Taller 6 – Simulación

Montecarlo

1. Conteste las siguientes preguntas con sus palabras.

a. ¿Qué es la simulación de Montecarlo?

Es un método estadístico utilizado para resolver problemas matemáticos complejos a través

de la generación de variables aleatorias, es el desarrollo de un modelo logico-matematico de
un sistema, de manera que se obtenga una imitación del proceso a través del tiempo, por lo
tanto, involucra la simulación de una historia artificial del sistema y la observación del sistema
mediante la manipulación experimental.

b. ¿Para qué se utiliza la simulación de Montecarlo?

Es aplicable a cualquier tipo de problema ya sea estocástico o determinista, se ha aplicado

en ingeniería, biología, telecomunicaciones, investigación y desarrollo. Para evaluar el
comportamiento de las variables que inciden en el problema a analizar cuando se tiene
incertidumbre sobre el comportamiento que estas van a tener.
Para observar el comportamiento en sistemas que presentan incertidumbre como: ¿cuántas
unidades se venderán el próximo mes?, ¿cuál es la probabilidad de obtener una utilidad el
próximo periodo?,¿cuál es la variable que tiene mayor impacto en las utilidades de un
periodo?
Para aproximar expresiones matemáticas complejas y costosas de evaluar con exactitud,
en ingeniería se utiliza para evaluar la introducción de productos nuevos, para establecer
políticas de inventarios, determinar la probabilidad de que una actividad sea critica, estimando
la distribución del tiempo de concluir un proyecto entre otros.
 c. ¿Cuál es el uso de la generación de números aleatorios en
lasimulación de Montecarlo?

El éxito de un método Monte Carlo se basa sobre todo en la calidad de la simulación del
modelo físico a comprobar, pero hay un punto importante a la hora de realizar las pruebas, y
éste es el generador de números aleatorios usados. Si usamos un generador totalmente
aleatorio, los resultados no serán todo lo buenos que podemos esperar, por lo que, en lugar de
este tipo de generadores, se usa un generador de números pseudoaleatorios. La diferencia
consiste en que un generador de números pseudoaleatorios generará la misma cadena de
números siempre a partir de un número inicial dado, es decir, es determinista. La ventaja
estriba en la posibilidad de hacer que estas secuencias cumplan ciertas distribuciones
estadísticas.
En este método los números aleatorios juegan un papel muy importante por que son las
variables de entrada que simulan el comportamiento del estudio cuantificable, donde podemos
manipular el comportamiento de estas para evaluar los diferentes aspectos o probabilidades
de una hipótesis, al tratarse de números aleatorios este sistema otorga resultados
probabilísticos.
No se consideran números puramente aleatorios, ya que los crea el programa con una
fórmula. No obstante, se parecen mucho a las variables aleatorias de la realidad. Se les
denomina números pseudo-aleatorios.

d. ¿Cuáles son las Ventajas e inconvenientes de utilizar la

simulación de Montecarlo?

Ventajas:
• Este método es muy directo y flexible
• Un computador es el equipo principal para realizar estos cálculos lo que nos
permite una gran exactitud.
• Mientras mas compleja la simulación los resultados obtenidos son más
aproximados a los hechos reales.
• Esta simulación solo nos permite simular sin interferir los resultados reales.
• Nos ayuda en el estudio de los diferentes comportamientos que tiene una
 variable al momento de ser analizada.
• Se puede influir en el tiempo, es decir visionar en un futuro como sería el
comportamiento de determinado evento.
• Se puede influir en el tiempo, es decir visionar en un futuro como sería el
comportamiento de determinado evento.

• La simulación permite resolver problemas que no tienen solución analítica.

Desventajas:

• La simulación más compleja resulta ser muy extensa, debido al número de variables
a analizar.
• No nos genera soluciones globales, ya que solo es para un cierto número de
eventos.
• No brinda una decisión a tomar, sino más bien nos ayuda a resolver el
comportamiento mediante las aproximaciones.
• Cada simulación arroja datos diferentes, ya que son valores aleatorios. (Rodríguez
Aragón, 2011)
• Cada simulación es única, interviene el azar.
• Sus resultados son estimaciones, es decir probabilísticos.

2. Realice una línea de tiempo que describa los orígenes del método y
sus principales aportes hasta la fecha de la simulación de Montecarlo.

Enlace línea del tiempo:

https://www.canva.com/design/DAE9KSz_ooI/uELbRwIM-WhsrSz-
wAynyw/edit?utm_content=DAE9KSz_ooI&utm_campaign=designshare&utm
_medium=link2&utm_source=sharebutton
 3. Investigue como a través de la simulación de Montecarlo puedo
realizar el cálculo de pi (π) de cualquier circulo. Después de ello realice
una descripción detallada del proceso.

Bajo el nombre de Método Monte Carlo o Simulación Monte Carlo se agrupan una serie de
procedimientos que analizan distribuciones de variables aleatorias usando simulación de
números aleatorios. En el caso de la estimación de Pi, se usan valores aleatorios para
aproximar un valor determinístico.
El uso del método de Monte Carlo para aproximar el valor de Pi consiste en dibujar un
cuadrado, y dentro de ese cuadrado, dibujar un círculo con diámetro de igual medida que uno
de los lados del cuadrado. Luego se dibujan puntos de manera aleatoria sobre la superficie
dibujada. Los puntos que están fuera del círculo y los que están dentro, sirven como
estimadores de las áreas internas y externas del círculo.

Donde el área total es:

El área total del circulo que se encuentra en el cuadrado es:

La relación de las áreas es:

 A partir de una estimación de esta relación, se multiplica por 4, y se obtiene el estimador de
Pi. Para la simulación, se usan números pseudoaleatorios con distribución uniforme. A partir
de esos números se forman las coordenadas de los puntos que se van a dibujar dentro del
cuadrado. Una vez dibujados una cantidad suficiente de puntos, se estimará Pi mediante la
fórmula:

4. Realice una investigación de cómo se realiza el análisis de riesgos

utilizando la simulación de Montecarlo.

La simulación Monte Carlo realiza el análisis de riesgo con la creación de modelos de

posibles resultados mediante la sustitución de un rango de valores —una distribución de
probabilidad— para cualquier factor con incertidumbre inherente. Luego, calcula los resultados
una y otra vez, cada vez usando un grupo diferente de valores aleatorios de las funciones de
probabilidad. Dependiendo del número de incertidumbres y de los rangos especificados, para
completar una simulación Monte Carlo puede ser necesario realizar miles o decenas de miles
de recálculos. La simulación Monte Carlo produce distribuciones de valores de los resultados
posibles.
El análisis de riesgo se puede realizar cualitativa y cuantitativamente. El análisis de riesgo
cualitativo generalmente incluye la evaluación instintiva o “por corazonada” de una situación, y
se caracteriza por afirmaciones como “Eso parece muy arriesgado” o “Probablemente
obtendremos buenos resultados”. El análisis de riesgo cuantitativo trata de asignar valores
numéricos a los riesgos, utilizando datos empíricos o cuantificando evaluaciones cualitativas.
Vamos a concentrarnos en el análisis de riesgo cuantitativo.
Mediante el uso de distribuciones de probabilidad, las variables pueden generar diferentes
probabilidades de que se produzcan diferentes resultados. Las distribuciones de probabilidad
son una forma mucho más realista de describir la incertidumbre en las variables de un análisis
de riesgo. Las distribuciones de probabilidad más comunes son:
• Normal: El usuario simplemente define la media o valor esperado y una
desviación estándar para describir la variación con respecto a la media. Los
valores intermedios cercanos a la media tienen mayor probabilidad de
producirse.
• Lognormal: Los valores muestran una clara desviación; no son simétricos como
en la distribución normal. Se utiliza para representar valores que no bajan por
debajo del cero, pero tienen un potencial positivo ilimitado.
• Uniforme: Todos los valores tienen las mismas probabilidades de producirse; el
usuario sólo tiene que definir el mínimo y el máximo. Ejemplos de variables que
se distribuyen de forma uniforme son los costos de manufacturación o los
ingresos por las ventas futuras de un nuevo producto.
• Triangular: El usuario define los valores mínimo, más probable y máximo. Los
valores situados alrededor del valor más probable tienen más probabilidades de
producirse.
• PERT: El usuario define los valores mínimo, más probable y máximo, como en
la distribución triangular. Los valores situados alrededor del más probable tienen
más probabilidades de producirse. Sin embargo, los valores situados entre el
más probable y los extremos tienen más probabilidades de producirse que en la
distribución triangular; es decir, los extremos no tienen tanto peso.
• Discreta: El usuario define los valores específicos que pueden ocurrir y la
probabilidad de cada uno. Un ejemplo podría ser los resultados de una demanda
legal: 20% de posibilidades de obtener un veredicto positivo, 30% de
posibilidades de obtener un veredicto negativo, 40% de posibilidades de llegar a
un acuerdo, y 10% de posibilidades de que se repita el juicio.
 Referencias

• Taibo, A. (2002). Investigación de operaciones para los no matemáticos. México:

Instituto Politécnico Nacional.
• González, A. (2014). Probabilidad. Almeria: Editorial Universidad de Almería.