¿Qué es una simulación Monte Carlo?

¿Qué principios fundamentan su aplicación

y que pasos se siguen?
Una simulación Monte Carlo es una técnica computacional que se utiliza para estimar
resultados numéricos mediante la generación de múltiples muestras aleatorias. Este
enfoque toma su nombre de los famosos casinos de Monte Carlo en Mónaco, donde el
azar y la aleatoriedad son fundamentales en los juegos de azar. La simulación Monte
Carlo se utiliza en una amplia variedad de campos, desde la física y la ingeniería hasta
la economía y las finanzas, para abordar problemas complejos que involucran
incertidumbre y variabilidad.
Los principios fundamentales que sustentan la aplicación de la simulación Monte Carlo
son:
Aleatoriedad: La simulación Monte Carlo hace uso de números aleatorios para simular
el comportamiento de un sistema o proceso. La aleatoriedad es fundamental para
capturar la variabilidad inherente en muchos problemas del mundo real.
Muestreo estadístico: La técnica de Monte Carlo se basa en el concepto de muestreo
estadístico, donde se generan múltiples muestras aleatorias del sistema o proceso que se
está simulando. Estas muestras se utilizan para estimar características del sistema, como
promedios, variaciones o probabilidades.
Convergencia estadística: La precisión de los resultados obtenidos mediante simulación
Monte Carlo mejora a medida que se aumenta el número de muestras aleatorias
generadas. Este principio se basa en la ley de los grandes números y el teorema del
límite central, que establece que, en general, a medida que se aumenta el tamaño de la
muestra, las predicciones tienden a converger hacia los valores verdaderos de los
parámetros poblacionales.
Los pasos típicos seguidos en una simulación Monte Carlo son los siguientes:
Definir el problema: El primer paso es definir claramente el problema que se va a
abordar mediante simulación Monte Carlo, identificando las variables de interés, las
suposiciones subyacentes y los objetivos de la simulación.
Modelar el sistema: Una vez definido el problema, se procede a modelar el sistema o
proceso de interés, especificando las relaciones entre las variables y las distribuciones
de probabilidad que describen su comportamiento.
Generar muestras aleatorias: Se generan múltiples muestras aleatorias de las variables
de interés, utilizando distribuciones de probabilidad adecuadas. Estas muestras pueden
generarse utilizando algoritmos de generación de números aleatorios.
Realizar simulaciones: Se realiza la simulación del sistema o proceso utilizando las
muestras aleatorias generadas. Esto implica ejecutar el modelo del sistema múltiples
veces y recopilar los resultados de interés en cada ejecución.
Analizar los resultados: Una vez completadas las simulaciones, se analizan los
resultados para extraer conclusiones sobre el sistema o proceso simulado. Esto puede
implicar calcular estadísticas descriptivas, como promedios o percentiles, así como
realizar pruebas de sensibilidad o escenarios.
Validar y verificar: Es importante validar y verificar el modelo de simulación Monte
Carlo para asegurarse de que produzca resultados precisos y confiables. Esto puede
implicar comparar los resultados de la simulación con datos observados o utilizar
técnicas de validación cruzada.
Numero de automóviles que llegaron por hora al auto lavado Lundber durante las
últimas 200 horas de operación fue el siguiente:

Numero de AUTOS que llegan Frecuencia

3 o menos 0
4 20
5 30
6 50
7 60
8 40
9 o mas 0
Total 200

Tomada de Render, B., Stair, R. N., Hanna, M. E. T. S. (2018). Quantitative Analysis

For Management. (13 ed). Pearson.
1.Establezca las distribuciones de probabilidad y de probabilidad acumulada para
la variable llegada de autos.
2.Establezca los intervalos de números aleatorios para la variable.
3.Simule 15 horas de llegada de autos y calcule el numero promedio de llegadas
por hora.
Desarrollo
A) La probabilidad y probabilidad acumulada.

NUMERO DE FRECUENCIA PROBABILIDAD PROBABILIDAD

AUTOS QUE ACUMULADA
LLEGAN
3 O MENOS 0 0 0
4 20 0.10 0.10
5 30 0.15 0.25
6 50 0.25 0.50
7 60 0.30 0.80
8 40 0.20 1.00
 9 O MÁS 0 0 0
200 1
B) Establezca los intervalos de números aleatorios para la variable.

C) Simulación de las 15 horas de llegada de los autos

Simulació en QM
Tendrán una llegada de autos de alrededor de 6 autos por horas.
Describa como podemos usar el análisis de Markov para realizar mediciones.

El análisis de Markov es una herramienta poderosa utilizada en una amplia gama de

campos, desde la modelización de sistemas físicos hasta el análisis de datos
secuenciales en el ámbito de la inteligencia artificial y la economía. Una de las
aplicaciones más comunes del análisis de Markov es en la modelización y predicción de
sistemas estocásticos, es decir, sistemas que evolucionan aleatoriamente a lo largo del
tiempo. Aquí hay un enfoque general sobre cómo se puede utilizar el análisis de Markov
para realizar mediciones:

1. Definir el sistema: Primero, necesitas definir el sistema que estás estudiando y

los posibles "estados" en los que puede estar el sistema. Por ejemplo, si estás
modelando el clima, los estados podrían ser "soleado", "lluvioso" o "nublado".
Estos estados deben ser mutuamente excluyentes y exhaustivos, lo que significa
que en cualquier momento el sistema debe estar en uno y solo uno de estos
estados.

2. Construir la matriz de transición: Una vez que hayas identificado los estados
posibles, necesitas determinar las probabilidades de transición entre estos
estados. Esto se puede hacer observando datos históricos o utilizando
conocimiento experto sobre el sistema. La matriz de transición es una matriz
cuadrada donde cada entrada (i, j) representa la probabilidad de transición del
estado i al estado j en un solo paso de tiempo. Esta matriz debe cumplir con la
propiedad de que las filas sumen 1, ya que la probabilidad de transición desde un
estado dado a todos los posibles estados siguientes debe ser igual a 1.
 3. Realizar mediciones: Una vez que tenga la matriz de transición, puede utilizarla
para realizar mediciones sobre el sistema. Por ejemplo, podrías estar interesado
en predecir la probabilidad de que el sistema esté en cierto estado en un
momento futuro dado el estado actual del sistema. Esto se puede hacer
utilizando técnicas de álgebra lineal, como la multiplicación de matrices.

4. Estimar parámetros desconocidos: En algunos casos, es posible que no tengas

información completa sobre las probabilidades de transición entre estados. En
tales casos, es posible estimar estos parámetros desconocidos a partir de datos
observados utilizando técnicas de estimación estadística, como el método de
máxima verosimilitud.

5. Evaluar la precisión del modelo: Después de realizar mediciones utilizando el

análisis de Markov, es importante evaluar la precisión del modelo. Esto se puede
hacer comparando las predicciones del modelo con datos observados o
utilizando técnicas de validación cruzada para evaluar la capacidad de
generalización del modelo a datos no vistos.

La universidad de South Wisconsin ha tenido una inscripción estable los últimos cinco
años. La escuela tiene su propia librería. University Bookstore, pero también hay tres
librerías privadas en la ciudad: Bills Store, College Bookstore y Battles Book Store. La
universidad está preocupada por el gran número de estudiantes que están comprando en
una de las librerías privadas. Como resultado, el presidente de South Wisconsin, Andy
Lange, Decidio dar a un estudiante tres horas de crédito universitario para que estudie el
problema. Se obtuvo la siguiente matriz de probabilidades de transición:

University Bills College Battles

University 0.6 0.2 0.1 0.1
Bills 0 0.7 0.2 0.1
College 0.1 0.1 0.8 0
Battles 0.05 0.05 0.1 0.8
Participación inicial del estado 1: 0.25 UNIVERSITY

Participación inicial del estado 2: 0.25 BILL’S

Participación inicial del estado3: 0.25 COLLEGE

Participación inicial del estado 4: 0.25 BATTLE’S

PERIODO 2

0.6 0.2 0.1 0.1

(𝟎. 𝟐𝟓 𝟎. 𝟐𝟓 𝟎. 𝟐𝟓 𝟎. 𝟐𝟓) = 0 0.7 0.2 0.1

0.1 0.1 0.8 0

0.05 0.05 0.1 0.8

UNIVERSITY = (0.25*0.6) + (0.25*0) + (0.25*0.1) + (0.25*0.05) = 0.188

• BILL’S = (0.25*0.2) + (0.25*0.7) + (0.25*0.1) + (0.25*0.05) = 0.263

• COLLEGE = (0.25*0.1) + (0.25*0.2) + (0.25*0.8) + (0.25*0.1) =0.300

• BATTLE’S = (0.25*0.1) + (0.25*0.1) + (0.25*0) + (0.25*0.8) = 0.250

UNIVERSITY = 0.188

BILL’S = 0.263

COLLEGE = 0.300

BATTE’S = 0.250

PERIODO 3

0.6 0.2 0.1 0.1

(𝟎. 𝟏𝟖𝟖 𝟎. 𝟐𝟔𝟑 𝟎. 𝟑𝟎𝟎 𝟎. 𝟐𝟓𝟎) = 0 0.7 0.2 0.1

0.1 0.1 0.8 0

 0.05 0.05 0.1 0.8

• UNIVERSITY = (0.188*0.6) + (0.263*0) + (0.300*0.1) + (0.250*0.05) = 0.1553

• BILL’S = (0.188*0.2) + (0.263*0.7) + (0.300*0.1) + (0.250*0.05) = 0.2642

• COLLEGE = (0.188*0.1) + (0.263*0.2) + (0.300*0.8) + (0.250*0.1) = 0.3364

• BATTLE’S = (0.188*0.1) + (0.263*0.1) + (0.300*0) + (0.250*0.8) = 0.2451

PERIODO 4

0.6 0.2 0.1 0.1

(𝟎. 𝟏𝟓𝟓𝟑 𝟎. 𝟐𝟔𝟒𝟐 𝟎. 𝟑𝟑𝟔𝟒 𝟎. 𝟐𝟒𝟓𝟏) = 0 0.7 0.2 0.1

0.1 0.1 0.8 0

0.05 0.05 0.1 0.8

• UNIVERSITY = (0.1553*0.6) + (0.2642*0) + (0.3364*0.1) + (0.2451*0.05) =

0.139075

• BILL’S = (0.1553*0.2) + (0.2642*0.7) + (0.3364*0.1) + (0.2451*0.05) = 0.261895

• COLLEGE = (0.1553*0.1) + (0.2642*0.2) + (0.3364*0.8) + (0.2451*0.1) = 0.362

• BATTLE’S = (0.1553*0.1) + (0.2642*0.1) + (0.3364*0) + (0.2451*0.8) = 0.23803

PERIODO 5

0.6 0.2 0.1 0.1

(𝟎. 𝟏𝟑𝟗𝟎𝟕𝟓 𝟎. 𝟐𝟔𝟏𝟖𝟗𝟓 𝟎. 𝟑𝟔𝟐 𝟎. 𝟐𝟑𝟖𝟎𝟑) = 0 0.7 0.2 0.1

0.1 0.1 0.8 0

0.05 0.05 0.1 0.8

UNIVERSITY=(0.139075*0.6)+(0.261895*0)+(0.362*0.1)+(0.23803*0.05)=
0.1315465

• BILL’S = (0.139075*0.2) + (0.261895*0.7) + (0.362*0.1) + (0.23803*0.05) =

0.259243
• COLLEGE = (0.139075*0.1) + (0.261895*0.2) + (0.362*0.8) + (0.23803*0.1) =
0.3796895

• BATTLE’S = (0.139075*0.1) + (0.261895*0.1) + (0.362*0) + (0.23803*0.8) =

0.230521

PERIODO 6

0.6 0.2 0.1 0.1

(𝟎. 𝟏𝟑𝟏𝟓𝟒𝟔𝟓 𝟎. 𝟐𝟓𝟗𝟐𝟒𝟑 𝟎. 𝟑𝟕𝟗𝟔𝟖𝟗𝟓 𝟎. 𝟐𝟑𝟎𝟓𝟐𝟏) = 0 0.7 0.2 0.1

0.1 0.1 0.8 0

0.05 0.05 0.1 0.8

• UNIVERSITY = (0.1315465*0.6) + (0.259243*0) + (0.3796895*0.1) +

(0.230521*0.05) =

0.1284229

• BILL’S = (0.1315465*0.2) + (0.259243*0.7) + (0.3796895*0.1) + (0.230521*0.05) =

0.2572744

• COLLEGE = (0.1315465*01) + (0.259243*0.2) + (0.3796895*0.8) + (0.230521*0.1)

=

0.39180695

• BATTLE’S = (0.1315465*0.1) + (0.259243*0.1) + (0.3796895*0) + (0.230521*0.8) =

0.22349575

Bibliografia

M. H. Kalos, P. A. Whitlock, Monte Carlo Methods, Wiley, 2nd edition, 2008.

R. Y. Rubinstein, D. P. Kroese, Simulations and the Monte Carlo Method, Wiley, 2nd
edition, 2008.

S. Weinzierl, Introduction to Monte Carlo Methods, arXiv: hep-ph/0006269, 2000.

A. M. Johansen, L. Evers, Simulation and the Monte Carlo Methods — Lecture Notes,
Ed. Nick Whiteley, University of Bristol, 2011.