TRABAJO FINAL

SIMULACIÓN DE MONTECARLO
Curso:
Introducción a los modelos estocásticos
Docente:
Alvarez Vera, Christian Humberto

Integrantes:
• Amaya Victorio, Harold Cristopher
• García Cueva, Luis Francisco
• Jauregui Meneses, Edwin Raul
• Rodriguez Martinez, Jorge Danilo
• Soto Valverde, John Edward
INTRODUCCIÓN A LA SIMULACIÓN
DE MONTECARLO
ORIGEN DEL MÉTODO
EL ORIGEN DE LA SIMULACIÓN DE
MONTECARLO SE DA EN EL TRABAJO
DESARROLLADO POR STAN ULAM Y JOHN John Von
Stan Ulam Neumann
VON NEUMANN ALREDEDOR DE 1940
MIENTRAS INVESTIGABAN EN LOS
LABORATORIOS LAS COLISIONES DADAS
POR LOS NEUTRONES; YA QUE,
TRABAJABAN EN EL PROYECTO
MANHATTAN PARA LA CREACIÓN DE LAS
BOMBAS ATÓMICAS NORTEAMERICANA; A
ESTO INFLUYO LA ADQUISICIÓN DE LA
ENIAC (UNA DE LAS PRIMERAS
COMPUTADORAS) CON LA CUAL SE
PODRÍAN GENERAN LOS NÚMEROS
ALEATORIOS NECESARIOS PARA LA
APLICACIÓN DEL MÉTODO MENCIONADO.
LA PRIMERA APARICIÓN DEL MÉTODO
MONTECARLO EN UN ARTÍCULO
CIENTÍFICO FUE EN 1949; EN LA “JOURNAL
OF THE AMERICAN STATISTICAL
ASSOCIATION”, ESCRITO POR NICHOLAS
METRÓPOLIS Y STAN ULAM.
EL MÉTODO Y ÁREA DE USO
Simulaciones
LA SIMULACIÓN DE MONTECARLO ES financieras
económicas
UN MÉTODO ESTADÍSTICO UTILIZADO
PARA RESOLVER O ESTIMAR
PROBLEMAS SENCILLOS O
PROBLEMAS MATEMÁTICOS
COMPLEJOS A TRAVÉS DE LA
GENERACIÓN DE VARIABLES
ALEATORIAS; EN LO CUAL AL Encuestas de Variables Modelos de
intenciones de gestión de
OBTENER UN MODELO DE voto político aleatorias riesgo
SIMULACIÓN ESTIMADO SE PUEDE
TOMAR UNA DECISIÓN EN BASE A LA
PROBLEMÁTICA PLANTEADA. UN
EJEMPLO DE SU USO SE PUEDE
OBSERVAR EN SIMULACIONES
FINANCIERAS ECONÓMICAS,
Problemas
CONSOLIDACIONES DE ENCUESTAS DE industriales de
OPINIONES POLÍTICAS O DE planta

INTENCIÓN DE VOTO, CREACIÓN DE

MODELOS DE GESTIÓN DE RIESGO,
PRINCIPALES ELEMENTOS

1° Construcción de un modelo a simular

2°
Identificación de Insumos y Salidas
(Variables del problema)

  1
3° Análisis de Simulación obtenida 𝐸𝑟𝑟𝑜𝑟=
√𝑁ú𝑚𝑒𝑟𝑜𝑑𝑒𝑠𝑖𝑚𝑢𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑟𝑒𝑎𝑙𝑖𝑧𝑎𝑑𝑎𝑠
4° Toma de decisiones
DEMOSTRACIÓN DE EFICIENCIA Y USO
 ESTIMACIÓN DEL VALOR REAL DE Π:

SE PRESENTARA A CONTINUACIÓN UN CÁLCULO ESTIMADO DEL VALOR DE

MEDIANTE EL PROGRAMA “GEOGEBRA”, RESUELTO Y HALLADO MEDIANTE EL
USO DE LA SIMULACIÓN DE MONTECARLO.
EL MÉTODO CONSISTIRÁ EN LO SIGUIENTE:
 CONSTRUCCIÓN DE UNA CIRCUNFERENCIA DE RADIO IGUAL A 1, Y CÁLCULO
DE SU ÁREA:

 SE RODEA LA CIRCUNFERENCIA QUE SE DESEA MODELAR CON UN POLÍGONO EL CUAL

SE CONOCE SUS DIMENSIONES, EN ESTE CASO SERÁ UN CUADRADO DE LADO 2, POR LO
QUE SU ÁREA SERÁ 4
 SE GENERARA PUNTOS AL AZAR EN TODO EL ESPACIO DEFINIDO, ESTO LO REALIZARA
GEOGEBRA.
 LAS ECUACIONES QUE SE NECESITARAN PARA ESTIMAR EL VALOR DE , SON:
DEMOSTRACIÓN DE EFICIENCIA Y USO
Desarrollo de la Simulación:
 Abrir GeoGebra clásico.

 Construcción de la circunferencia de centro (0,0) y radio 1. Con área hallada π

 Creación del cuadrado definido de lado 2 con vértices (-1,-1), (1,-1), (1,1) y (-1,1). Con área
hallada 4.

 Creación de un deslizador p que será el número de puntos totales con valor de 1 a 1000 y con
incremento 1.
 Programación de los valores aleatorios que se generaran en las coordenadas x e y.

 Creación de la lista de puntos p.

 Programación de la lista de valores de 0 (fuera de la circunferencia) y 1 (punto dentro de la
circunferencia)

 Creación de “N1” igual a número de valores de 1 (número de puntos dentro de la

circunferencia).
  Estimación del valor de al resolver la formula dada:

 Creación de “epi” igual a .

 Calculo de la estimación eligiendo el valor de p decidido.
 Valor de p igual a 21:

π=3.2380952381
 

 Valor de p igual a 421:

π=3.1163895487
 
 Calculo de la estimación eligiendo el valor de p decidido.
 Valor de p igual a 840:

π=3.1238095238
 

 Valor de p igual a 1000:

 
π =3.14
Valor obtenido mas cercano a
lo real debido a mas
simulaciones realizadas
 CASO 1:

OPTIMIZACIÓN DE BENEFICIO DE J&G

INFORMATIC
UTILIZANDO LA SIMULACIÓN DE
MONTECARLO
INTRODUCCIÓN DE LA PROBLEMÁTICA
J&G Informatic, empresa
dedicada a la comercialización
de computadoras, laptops,
videojuegos y licencias de un
determinado sistema operativo,
requiere para los próximos
meses de un estudio en donde
ayude a la empresa ha decidir
cuantas licencias de un nuevo
sistema operativo ha de comprar
para maximizar su beneficio.
Asimismo dispone de
información histórica sobre la
probabilidad de vender cierto
numero de copias.
SIMULACIÓN DE MONTECARLO
¿Por qué lo aplicamos?
Nos permite usar números aleatorios y
probabilidad para entender el impacto
del riesgo en un modelo de la realidad
Elementos
* Modelo a simular
* Insumos y salidas (variables)
* Correr y analizar simulación
* Tomar decisión
Desventajas
Cada simulación nos brinda datos
únicos. No da la solución sino datos
que sirven de apoyo para la toma de
decisiones
Ventajas
Es una técnica cuantitativa para
estimar soluciones de problemas
complejas de comportamiento aleatorio
y probabilístico.
 DESARROLLO DEL PROBLEMA

