INGENIERÍA INDUSTRIAL

NOMBRE DE MATERIA: Administración de operaciones I

Nombre de actividad:
Simulación Montecarlo

Profesor: Caballero León Miguel Ángel

Alumno: Ramírez Calderón Carol Getsemaní
Fecha: 07/07/2023
INTRODUCCIÓN.

La simulación de Montecarlo es una técnica utilizada para modelar y analizar

sistemas complejos mediante la generación de múltiples muestras aleatorias. Se

basa en la generación de números aleatorios para simular el comportamiento de un

sistema y obtener resultados estadísticos que nos pueden tomar decisiones o

comprender mejor el sistema en estudio.

La idea detrás de la simulación de Montecarlo es simular el comportamiento de un

sistema a lo largo del tiempo o en diferentes escenarios posibles. Esto se logra

mediante la generación de valores aleatorios de entrada que representan las

incertidumbres o necesidades del sistema. Estos valores ocasionales se utilizan

luego para ejecutar el modelo o algoritmo que representa el sistema, obteniendo así

una muestra de resultados.

El nombre de "Montecarlo" proviene del famoso casino de Montecarlo en Mónaco,

donde la aleatoriedad juega un papel fundamental. La simulación de Montecarlo

toma su inspiración de los juegos de azar y se basa en la generación de números

aleatorios para modelar situaciones complejas en las que hay incertidumbre.

La simulación de Montecarlo se utiliza en una amplia gama de campos, incluyendo

la ingeniería, las finanzas, la física, la biología y muchos otros. Algunos ejemplos de

aplicaciones comunes incluyen la evaluación de riesgos financieros, el análisis de

desempeño de sistemas complejos, la optimización de procesos industriales y la

predicción de resultados en experimentos científicos.

EJEMPLO MODELO MONTECARLO.

1. Recopilación de datos: El inversionista recopila datos históricos de los

precios de las acciones que conforman la cartera, así como otros factores

relevantes como tasas de interés, tipos de cambio, etc.

2. Modelado de variables: El inversionista modela el comportamiento de las

variables clave, como los precios.

3. Cálculo del rendimiento de la cartera: Para cada escenario generado, se

calcula el rendimiento de la cartera de inversión. Esto implica determinar el

valor de la cartera en cada período de tiempo utilizando los precios de las

acciones simuladas y la composición de la cartera.

4. Análisis estadístico: Una vez que se han calculado los rendimientos para

cada escenario, se realiza un análisis estadístico para obtener medidas de

rendimiento esperado, volatilidad y otros indicadores de riesgo. Esto permite

al inversionista comprender la distribución de los posibles resultados y

evaluar el riesgo asociado con la cartera.

5. Toma de decisiones: Con los resultados de la simulación de Montecarlo, el

inversionista puede tomar decisiones informadas sobre la composición de la

cartera, ajustar los pesos de las acciones o considerar estrategias de

cobertura para reducir el riesgo identificado.

Este ejemplo ilustra cómo la simulación de Montecarlo puede utilizarse para evaluar

y gestionar el riesgo en carteras de inversión, permitiendo a los inversionistas tomar

decisiones más informadas y mejorar su comprensión de los posibles resultados.

EJEMPLO MODELO MONTECARLO.

Ejemplo 1: π como área de un círculo.

Evalúa el área A de un círculo de radio r dado: A = pi*r^2.

Implementa la técnica de “Crude Montecarlo”, en el 1er cuadrante, forma que podría

considerarse “estratificada” (la estratificación consistiría en usar sólo el 1er

cuadrante y extrapolar luego el valor de área obtenido a toda la figura).

También estima el error relativo en la respuesta obtenida e informa el tiempo de

ejecución.
Conclusión de ejemplo 1.

El método converge en forma lenta. Aún con 10 millones de puntos sólo ha

alcanzado una precisión de 4 cifras significativas correctas. A partir de 10000 puntos

la reducción del error relativo ya no es apreciable - aunque parece lineal - pero en

cambio el tiempo de ejecución comienza a crecer notablemente desde los 100000

puntos en adelante.
CONCLUSIÓN.

En conclusión, el modelo de simulación de Montecarlo es una herramienta poderosa

para modelar y analizar sistemas complejos en los que hay incertidumbre o

dificultades. Al generar múltiples muestras aleatorias y ejecutar el modelo o

algoritmo en cada una de ellas, podemos obtener resultados estadísticos que nos

ayudan a comprender mejor el comportamiento del sistema y tomar decisiones

informadas. A continuación, se presentan algunas conclusiones clave sobre el

modelo de simulación de Montecarlo: