmaciones sobre la causalidad. Esto suele

ocurrir con los modelos que implican ecuaciones diferenciales. Dado que el propósito de la

modelización es aumentar nuestra comprensión del mundo, la validez de un modelo no sólo se

basa en su ajuste a las observaciones empíricas, sino también en su capacidad para extrapolar

situaciones o datos más allá de los descritos originalmente en el modelo. Se puede pensar en esto

como la diferenciación entre predicciones cualitativas y cuantitativas. También se puede

argumentar que un modelo carece de valor a menos que proporcione alguna información que vaya

más allá de lo que ya se conoce a partir de la investigación directa del fenómeno estudiado.

Un ejemplo de esta crítica es el argumento de que los modelos matemáticos de la teoría del

forrajeo óptimo no ofrecen una visión que vaya más allá de las conclusiones de sentido común de

la evolución y otros principios básicos de la ecología.

21
 INTEC INI301

Análisis probabilístico.

En el análisis de algoritmos, el análisis probabilístico de algoritmos es un enfoque para estimar

la complejidad computacional de un algoritmo o un problema computacional. Parte de una

suposición sobre una distribución probabilística del conjunto de todas las entradas posibles. Esta

suposición se utiliza entonces para diseñar un algoritmo eficiente o para derivar la complejidad de

un algoritmo conocido. Este enfoque no es el mismo que el de los algoritmos probabilísticos, pero

ambos pueden combinarse.

En el caso de los algoritmos no probabilísticos, y más concretamente deterministas, los tipos de

estimaciones de complejidad más comunes son la complejidad del caso medio y la complejidad

casi siempre. Para obtener la complejidad del caso medio, dada una distribución de entrada, se

evalúa el tiempo esperado de un algoritmo, mientras que para la estimación de la complejidad casi

siempre, se evalúa que el algoritmo admita una estimación de complejidad dada que se cumpla

casi con seguridad.

En el análisis probabilístico de los algoritmos probabilísticos, además de las distribuciones de

entrada, se tienen en cuenta las distribuciones o el promedio de todas las elecciones posibles en

los pasos aleatorios.

Ejemplos de proyectos de inversión sometidos a situaciones de riesgo e incertidumbre.

En este capítulo se presentan tres ejemplos de cómo es posible analizar los proyectos de

inversión, para evaluar la confiabilidad de la decisión adoptada en relación con la factibilidad

económica de un proyecto. Cada ejemplo con un método de análisis distinto. En el primer ejemplo

evaluaremos el riego con los flujos de fondos de los proyectos de inversión.

22
 INTEC INI301

Ejemplo #1

Los asesores económicos han pronosticado la probabilidad de presentación de distintos

escenarios (recesión, normal, crecimiento) y calculado la probabilidad de presentación de cada uno

de ellos:

Utilizaremos el VAN promedio proyectado:

Como promedio de los distintos valores actuales netos proyectados, ponderados por la

probabilidad de presentación de cada uno de los valores actuales netos.

El Proyecto "A" tiene un valor potencial de $4.200 y el Proyecto "B" de $3.700. El valor

esperado "A" es superior al de "B". Si detenemos aquí nuestro análisis, la elección se volcaría al

proyecto "A". Pero aún falta determinar entre qué valores fluctuará el valor esperado de cada

proyecto. Es decir, falta incorporar el desvío.

Para completar el estudio de un proyecto se miden los posibles desvíos del VAN de cada

proyecto y el intervalo de confianza. El desvío estándar, como medición del riesgo total, mide la

23
 INTEC INI301

dispersión de los valores esperados. La fluctuación posible la mediremos a través del riesgo

absoluto, evaluado por el desvío estándar (𝜎).

El desvío estándar mide estadísticamente la variabilidad de los posibles resultados comparados

con un valor esperado o media:

El proyecto "A" con un VAN promedio de $4.200 tiene un riesgo absoluto de $1.400, mientras

que el proyecto "B" muestra los valores de $3.700 y $2.492, respectivamente.

Por último, calculemos el intervalo de confianza. El intervalo de confianza permite visualizar

el rango del valor esperado. Trabajaremos con dos desvíos estándar, que cubre el 95,5% de casos

posibles. Así, tenemos:

24
 INTEC INI301

En el proyecto "A" el rango de desvíos está más acotado que en el proyecto "B", aunque en este

último, el retorno puede ser superior respecto al proyecto "A", pero también puede entrar en un

campo de pérdida, alternativa más difícil de ocurrir en el proyecto "A"

Para finalizar, comencemos por señalar que nunca hay una conclusión que podamos considerar

definitiva o total. Mucho tiene que ver las expectativas y los sentimientos de los inversores,

algunos más volcados al riesgo que otros.

En el caso presente, señalamos que el proyecto "B" ofrece posibilidades de mayor valor, pero

también es más riesgoso, mientras que el proyecto "A" ofrece menos volatilidad, menos riesgo y

menor rentabilidad final proyectada.

¿Cuál debe elegirse? La decisión queda en manos del inversor, pues hay un límite que el

profesional no puede cruzar, y es el de tomar la decisión por otro. En nuestro caso como grupo,

eligiéramos el proyecto “A” debido a que el intervalo de confianza esta alejado de las perdidas.

Ejemplo #2

Para estudiar proyectos complementarios, debemos de analizar el valor, no de la inversión

individual, sino del conjunto de inversiones.

25
 INTEC INI301

El VAN promedio seria:

𝑉𝐴𝑁𝑝 = 20%(1,000) + 30%(4,000) + 50%(10,000)

𝑉𝐴𝑁𝑝 = $6,400

Esto nos da la oportunidad de estudiar un grupo de proyectos complementarios y compararlo

con otro grupo.

Ejemplo #3

En el tercer ejemplo se muestra el caso en que existen fluctuaciones en la demanda de los

materiales de producción durante la operación de la planta y como estas fluctuaciones influyen en

la confiabilidad con que se determina el costo de producción. En el segundo ejemplo se ilustra

como influyen las fluctuaciones en los precios en la confiabilidad que se tiene al calcular el ingreso

en la caja. por último, en el tercer ejemplo se ilustra como influyen las fluctuaciones en la demanda

de los materiales de producción en la confiabilidad que se tiene al comparar entre sí diferentes

alternativas para seleccionar cual es la mejor desde el punto de vista económico.

26
 INTEC INI301

Se tiene un proceso en el cual se conoce que la demanda de agua de enfriamiento presenta

fluctuaciones apreciables. Un estudio realizado en relación con el comportamiento histórico de

esta variable arrojó que la misma responde a una distribución normal, con valor esperado igual a

12089 m3/año y una desviación estándar de 1387 m3 /año. La ecuación para el cálculo del costo

de producción en función de la cantidad de agua de enfriamiento consumida Q está dada por:

COSTO = 1259.Q + 13000

Se requiere determinar la confiabilidad técnico – económica de este proceso si se establece que

el costo de producción máximo sea igual a 17000000 $/año.

El primer paso para responder la cuestión planteada consiste en modelar el comportamiento de

la variable Q. Para ello se utiliza el programa EXCEL, haciendo uso de la función

DIST.NORM.INV, con una probabilidad generada mediante la función ALEATORIO () para

obtener un número aleatorio, y el valor promedio y la desviación estándar dadas por dato, e igual

a 12089 y 1387 respectivamente. Parte de los resultados obtenidos en la modelación se muestran

en la figura 4.1.1.

27
 INTEC INI301

Para cada uno de los valores de Q obtenido por modelación se calcula mediante el EXCEL el

valor del costo de producción de acuerdo con la ecuación COSTO = 1259.Q + 13000. Una parte

de los valores del costo obtenido se muestran en la figura 4.1.2:

Los valores de costo obtenidos se utilizan como dato en el programa de estadística

STATGRAPHICS y se le ajusta la función de probabilidad correspondiente. Los resultados

obtenidos muestran que el costo se puede describir mediante una función de distribución normal

con valor esperado de 1,4951.107 y una desviación estándar de 1,91674.106.

Los resultados del ajuste obtenidos con el STATGRAPHICS indican que la función de

distribución de probabilidad asociada al costo es normal con un valor medio de 1,4951.107

y una desviación estándar de 1,91674.106.

El criterio adoptado en relación con la confiabilidad es que el costo no debe rebasar el valor

máximo permitido. Por lo tanto, la confiabilidad se establece como la probabilidad de que el costo

sea menor que este valor máximo, igual a 17000000$/año. Por esta razón, la confiabilidad se

determina como el valor de la probabilidad acumulativa asociada a la distribución normal

correspondiente al costo. Para su determinación se hace uso de la función DIST.NORM. del

EXCEL, donde la variable x se hace igual al costo máximo permitido, la media y varianza que se

28
 INTEC INI301

entregan de datos son los valores calculados con el STATGRAPHICS y se establece la opción

VERDADERO, para indicar que se trata de la distribución acumulativa.

