SIMULACIÓN

MONTE CARLO
TRIADA 4

STEPHANY SALAS
LIZETH ROSAS
ANDREA CORTES
AETV 501
 Es la construcción de un dispositivo experimental,

Idea básica o simulador, que “actuará como” (simulará) el

sistema de interés en ciertos aspectos importantes,
de una manera rápida y redituable
 PLANTEAMIENTO Y PUESTA EN
MARCHA DE UN MODELO DE
SIMULACIÓN

EL PRIMER PASO EN UN ESTUDIO DE SIMULACIÓN ES DESARROLLAR UN

MODELO QUE REPRESENTE EL SISTEMA QUE VA A INVESTIGARSE. NO ES
NECESARIA UNA REPRESENTACIÓN COMPLETAMENTE REALISTA DEL
SISTEMA. SI NO SE PUEDE PREDECIR EL COMPORTAMIENTO DE UN
ELEMENTO ES NECESARIO TOMAR OBSERVACIONES ALEATORIAS A PARTIR
DE LAS DISTRIBUCIONES DE PROBABILIDAD QUE INTERVENGAN.
GENERAR OBSERVACIONES ALEATORIAS
VALIDACIÓN DEL MODELO: COMPARAR LA SALIDA DE LA SIMULACIÓN CON
VALORES REALES, HISTÓRICOS.
 En un modelo de
simulación los valores de
las variables de decisión
En un modelo de son las entradas. El modelo
SIMULACIÓN VS optimización, los evalúa la función objetivo
en relación con un
valores de las
OPTIMIZACIÓN: variables de decisión
conjunto particular de
valores. Sirve para
son resultados comparar alternativas, no
para generar la alternativa
óptima
 ¿CUÁNDO SE
DEBE 1. Puede ser difícil o imposible obtener
modelos analíticos.
UTILIZAR LA 2. Largo plazo vs. corto plazo

SIMULACIÓN?
 Ese factor que no se
Los modelos de conoce con certeza se
considera una variable
simulación se utilizan
SIMULACIÓN Y para analizar
decisiones bajo
aleatoria . El
comportamiento de una

VARIABLES riesgo, es decir un

modelo en el cual uno
variable aleatoria se
describe mediante una
distribución de
ALEATORIAS o más de los factores
no se conoce con
probabilidad. Este tipo de
simulación se conoce
certeza. como Simulación Monte
Carlo.
 Esta técnica consiste
entonces en la
generación de
observaciones aleatorias

DATO a partir de una

determinada

IMPORTANTE distribución de
probabilidad y, a
continuación utilizar el
promedio de estas
observaciones para
estimar la media
GENERACIÓN
Item 5 Item 1
20% 20%

DE VARIABLES
ALEATORIAS Item 4
20%
Item 2
20%

En nuestra simulación de los modelos

será necesario generar valores para las Item 3
20%
variables aleatorias. Ejemplo: Un
dispositivo físico que simule la
demanda de un modelo dado de
Si las áreas de los sectores están hechas para
sartenes
corresponder a la probabilidad de diferentes demandas,
la aguja puede utilizarse para simular la demanda.
 Para generar una El único requisito para una
demanda para un modelo asignación correcta es que
en particular, primero se la proporción de números

USO DE UN necesita asignar un rango

de números aleatorios a
asignados a una demanda
sea igual a la probabilidad
GENERADOR DE cada demanda posible. de la misma.

NÚMEROS
ALEATORIOS (GNA)
EN UNA HOJA DE
CÁLCULO
 Ejemplo: variable aleatoria D es la demanda de sartenes.
FDA de D : F(x) es la probabilidad de que D adquiera un
valor menor que o igual a x es decir F(x)=Prob{D≤x}

UN MÉTODO
GENERAL Item 5 Item 1
20% 20%

1. Capacidad de generar números aleatorios

Item 4 Item 2
2. La distribución de probabilidad ó la 20% 20%

distribución acumulada (FDA) de la

variable aleatoria que será generada.
Item 3
20%
 IBM Cloud Education. (2020).
Simulación de Monte Carlo. 03-11-
21, de IBM Sitio web:
https://www.ibm.com/mx-
es/cloud/learn/monte-carlo-
simulation
Anónimo. (sin año). Simulación

REFERENCIAS
Monte Carlo. 01-11-21, de palisade
Sitio web: https://www.palisade-
lta.com/risk/simulacion_monte_c
arlo.asp

Anónimo. (sin año). Simulación

Monte Carlo. 02-11-21, de
Procesos Químicos II Sitio web:
file:///C:/Users/omega/Download
s/Transparencias%20de%20simul
acion%20Monte%20Carlo.pdf