Facultad de Ciencias Empresariales y Tecnología

Universidad Gran Asunción

Trabajo Grupal
Simulación

Temas: Modelos de simulación estáticos.

Integrantes:
 Karen Castillo
 Pedro Altuman
 Diego Pedrozo

Carrera: Ingeniería en Informática

Sistema: Trimestral
Curso: Quinto
Profesor: Ing. Reinaldo

Año: 2023

Itá - Paraguay

Contenido
INTRODUCCIÓN.......................................................................................................................2
PLANTEAMIENTO DEL PROBLEMA.....................................................................................3
OBJETIVOS................................................................................................................................4
MODELOS DE SIMULACION ESTATICOS. METODOS DE MONTE CARLO.....................5
¿Qué es la simulación?.................................................................................................................5
Elementos de una simulación.......................................................................................................5
¿Qué es la simulación Montecarlo?..............................................................................................6
¿Cómo funciona la simulación Montecarlo?................................................................................7
Cómo utilizar los métodos Montecarlo.........................................................................................7
¿En qué consisten las simulaciones de Monte Carlo?...................................................................9
¿Por qué son importantes las simulaciones de Monte Carlo?.......................................................9
Ventajas de las simulaciones de Monte Carlo...............................................................................9
¿Cuáles son los casos de uso de las simulaciones de Monte Carlo?.............................................9
¿Cómo funciona una simulación de Monte Carlo?.....................................................................10
Las simulaciones de Monte Carlo en comparación con el machine learning..............................11
¿Cuáles son los componentes de una simulación de Monte Carlo?............................................11
¿En qué consisten las distribuciones de probabilidad en las simulaciones de Monte Carlo?......12
¿Cuáles son los pasos para realizar la simulación de Monte Carlo?...........................................12
¿Qué desafíos plantean las simulaciones de Monte Carlo?.........................................................13
¿De qué manera puede AWS Batch contribuir a las simulaciones de Monte Carlo?...................13
¿Qué método es el método Montecarlo?....................................................................................14
CONCLUSIÓN..........................................................................................................................15
ANEXO.....................................................................................................................................16
WEBGRAFÍA............................................................................................................................17

1
INTRODUCCIÓN

Generalmente en estadística los modelos aleatorios se usan para simular fenómenos que
poseen algún componente aleatorio. Pero en el método Monte Carlo, por otro lado, el objeto de
la investigación es el objeto en sí mismo, un suceso aleatorio o pseudoaleatorio se usa para
estudiar el modelo.
A veces la aplicación del método Monte Carlo se usa 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. Un ejemplo sería el
famoso problema de las Agujas de Bufón.
La simulación de Monte Carlo también fue creada para resolver integrales que no se pueden
resolver por métodos analíticos, para solucionar estas integrales se usaron números
aleatorios. Posteriormente se utilizó para cualquier esquema que emplee números
aleatorios, usando variables aleatorias con distribuciones de probabilidad conocidas, el cual
es usado para resolver ciertos problemas estocásticos y determinísticos, donde el tiempo no
juega un papel importante.
La simulación de Monte Carlo es una técnica que combina conceptos estadísticos (muestreo
aleatorio) con la capacidad que tienen los ordenadores para generar números
pseudoaleatorios y automatizar cálculos.

2
PLANTEAMIENTO DEL PROBLEMA.

Se ha establecido que un cajero automático, llegan usuarios con un tiempo entre llegadas que se
distribuye normalmente con media de 2 minutos y desviación 12 segundos. El tiempo de
operación del cajero se establece según la transacción que se quiere realizar.
En este caso en particular lo que se hará es simular la llegada de 100 usuarios al cajero y
determine el tiempo de espera y el tiempo en el sistema de cada uno de los usuarios.
El método de Monte Carlo abarca una colección de técnicas que permiten obtener soluciones de
problemas matemáticos o físicos por medio de pruebas aleatorias repetidas. En la práctica, las
pruebas aleatorias se sustituyen por resultados de ciertos cálculos realizados con números
aleatorios.
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. El Método de Monte Carlo da solución a una gran variedad de problemas
matemáticos haciendo experimentos con muestreos estadísticos en una computadora.

OBJETIVOS.