Las licencias Ubuntu se suministrarán con los ordenadores que se vendan

durante el próximo trimestre y es lógico suponer que en los próximos
meses habrá un nuevo sistema operativo en el mercado con características
superiores. Cada licencia del sistema operativo le cuesta al almacén de
J&G Informatic, un total de 75 dólares mientras que el precio al que se
vende es de 100 dólares. Cuando se lance al mercado una versión nueva
del sistema operativo, el almacén podrá devolver al distribuidor las
licencias sobrantes, es decir las licencias que no se han vendido. Cuando
realiza este proceso, J&G Informatic, recibe 25 dólares por cada licencia
no vendida. J&G tiene a sus disposiciones datos históricos de los últimos
meses. Los representantes del almacén han sido capaces de determinar la
siguiente distribución de probabilidades de las ventas del sistema
operativo Ubuntu:

Nº de licencias
100 150 200 250 300
vendidas
Probabilidad 0.3 0.2 0.3 0.15 0.05
 FASES PARA DESARROLLAR EL
MODELO

FUNCIÓN DE
DEFINIR DISTRIBUCIÓN
INTEGRACIÓN
DEFINIR VARIABLES NO DEFINIR CÁLCULO DE DE LOS COMPARACIÓ
DE LOS
VARIABLES NO CONTROLADA VARIABLES LA FUNCIÓN ELEMENTOS N DE LOS
ELEMENTOS
CONTROLADA S CONTROLADA DE SIMULADOS VALORES
EN EL
S DETERMINIST S DISTRIBUCIÓN COMO ESPERADOS
MODELO
AS HERRAMIENT
A DE DECISIÓN
 FASES PARA DESARROLLAR EL
MODELO
DEFINIR • Variable aleatoria (Probabilidad)
VARIABLES NO
CONTROLADAS

DEFINIR • Costo por licencias.

• Ingreso por venta de licencias.
VARIABLES NO • Ingreso por devolución de licencias.
CONTROLADAS • Cantidad de licencias a comprar.
DETERMINISTAS

DEFINIR • Licencias vendidas

VARIABLES
CONTROLADAS
 DESARROLLO DEL PROBLEMA

CÁLCULO DE
LA FUNCIÓN
DE
DISTRIBUCIÓ
N

Se crea la Tabla 2 con la distribución histórica de la Tabla

1. Como se muestra, hemos construido lo que en
estadística se le conoce como una tabla de frecuencia. En
la tabla 3, se aprecia de forma organizada los datos del
costo de cada licencia, del precio unitario, tanto del de
venta como el de devolución y de la cantidad de licencias
compradas, que en este modelo es lo que nos interesa
conocer.
 INTEGRACIÓN DE LOS ELEMENTOS EN EL MODELO

En la elaboración de la Tabla 4, como primera columna tenemos un número aleatorio, el cuál se buscará en la Tabla 2 y se colocará en la columna
“LICENCIAS VENDIDAS” y comparará con la cantidad de licencias a comprar, de esta comparación se obtendrá el menor valor, ya que si se
compra 150 licencias, no se puede vender más de lo que adquiere el almacén. Luego se tienen las DEVOLUCIONES, que es la diferencia de la
compra con la venta de licencias. Las otras cuatro columnas son resultado de multiplicación de costo unitario por cantidad comprada, de precio
unitario por cantidad vendida y la diferencia de los ingresos menos el costo nos dará la utilidad.
Una vez corrido el modelo, los datos obtenidos se mostrarán en la tabla 5. Esta tabla será la que
dé paso a la construcción de nuestro último cuadro, que nos ayudará a conocer los valores
esperados. Para la Tabla 5, se calcula la deviación estándar, la utilidad máxima y mínima. Con
esto calcularemos el intervalo de confianza de nuestra utilidad con una determinada cantidad de
licencias compradas.
 COMPARACIÓN DE LOS VALORES ESPERADOS

Para la Tabla 6, se han recopilado los datos obtenidos

en la Tabla 5 de un determinado instante, ya que estos
valores aleatorios van cambiando en cada momento y
en cada actualización del Excel. Luego de la
elaboración de la Tabla 6, se crea un gráfico que nos
permite identificar lo más factible para J&G. Para
concluir con el modelo, se le aconseja a la empresa
J&G que adquiera 150 licencias ya que con esta
cantidad se obtiene una utilidad máxima.
 CASO 2:

