Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Trabajo Grupal
Simulación
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.
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.
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.
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.
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.
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.
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.
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.
12
CONCLUSIÓN.
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