3
  General.
Intentar imitar el comportamiento de variables reales para, en la medida de lo posible, analizar o
predecir cómo van a evolucionar

 Específicos.
Resolver el problema mediante la imitación de las variables reales.
Crear, valorar y analizar proyectos financieros o de inversión.
Crear modelos de gestión de riesgo.
Evaluar distintos tipos de posibles escenarios.

4
MODELOS DE SIMULACION ESTATICOS. METODOS DE
MONTE CARLO.
¿Qué es la simulación?
Se basa en un muestreo aleatorio: la salida de la simulación ese sujeta a variaciones aleatorias y
debe ser examinada utilizando pruebas de inferencia. Un sistema es una colección de elementos
que actúan e interactúan para lograr algún fin lógico.
En informática la simulación tiene todavía mayor significado especializado: Alan Turing usó el
término "simulación" para referirse a lo que pasa cuando una computadora digital corre una
tabla de estado (corre un programa) que describe las transiciones de estado, las entradas y
salidas de una máquina.
En programación, un simulador es a menudo usado para ejecutar un programa que tiene que
correr en ciertos tipos de inconvenientes de computadora o en un riguroso controlador de prueba
de ambiente. Por ejemplo, los simuladores son frecuentemente usados para depurar una
microprograma (microcódigo) o algunas veces programas de aplicación comercial. Dado que, la
operación de computadoras es simulada, toda la información acerca de la operación de
computadoras es directamente disponible al programador, y la velocidad y ejecución pueda
variar a voluntad.

Elementos de una simulación

 Definición del sistema
Consiste en estudiar el contexto del problema, identificar los objetivos del proyecto, especificar
los índices de medición de la efectividad del sistema, establecer los objetivos específicos del
modelamiento y definir el sistema que se va a modelar un sistema de simulación.
 Formulación del modelo
Una vez definidos con exactitud los resultados que se espera obtener del estudio, se definen y
construye el modelo con el cual se obtendrán los resultados deseados. En la formulación del
modelo es necesario definir todas las variables que forman parte de él, sus relaciones lógicas y
los diagramas de flujo que describan en forma completa el modelo.
 Colección de datos
Es importante que se definan con claridad y exactitud los datos que el modelo va a requerir para
producir los resultados deseados.
 Implementación del modelo en la computadora
Con el modelo definido, el siguiente paso es decidir qué lenguaje de programación o
qué paquete de software se va a utilizar para procesar el modelo en la computadora y obtener los
resultados deseados.
 Verificación
El proceso de verificación consiste en comprobar que el modelo simulado cumple con los
requisitos de diseño para los que se elaboró. Se trata de evaluar que el modelo se comporta de
acuerdo a su diseño.

5
  Validación del sistema
A través de esta etapa se valoran las diferencias entre el funcionamiento del simulador y el
sistema real que se está tratando de simular. Las formas más comunes de validar un modelo son:
 La opinión de expertos sobre los resultados de la simulación.
 La exactitud con que se predicen datos históricos.
 La exactitud en la predicción del futuro.
 La comprobación de falla del modelo de simulación al utilizar datos que hacen
fallar al sistema real.
 La aceptación y confianza en el modelo de la persona que hará uso de los resultados
que arroje el experimento de simulación.
 Experimentación

La experimentación con el modelo se realiza después que este haya sido validado. La
experimentación consiste en comprobar los datos generados como deseados y en realizar un
análisis de sensibilidad de los índices requeridos.
 Interpretación
En esta etapa del estudio, se interpretan los resultados que arroja la simulación y con base a esto
se toma una decisión. Es obvio que los resultados que se obtienen de un estudio de simulación
colaboran a soportar decisiones del tipo semiestructurado.
 Documentación
Dos tipos de documentación son requeridos para hacer un mejor uso del modelo de simulación.
La primera se refiere a la documentación del tipo técnico y la segunda se refiere al manual del
usuario, con el cual se facilita la interacción y el uso del modelo desarrollado.

¿Qué es la simulación Montecarlo?

La simulación Montecarlo, también conocida como el método Montecarlo o una simulación de
probabilidad múltiple, es una técnica matemática que se utiliza para estimar los posibles
resultados de un suceso incierto. El método Montecarlo fue inventado por John von Neumann y
Stanislaw Ulam durante la Segunda Guerra Mundial para mejorar la toma de decisiones en
condiciones de incertidumbre. Tiene el nombre de un conocido barrio de Mónaco célebre por su
casino, ya que el elemento de la suerte es la base del enfoque de modelado, similar a un juego
de ruleta.
Desde su introducción, las simulaciones Montecarlo han evaluado el impacto del riesgo en
muchas situaciones de la vida real como, por ejemplo, inteligencia artificial, precios de las
acciones, previsión de ventas, gestión de proyectos y fijación de precios. También proporcionan
una serie de ventajas frente a los modelos predictivos con entradas fijas como, por ejemplo, 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 determinado resultado, y la correlación les permite comprender las relaciones
entre las variables de entrada.

¿Cómo funciona la simulación Montecarlo?

A diferencia de un modelo de previsión normal, la simulación Montecarlo predice un conjunto
de resultados basándose en un rango estimado de valores frente a un conjunto de valores de

6
entrada fijos. En otras palabras, una simulación Montecarlo crea un modelo de resultados
posibles aprovechando una distribución de probabilidad, por ejemplo, una distribución uniforme
o normal, para cualquier variable que tenga una incertidumbre inherente. A continuación, vuelve
a calcular los resultados repetidamente, utilizando cada vez un conjunto diferente de números
aleatorios entre los valores mínimo y máximo. En un experimento típico de Montecarlo, este
ejercicio puede repetirse miles de veces para generar un gran número de resultados probables.
Las simulaciones Montecarlo también se utilizan para predicciones a largo plazo debido a su
precisión. A medida que aumenta el número de entradas, el número de predicciones también
crece, lo que le permite proyectar los resultados más lejos en el tiempo con más precisión.
Cuando finaliza una simulación Montecarlo, proporciona un rango de posibles resultados con la
probabilidad de que se produzca cada resultado.
Un ejemplo sencillo de una simulación Montecarlo es considerar el cálculo de la probabilidad
de lanzar dos dados estándar. Hay 36 combinaciones al lanzar los dados. En función de esto,
puede calcular manualmente la probabilidad de un determinado resultado. Usando una
simulación Montecarlo, puede simular el lanzamiento de los dados 10 000 veces (o más) para
lograr predicciones más precisas.

Cómo utilizar los métodos Montecarlo

Independientemente de la herramienta que utilice, las técnicas Montecarlo implican tres pasos
básicos:
 Configure el modelo predictivo, identificando la variable dependiente que se debe
predecir y las variables independientes (también conocidas como variables de entrada,
de riesgo o predictivas) que permitirán la predicción.
 Especifique las distribuciones de probabilidad de las variables independientes. Utilice
datos históricos y/o el juicio subjetivo del analista para definir un rango de valores
probables y asignar ponderaciones de probabilidad para cada uno.
 Ejecute simulaciones repetidamente para generar valores aleatorios de las variables
independientes. Hágalo hasta que se hayan reunido suficientes resultados para crear una
muestra representativa del número infinito de combinaciones posibles.
Puede ejecutar tantas simulaciones Montecarlo como desee modificando los parámetros
subyacentes que utiliza para simular los datos. Sin embargo, también querrá estimar el rango de
variación dentro de una muestra calculando la varianza y la desviación estándar, que son las
medidas de propagación más utilizadas. La varianza de la variable dada es el valor esperado de
la diferencia al cuadrado entre la variable y su valor esperado. La desviación estándar es la raíz
cuadrada de la varianza. Normalmente, las varianzas más pequeñas se consideran mejores.

7
¿En qué consisten las simulaciones de Monte Carlo?
Las simulaciones de Monte Carlo son una técnica matemática que predice los posibles
resultados de un evento incierto. Los programas informáticos utilizan este método para analizar
datos pasados y predecir una serie de resultados futuros en función de una elección de acción.
Por ejemplo, si desea estimar las ventas del primer mes de un nuevo producto, puede
proporcionar al programa de simulación de Monte Carlo los datos históricos de ventas. El
programa estimará diferentes valores de venta en función de factores como las condiciones
generales del mercado, el precio del producto y el presupuesto de publicidad.

¿Por qué son importantes las simulaciones de Monte Carlo?

Una simulación de Monte Carlo es un modelo probabilístico que puede incluir un elemento de
incertidumbre o aleatoriedad en su predicción. Cuando se utiliza un modelo probabilístico para
simular una salida, se obtienen resultados diferentes cada vez. Por ejemplo, la distancia que
separa su casa de la oficina es fija. Sin embargo, una simulación probabilística podría predecir
tiempos de viaje diferentes al considerar factores como la congestión, el mal tiempo y las
averías de los vehículos.
En cambio, los métodos de previsión convencionales son más deterministas. Proporcionan una
respuesta definitiva a la predicción y no pueden tener en cuenta la incertidumbre. Por ejemplo,
es posible que indiquen el tiempo de viaje mínimo y máximo, pero ambas respuestas son menos
precisas.

Ventajas de las simulaciones de Monte Carlo

Las simulaciones de Monte Carlo proporcionan múltiples salidas posibles y la probabilidad de
cada una de estas a partir de un gran conjunto de muestras de datos aleatorios. Ofrece un
panorama más claro que una previsión determinista. Por ejemplo, prever los riesgos financieros
requiere analizar docenas o cientos de factores de riesgo. Los analistas financieros utilizan la
simulación de Monte Carlo para obtener la probabilidad de cada resultado posible.

¿Cuáles son los casos de uso de las simulaciones de Monte Carlo?

Las empresas utilizan los métodos de Monte Carlo para evaluar los riesgos y realizar
predicciones precisas a largo plazo. A continuación, se presentan algunos ejemplos de casos de
uso.
Business
Los líderes empresariales utilizan los métodos de Monte Carlo para proyectar escenarios
realistas a la hora de tomar decisiones. Por ejemplo, un profesional del marketing tiene que
decidir si es viable aumentar el presupuesto de publicidad para un curso de yoga en línea. Podría
utilizar el modelo matemático de Monte Carlo sobre factores o variables inciertas, como las
siguientes:
 Tarifa de suscripción
 Costo de publicidad
 Tasa de registro
 Retención
La simulación predeciría entonces el impacto de los cambios en estos factores para indicar si la
decisión es rentable.
Finanzas

8
Los analistas financieros normalmente realizan previsiones a largo plazo sobre los precios de las
acciones y luego asesoran a los clientes respecto a qué estrategias son las más adecuadas. Al
hacerlo, deben tener en cuenta los factores del mercado que podrían provocar cambios drásticos
en el valor de la inversión. Por ello, utilizan las simulaciones de Monte Carlo para predecir los
resultados probables y respaldar sus estrategias.
Juegos en línea
El sector de los juegos y las apuestas en línea está sujeto a regulaciones estrictas. Los clientes
esperan que el software de juego sea justo e imite las características de los juegos de azar
presenciales. Por ello, los programadores de juegos utilizan el método de Monte Carlo para
simular los resultados y garantizar una experiencia de juego justa.
Ingeniería
Los ingenieros deben garantizar la fiabilidad y solidez de cada producto y sistema que crean
antes de ponerlo a disposición del público. Utilizan métodos de Monte Carlo para simular la
tasa de fallos probable de un producto en función de las variables existentes. Por ejemplo, los
ingenieros mecánicos utilizan las simulaciones de Monte Carlo para calcular la durabilidad de
un motor cuando funciona en diversas condiciones.

¿Cómo funciona una simulación de Monte Carlo?

El principio básico de una simulación de Monte Carlo radica en la ergodicidad, que describe el
comportamiento estadístico de un punto en movimiento en un sistema cerrado. El punto en
movimiento eventualmente pasará por todos los lugares posibles en un sistema ergódico. Esto se
convierte en el fundamento de la simulación de Monte Carlo, en la que la computadora ejecuta
suficientes simulaciones para producir la salida eventual de diferentes entradas.
Por ejemplo, en el caso de un dado de seis caras, la probabilidad de que caiga en un número
concreto es de uno a seis. Al lanzar el dado seis veces, es posible que el dado no caiga en seis
números diferentes. Sin embargo, se alcanzará la probabilidad teórica de uno a seis para cada
número al continuar indefinidamente con los lanzamientos. La precisión del resultado es
proporcional al número de simulaciones. En otras palabras, ejecutar 10 000 simulaciones
produce resultados más precisos que 100 simulaciones.
La simulación de Monte Carlo funciona de la misma manera. Utiliza un sistema de computación
para realizar una cantidad suficiente de simulaciones que produzcan diferentes resultados que
imiten los de la vida real. El sistema utiliza generadores de números aleatorios para recrear la
incertidumbre inherente a los parámetros de entrada. Los generadores de números aleatorios son
programas de computación que producen una secuencia impredecible de números aleatorios.

Las simulaciones de Monte Carlo en comparación con el machine

learning
El machine learning (ML) es una tecnología de computación que utiliza una muestra grande de
datos de entrada y salida (I/O) para entrenar un software que comprenda la correlación entre
ambos. Una simulación de Monte Carlo, en cambio, utiliza muestras de datos de entrada y un
modelo matemático conocido para predecir las salidas probables que se producen en un sistema.
Los modelos de ML se utilizan para probar y confirmar los resultados en simulaciones de Monte
Carlo.

9
¿Cuáles son los componentes de una simulación de Monte Carlo?
Un análisis de Monte Carlo consta de variables de entrada, variables de salida y un modelo
matemático. El sistema de computación introduce variables independientes en un modelo
matemático, las simula y produce variables dependientes.
Variables de entrada
Las variables de entrada son valores aleatorios que afectan la salida de la simulación de Monte
Carlo. Por ejemplo, la calidad de fabricación y la temperatura son variables de entrada que
influyen en la durabilidad de un teléfono inteligente. Las variables de entrada se pueden
expresar como un rango de muestras de valores aleatorios de modo que los métodos de Monte
Carlo puedan simular los resultados con valores de entrada aleatorios.
Variable de salida
La variable de salida es el resultado del análisis de Monte Carlo. Por ejemplo, la vida útil de un
dispositivo electrónico es una variable de salida, que se expresa en un valor de tiempo, como 6
meses o 2 años. El software de simulación de Monte Carlo muestra la variable de salida en un
histograma o gráfico que distribuye el resultado en un rango continuo en el eje horizontal.
Modelo matemático
Un modelo matemático es una ecuación que describe la relación entre las variables de salida y
de entrada en forma matemática. Por ejemplo, el modelo matemático de rentabilidad
es Beneficio = Ingresos - Gastos.
El software de Monte Carlo sustituye los ingresos y los gastos por valores probables en función
del tipo de distribución de probabilidad. Posteriormente, repite la simulación para obtener un
resultado muy preciso. La simulación de Monte Carlo se puede ejecutar durante horas cuando el
modelo matemático involucra muchas variables aleatorias.

¿En qué consisten las distribuciones de probabilidad en las

simulaciones de Monte Carlo?
Las distribuciones de probabilidad son funciones estadísticas que representan un rango de
valores distribuidos entre límites. Los expertos en estadística utilizan las distribuciones de
probabilidad para predecir la posible presencia de una variable incierta, que puede consistir en
valores discretos o continuos.
La distribución de probabilidad discreta se representa mediante números enteros o una
secuencia de números finitos. Cada uno de los valores discretos tiene una probabilidad mayor
que cero. Los especialistas en estadística trazan la distribución de probabilidad discreta en una
tabla, pero trazan la distribución de probabilidad continua como una curva entre dos puntos
dados en el eje x de un gráfico. Los siguientes son tipos comunes de distribuciones de
probabilidad que una simulación de Monte Carlo puede modelar.
Distribución normal
La distribución normal, también conocida como curva de campana, tiene forma simétrica de
campana y representa la mayoría de los acontecimientos que se producen en la vida real. La
posibilidad de un valor aleatorio en la mediana es alta y la probabilidad disminuye
significativamente hacia ambos extremos de la curva de campana. Por ejemplo, un muestreo
aleatorio repetido del peso de los alumnos de un aula determinada da como resultado un gráfico
de distribución normal.

10
Distribución uniforme
La distribución uniforme se refiere a una representación estadística de variables aleatorias que
tienen la misma probabilidad. Cuando se trazan en un gráfico, las variables distribuidas
uniformemente aparecen como una línea plana horizontal a través del rango válido. Por
ejemplo, la distribución uniforme representa la probabilidad de lanzar y obtener un resultado en
cada lado de un dado.
Distribución triangular
La distribución triangular utiliza los valores mínimo, máximo y más probable para representar
variables aleatorias. El pico de la probabilidad se sitúa en el valor más probable. Por ejemplo,
para predecir los próximos volúmenes de ventas, las empresas utilizan la distribución triangular
y establecen el valor mínimo, máximo y pico del triángulo.

¿Cuáles son los pasos para realizar la simulación de Monte Carlo?

El método de Monte Carlo incluye los siguientes pasos.
Establezca el modelo matemático
Defina una ecuación que reúna las variables de salida y de entrada. Los modelos matemáticos
pueden abarcar desde fórmulas empresariales básicas hasta complejas ecuaciones científicas.
Determine los valores de entrada
Elija entre los diferentes tipos de distribuciones de probabilidad para representar los valores de
entrada. Por ejemplo, la temperatura de funcionamiento de un teléfono móvil es probablemente
una curva de campana, ya que el dispositivo funciona a temperatura ambiente la mayor parte del
tiempo.
Cree un conjunto de datos de muestra
Cree un gran conjunto de datos de muestras aleatorias según la distribución de probabilidad
elegida. El tamaño de la muestra debe ser del orden de 100 000 para obtener resultados
precisos.
Configure el software de simulación de Monte Carlo
Utilice las muestras de entrada y el modelo matemático para configurar y ejecutar el software de
simulación de Monte Carlo. Los tiempos de los resultados pueden variar en función de la
cantidad de variables de entrada, y es posible que tenga que esperar los resultados.
Analice los resultados
Compruebe los resultados simulados para averiguar cómo se distribuye la salida en el
histograma. Utilice herramientas estadísticas para calcular parámetros, como el valor medio, la
desviación estándar y la variante, y así determinar si el resultado está dentro de las expectativas.

¿Qué desafíos plantean las simulaciones de Monte Carlo?

Estos son dos desafíos comunes a la hora de utilizar las simulaciones de Monte Carlo:
La simulación de Monte Carlo depende en gran medida de los valores de entrada y de la
distribución. Si se cometen errores al elegir la entrada y la distribución de probabilidad, se
pueden obtener resultados inexactos.

11
Es posible que se necesite una potencia de computación excesiva para realizar los experimentos
de Monte Carlo. La computación con el método de Monte Carlo puede llevar horas o días en
una sola computadora.

¿De qué manera puede AWS Batch contribuir a las simulaciones

de Monte Carlo?
AWS Batch es un servicio que los analistas de datos utilizan para ejecutar cargas de trabajo por
lotes en los entornos de AWS. Los analistas de datos utilizan AWS Batch para escalar los
recursos de computación en la nube para las simulaciones Monte Carlo de forma automática.
Posteriormente, simulan sistemas y variables complejos en una duración más corta. AWS Batch
ofrece las siguientes características:
Los científicos de datos se concentran en el análisis de los resultados, en lugar de administrar la
asignación de recursos.
AWS Batch elimina la necesidad de supervisión e intervención manual cuando se realizan
simulaciones de Monte Carlo.
No es necesario instalar un software de computación por lotes independiente en los entornos de
AWS.

¿Qué método es el método Montecarlo?

Las simulaciones de Monte Carlo son una técnica matemática que predice los posibles
resultados de un evento incierto. Los programas informáticos utilizan este método para analizar
datos pasados y predecir una serie de resultados futuros en función de una elección de acción.

12
CONCLUSIÓN.

La simulación es el tipo de software educativo capaz de aprovechar todas las potencialidades de

la computadora en el proceso de enseñanza aprendizaje.
Entre sus ventajas se encuentra que estimula la motivación, la eficiencia y la transferencia del
aprendizaje a situaciones reales. Permite la experimentación en un ambiente controlado y sin
riesgos, y es ideal para desarrollar estrategias.
A pesar de sus muchas ventajas con respecto a otros tipos de software educativo, es importante
no perder de vista que la simulación también tiene ciertas limitaciones, principalmente porque
no puede reproducir el mundo real en toda su complejidad, y porque su diseño y programación
son más complicados.

13
ANEXO.

14
WEBGRAFÍA.
https://www.ibm.com/es-es/topics/monte-carlo-simulation

https://es.wikipedia.org/wiki/Simulaci%C3%B3n

https://aws.amazon.com/es/what-is/monte-carlo-simulation/

15