SIMULACIN DE MONTECARLO

INTEGRANTES
CALDERON RUEDA, ROSALIND
LOAYZA CHUYMA, KARINA
MARTINEZ GAMBOA, CELENE
PEREZ QUEZADA, GLENN
PACHECO MORENO, MILAGROS
RUIZ SALDAA KEYSI
SIMULACIN MONTECARLO

La simulacin Monte Carlo esta es una tcnica matemtica que usa nmeros aleatorios y probabilidad para entender
el impacto del riesgo en un modelo de la realidad. Esta tcnica es utilizada por profesionales de campos tan dispares
como los de finanzas, gestin de proyectos, energa, manufacturacin, ingeniera, investigacin y desarrollo, seguros,
petrleo y gas, transporte y medio ambiente.
El mtodo Montecarlo fue bautizado as por su clara analoga con los juegos de ruleta de los casinos, el ms clebre
de los cuales es el de Montecarlo, casino cuya construccin fue propuesta en 1856 por el prncipe Carlos III de
Mnaco, siendo inaugurado en 1861.
UTILIDAD DEL METODO MONTECARLO

Las estimaciones de plazo y coste que hacemos durante la planificacin de un proyecto estn
sujetas a variabilidad. Esta variabilidad es debida tanto a la variabilidad intrnseca de las
estimaciones, una determinada tarea no cuesta o dura siempre lo mismo, como a los riesgos
asumidos, los cuales tienen una determinada probabilidad de ocurrir y un impacto.
Por ello no es conceptualmente correcto dar un valor determinado para el coste o la duracin
del proyecto, aunque todos lo hacemos, ya que estos van a estar sujetos a variabilidad. Por el
contrario, lo ms correcto sera hablar de un valor medio y una variabilidad para el coste y la
duracin totales, los cuales pueden determinarse mediante el anlisis de Montecarlo.
ELEMENTO DEL METODO MONTECARLO

En cualquier proyecto hay dos elementos que tienen un comportamiento no determinista:

TAREAS
Las cuales tienen un valor medio y una variabilidad de acuerdo a una distribucin estadstica, que permite
relacionar un determinado valor de plazo o coste a un porcentaje de representatividad.
LOS RIESGOS:
sujetos a una probabilidad de ocurrencia y a un impacto. Si tenemos un riesgo con una probabilidad de
ocurrencia del 15%, y un impacto de 1000 y 1 da, diremos que el 15% de las veces que se ejecute el
proyecto, este va a durar un da ms y costar 1000 ms, el 85% de las veces restantes no.
COMO FUNCIONA LA SIMULACIN MONTECARLO

El anlisis de riesgo se puede realizar cualitativa y cuantitativamente. El anlisis de riesgo cualitativo

generalmente incluye la evaluacin instintiva o por corazonada de una situacin, y se caracteriza por
afirmaciones como Eso parece muy arriesgado o Probablemente obtendremos buenos resultados. El
anlisis de riesgo cuantitativo trata de asignar valores numricos a los riesgos, utilizando datos empricos o
cuantificando evaluaciones cualitativas. Vamos a concentrarnos en el anlisis 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 ms
realista de describir la incertidumbre en las variables de un anlisis de riesgo.
Las distribuciones de probabilidad ms comunes son:
Normal O curva de campana: El usuario simplemente define la
media o valor esperado y una desviacin estndar para describir la Variables que se pueden describir con
variacin con respecto a la media. Los valores intermedios cercanos distribuciones normales son los ndices de
a la media tienen mayor probabilidad de producirse. Es una inflacin y los precios de la energa.
distribucin simtrica y describe muchos fenmenos naturales,
como puede ser la estatura de una poblacin.