En este caso se obtiene que la confiabilidad es igual a 83%. Esto significa que la probabilidad

de que el costo se encuentre por debajo del valor máximo especificado es de un 85%.

Aplicaciones en distintas carreras universitarias

Ingeniería mecánica

El método de Montecarlo es una técnica computacional extremadamente potente que forma

parte de las herramientas de cualquier ingeniero mecánico. Hay una serie de casos de uso común

en la ingeniería mecánica a los que se aplica naturalmente la simulación de Monte Carlo, entre

ellos;

• Análisis estadístico de la tolerancia

• Diseño de la fiabilidad

• Análisis de incertidumbre en la medición

• Análisis de errores, posición y actitud de robots

• Optimización del diseño

Me centrare en la comprensión de la metodología, el establecimiento de un marco para el

análisis que puede aplicarse a una variedad de problemas, y la aplicación de este marco a un

problema común de análisis de tolerancia estadística al que los ingenieros mecánicos

probablemente se enfrentan a menudo.

El método Monte Carlo no es difícil de implementar y puede ser increíblemente flexible y útil

para una variedad de problemas comunes de ingeniería mecánica. La comprensión del marco

básico le permite crear rápidamente simulaciones útiles en hojas de cálculo o en código python en

29
 INTEC INI301

tan sólo unos minutos. A la hora de evaluar la precisión de sus simulaciones, es importante

recordar estos hechos clave: Las funciones de densidad de probabilidad deben ser representativas

del comportamiento real del sistema en el mundo real.

Las muestras que extraiga de las funciones de densidad de probabilidad deben ser realmente

muestras aleatorias, de lo contrario sus modelos no representarán la población con precisión.

La ley de los grandes números dicta que, a medida que aumenta el número de muestras, aumenta

la precisión del modelo.

Para los modelos que requieren respuestas muy precisas, el recuento de ensayos debe

aumentarse hasta que la precisión de la simulación deje de variar. La comprobación de la

convergencia no garantiza que el modelo sea preciso, pero permite obtener resultados eficientes al

permitirle equilibrar el coste del cálculo con los incrementos marginales de la precisión del

modelo.

Ingeniería Civil

Cuando pensamos en análisis de riesgo e incertidumbre, tal vez no pensaríamos que realmente

haya una relación entre esta rama y la ingeniería civil cuando sí la hay. Muchos proyectos de

infraestructura generalmente presentan problemas de cumplimiento, retrasos y sobrecostos debido

a que los presupuestos están basados en datos preestablecidos que no abarcan la realidad de las

obras. Es por esto por lo que resulta necesario el uso de una metodología que permita identificar

los riesgos que más afectan en dichos proyectos, y es ahí donde se aplica el análisis de riesgo para

la planificación de una infraestructura.

También podemos evidenciar la aplicación de esta herramienta ante la elección de algún terreno

para la realización de un proyecto de infraestructura, ya sean carreteras, presas, puentes o edificios.

Las consecuencias de tomar decisiones equivocadas son tan grandes que resulta conveniente contar

30
 INTEC INI301

con un método eficiente para enfrentar dichas situaciones, ya que siempre existe incertidumbre

sobre lo que puede acontecer.

Conclusión

En síntesis, podemos ver que el método Montecarlo es de gran interés y utilidad en diversas

ramas de la vida y la ciencia, y aún más en el campo de la ingeniería, donde la optimización de

procesos es prioritaria e imprescindible. Por medio del método Montecarlo podemos obtener por

medio de simulaciones y cálculos probabilísticos, prevenir situaciones complicadas al momento

de realizar una inversión, ya que esto nos ayuda a ver qué tan factible es una inversión.

Este método nos permite la versatilidad para la toma de decisiones, como hemos visto en los

ejemplos propuestos. El cálculo de varias variables de forma aleatoria puede complicar a cualquier,

pero gracias a este método podemos simplificarnos los cálculos.

En adición a la flexibilidad en las aplicaciones, este se puede utilizar tanto para considerar los

riesgos del proyecto como para ayudar a determinar cuáles deberían ser las decisiones de diseño.

Otras ramas que se pueden utilizar en matemáticas son el cálculo o el cálculo de integrales

definidas. También vimos cómo ayuda a la medicina administrando radiación. Ha podido ayudar

a identificar y analizar el impacto del ADN, en la investigación de radioterapia y posiblemente

muchos otros usos en la ciencia, y mejorando cada vez más.

31
 INTEC INI301

Bibliografía

Chen, G. Q. (2010). Application and Implementation of Monte Carlo Method in Mechanical

Engineering | Scientific.Net. Scientific. https://www.scientific.net/AMM.26-28.925

Demeza, M. (2020, 28 enero). ¿Qué es y para que sirve un modelo matemático? DemezaNews |
Ciencia, Educación, Salud, Tecnología.
https://www.demeza.com.mx/blog/educacion/modelo-matematico

Fictiv. (2020, 22 diciembre). Intro to Monte Carlo Methods for Engineers.

https://www.fictiv.com/articles/intro-to-monte-carlo-methods

Global, Z. (s. f.). Brutalk - Una suave introducción al muestreo de Monte Carlo para la
probabilidad. Brutalk. https://www.brutalk.com/es/noticias/brutalk-blog/ver/una-suave-
introduccion-al-muestreo-de-monte-carlo-para-la-probabilidad-6046e12dd0b36

Just a moment. . . (s. f.). Journals.

https://journals.sagepub.com/doi/full/10.1177/1687814017728648

Givone, H. E. (2022). Proyectos de inversión. Riesgo e incertidumbre. Thomson Reuters.

Santana, E. F., & Kulich, E. I. (2003). Riesgo e incertidumbre de la evaluación económica

financiera en proyectos de ingeniería química. Instituto Superior Politécnico José Antonio

Echeverría. https://www.researchgate.net/profile/Elina-Fernandez-

Santana/publication/321038689_Riesgo_e_incertidumbre_de_la_evaluacion_economica_fina

nciera_en_proyectos_de_Ingenieria_Quimica/links/5a09fe11a6fdcc2736dea028/Riesgo-e-

incertidumbre-de-la-evaluacion-economica-financiera-en-proyectos-de-Ingenieria-

Quimica.pdf

Lagares, J. I., Arce, P., & Gómez-Ros, J. M. (2011). Aplicación del método de Monte Carlo a la
física de radiaciones en la Medicina. Revista Española de Física, 23(1).
http://revistadefisica.es/index.php/ref/article/view/925

Losilla Vidal, J. M. (1994). MonteCarlo MonteCarlo. 154. Martín, J. (2017). ¿Que es el método
Monte Carlo? - Gestión de los Riesgos. https://www.cerem.do/blog/cuanto-vale-el-
riesgo-el-metodo-monte-carlo

32
 INTEC INI301

Melo, Lara, J. (2016). Estimación de la confiabilidad-disponibilidad- mantenibilidad mediante

una simulación tipo Monte Carlo de un sistema de compresión de gas amargo durante la
etapa de ingeniería Reliability-availability-maintainability estimates using a Monte Carlo
simulati. Tecnología, Ciencia, Educación., 24(2), 1–13.

Meneses, A. (2012). MÉTODO MONTECARLO, ORIGEN, VENTAJAS Y DESVENTAJAS.

http://unimeta-simulacion-alejandra-meneses.blogspot.com/2012/08/metodo-origen-el- de-
montecarlo-un-no.html

Marinilli, A. (s. f.). Análisis probabilístico simplificado de pórticos de concreto reforzado ante
acciones sísmicas. scielo. http://ve.scielo.org/scielo.php?script=sci_arttext&pid=S0376-
723X2009000200002#:%7E:text=Un%20an%C3%A1lisis%20probabil%C3%ADstico%
20permite%20evaluar,concreto%20reforzado%20ante%20cargas%20s%C3%ADsmicas.

MODELOS MATEMÁTICOS Definición Propiedades. (s. f.). 1library.

https://1library.co/document/4yr151pq-modelos-matematicos-definicion-
propiedades.html
Roldán, P. N. (2019, 3 enero). Modelo matemático. Economipedia.
https://economipedia.com/definiciones/modelo-matematico.html

Simulación de Monte Carlo. (2021, 4 agosto). ibm. https://www.ibm.com/cl-

es/cloud/learn/monte-carlo-simulation#toc-cmo-utiliz-jHFI3isL

Snchz, D. (2016, 14 diciembre). Análisis de Monte Carlo para seleccionar traders. Rankia.
https://www.rankia.com/blog/traders/3417637-analisis-monte-carlo-para-seleccionar-
traders

(s. f.). Análisis Probabilístico. Diccionario ✅.

https://www.diccionario.geotecnia.online/palabra/analisis-probabilistico/

Universidad de Alcalá. (2021). ¿Qué son los métodos de Montecarlo? - Master en Finanzas
Cuantitativas: Universidad de Alcalá - Madrid. https://www.master-finanzas-
cuantitativas.com/metodos-de-montecarlo/

33