Variables descritas por la distribucin

Lognormal: Los valores muestran una clara desviacin; no son lognormal son los valores de las
simtricos como en la distribucin normal. Se utiliza para propiedades inmobiliarias y bienes races,
representar valores que no bajan por debajo del cero, pero tienen los precios de las acciones de bolsa y las
un potencial positivo ilimitado. reservas de petrleo.

variables que se distribuyen de forma

Uniforme: Todos los valores tienen las mismas probabilidades de
uniforme son los costos de manufacturacin
producirse; el usuario slo tiene que definir el mnimo y el mximo.
o los ingresos por las ventas futuras de un
nuevo producto.
Triangular: El usuario define los valores mnimo, ms probable
y mximo. Los valores situados alrededor del valor ms
probable tienen ms probabilidades de producirse.
PERT: El usuario define los valores mnimo, ms probable y
mximo, como en la distribucin triangular. Los valores
situados alrededor del ms probable tienen ms
probabilidades de producirse. Sin embargo, los valores
situados entre el ms probable y los extremos tienen ms
probabilidades de producirse que en la distribucin triangular;
es decir, los extremos no tienen tanto peso.
Discreto: El usuario define los valores especficos que pueden
ocurrir y la probabilidad de cada uno.
Las variables que se pueden describir con una
distribucin triangular son el historial de ventas
pasadas por unidad de tiempo y los niveles de
inventario.
La distribucin PERT es la descripcin
de la duracin de una tarea en un
modelo de gestin de un proyecto.
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.
La simulacin Monte Carlo proporciona una serie de ventajas sobre el anlisis determinista o estimacin de
un solo punto:

RESULTADOS GRAFICOS
RESULTADOS PROBABILISTICOS
Gracias a los datos que genera una
Los resultados muestran no slo lo que
simulacin Monte Carlo, es fcil crear
puede suceder, sino lo probable que es un
grficos de diferentes resultados y las
resultado.
posibilidades de que sucedan.
ANLISIS DE SENSIBILIDAD
Con slo unos pocos resultados, en los
anlisis deterministas es ms difcil ver las
variables que ms afectan el
resultado. En la simulacin Monte Carlo,
resulta ms fcil ver qu variables
introducidas tienen mayor influencia
sobre los resultados finales.

CORRELACIN DE VARIABLE DE ENTRADA

ANLISIS DE ESCENARIO
Es posible modelar relaciones
Usando la simulacin Monte Carlo, los
interdependientes entre diferentes
analistas pueden ver exactamente los
variables de entrada. Esto es importante
valores que tienen cada variable cuando
para averiguar con precisin la razn real
se producen ciertos resultados. Esto
por la que, cuando algunos factores
resulta muy valioso para profundizar en
suben, otros suben o bajan
los anlisis.
paralelamente.
PLANTEAMIENTO DE UN MODELO DE SIMULACIN

Desarrollar un modelo que

represente el sistema que va Validacin del modelo:
Generar observaciones
investigarse. No es necesaria Comparar de la simulacin
aleatorias.
una representacin realista con valores reales.
del sistema.
GENERACIN DE VARIABLES ALEATORIAS
En nuestra simulacin de los modelos ser necesario generar valores para las variables aleatorias.
Ejemplo: Un dispositivo fsico que simule la demanda de un modelo dado de sartenes

Si las reas de los sectores estn

hechas para corresponder a la
probabilidad de diferentes demandas,
la aguja puede utilizarse para simular la
demanda.
USO DE UN GENERADOR DE NMEROS ALEATORIOS
EN UNA HOJA DE CALCULO
Para generar una demanda para un modelo en particular, primero se necesita asignar un rango de
nmeros aleatorios a cada demanda posible.

El nico requisito para una asignacin correcta es que la

proporcin de nmeros asignados a una demanda sea igual a la
probabilidad de la misma.
 EJEMPLO

variable aleatoria D es la demanda de sartenes.

FDA de D : F(x) es la probabilidad de que D
adquiera un valor menor que o igual a x es decir
F(x)=Prob. {Dx}
Para el ejemplo, la F(x) es:

X 8 9 10 11 12 13
F (X) 0.1 0.3 0.6 0.8 0.9 1.0