OPTIMIZACIÓN DEL SUMINISTRO DE ENERGÍA

EN INSTALACIONES DE SALUD FUERA DE LA
RED UTILIZANDO LA SIMULACIÓN DE
MONTECARLO
Introducción de la Problemática
 El presente caso trata sobre la optimización del suministro de energía en instalaciones de
salud que no tienen acceso a la red eléctrica urbana utilizando la simulación Montecarlo,
específicamente un hospital fuera de la red ubicado en Kalonge (República Democrática del
Congo).
 La problemática principal es que no cuentan con instalaciones eléctricas urbanas, por
consecuente solo cuentan con grupos electrógenos diésel y baterías para poder cubrir la
demanda de energía durante el día; y por falta de información surge la gran interrogante
de como utilizar los recursos de manera idónea y como obtener el máximo beneficio.
Se han propuesto diferentes métodos de proyección, identificando la variable más importante que debe estimarse, es
la vida útil de las baterías, que depende de las condiciones de operación (carga / ciclos de descarga, corrosión,
estado de carga, etc.).

Se utilizó anteriormente métodos clásicos para la estimación de la vida útil de las baterías, que puede ser demasiado
optimista en muchos casos, obteniendo un costo actual neto del sistema mucho más bajo que en la realidad.

La simulación de Montecarlo permite obtener información más certera; y con el uso de la herramienta iHOGA
(software) de manera simultánea se pueda obtener una nueva combinación de sistemas híbridos (sistemas
fotovoltaicos, grupos electrógenos diésel, baterías) que tengan un menor costo de implementación, que sean
sostenibles y que se pueda obtener el mayor rendimiento posible.
 Metodología para la optimización de sistemas
híbridos.
En el cual se desarrolla un enfoque estocástico
mediante la simulación de Montecarlo para considerar
las incertidumbres de la irradiación y la carga.

 La optimización es económica
Se busca un sistema con un costo actual neto más bajo
que incluya instalación, reemplazo de los componentes,
operación y mantenimiento.
Justificación del uso de la simulación
de Montecarlo sobre otros métodos
Dadas las condiciones del caso en las cuales no se tiene acceso a la red eléctrica, la única
solución factible son las fuentes de energía renovables que pueden ser muy útiles en este tipo de
instalaciones de salud. Está demostrado que el uso de energías renovables reduce los costos
económicos y el impacto ambiental, pero existen pocos estudios puntuales sobre el suministro
de energía en contextos similares.
EN ESTUDIOS ANTERIORES, LA ALGUNOS ESTUDIOS HAN UTILIZADO PERO NINGUNO DE LOS ESTUDIOS
OPTIMIZACIÓN SE UTILIZA UN ENFOQUE ESTOCÁSTICO PARA UTILIZA UN MODELO PRECISO PARA EL
OPTIMIZAR EL SISTEMA, ENVEJECIMIENTO DE LAS BATERÍAS, Y
CONSIDERANDO UN ENFOQUE
CONSIDERANDO LAS INCERTIDUMBRES LA ESTIMACIÓN DE SU VIDA ÚTIL
DETERMINISTA. EN LAS FUENTES RENOVABLES Y, EN PUEDE SER DEMASIADO OPTIMISTA, LO
ALGUNOS CASOS, EN LA CARGA. QUE IMPLICA QUE EL COSTO
PRESUPUESTADO PUEDE SER
DIFERENTE DEL REAL.
Desarrollo
 Metodología
 Uso simultáneo de software iHOGA (Simulación Híbrida Mejorada a través de
Algoritmos genéticos) y la simulación de Monte Carlo.
 iHOGA se encarga de:
 Simular el comportamiento del sistema por un año haciendo diferentes combinaciones
de componentes y estrategias de control.
 Al final de las simulaciones se obtienen él número de años que restan para reemplazo de
baterías, el consumo total de combustible, y todos los costos asociados por un periodo de
25 años (tiempo de vida útil de paneles solares).
 Los costos posteriores al año uno son traídos a la actualidad para calcular el NPC (Net
Present Cost)
 Luego el NPC es dividido entre la cantidad de energía obtenida para obtener LCE
(Levelised Cost of Energy)
 La combinación de componentes y estrategias de control que garanticen el menor NPC
y, por ende, menor LCE es el más óptimo.
Desarrollo
 Simulación Monte Carlo
 Permite que iHOGA evalúe a través de métodos estocásticos.
 La variabilidad en los promedios de radiación esperada y consumo es
muy importante ya que tiene bastante influencia en términos de consumo
no provisto, costo total y otros resultados clave para la optimización.
 Por lo general, los valores de consumo e irradiación siguen una
distribución normal.
 Al saber el valor promedio y de la desviación estándar, obtenido por
iHOGA, se pueden desarrollar análisis probabilísticos siguiendo Monte
Carlo al probar distintas combinaciones.
Desarrollo
 Optimización
 Se simulan N veces las combinaciones
 Cada simulación da como resultado
 Serie de tiempo (horas) de consumo y una serie aleatoria de
irradiación (de aproximadamente 10 años).
 Se obtiene de manera aleatoria el promedio para consumo e
irradiación
 Se obtiene el promedio y desviación estándar de NPC, LCE,
energía producida, consumo no provisto, consumo de combustible,
etc.
 Se hacen evaluaciones y se continúan con la siguiente simulación
hasta cumplir con:

 Se procede a la siguientes combinaciones para ser simuladas y

evaluadas
 Finalmente, la combinación con el menor NPC es el elegido.
Resultados
 Características del Sistema de Energía
Híbrida de mayor eficiencia encontrado
 Consumo
 Consumo promedio de 36.23 kW
h/día
 Consumo anual promedio 13,224
kW h/año
 Generador
 Output: 8.5 kVA
 Costo: 8 mil euros
 Expectativa de vida: 15 000 horas
 Apagado de 10 p.m. a 4 a.m.
Resultados
 Características del Sistema de Energía
Híbrida de mayor eficiencia encontrado
 Baterías
 3 grupos de 4 baterías de plomo y ácido
 200 Ah y 12 V
 Capacidad total: 28.8 kW h
 Costo: 2 760 euros

 Invertidores de Carga
 03 unidades
 Output por unidad: 1100 VA
 Costo: 2 mil euros

 Otras características
 Tiempo de vida útil total: 25 años
 Costo de instalación: 300 euros
 Préstamo por 10 años del 80 % del costo
total del sistema para adquisición
Resultados – Sistema Actual vs. Óptimo
REFERENCIAS
Referencias bibliográficas:
 Akikur RK, Saidur R, Ping HW, Ullah KR (2013). Comparative study of stand-alone
and hybrid solar energy systems suitable for off-grid rural electrification: a review.
Renew Sustain Energy Rev 2013; 27:738–52. http://dx.doi.org/10.1016/j.
 Aparicio, A. (2017). Método Monte Carlo de Simulación. Recuperado de:
https://www.excelavanzado.com/2007/05/mtodo-monte-carlo-de-simulacin.html
 Bernal-Agustín JL, Dufo-López R (2009). Simulation and optimization of stand-alone
hybrid renewable energy systems. Renew Sustain Energy Rev 2009; 13:2111–8.
http://dx.doi.org/10.1016/j.rser.2009.01.010.
 Bernal-Agustín JL, Dufo-López R (2016). Optimisation of energy supply at off-grid
healthcare facilities using Monte Carlo simulation. Recuperado de:
https://www.sciencedirect.com/science/article/pii/S0196890416000820
 Dufo-López R, Lujano-Rojas JM, Bernal-Agustín JL (2013). Comparison of different
lead–acid battery lifetime prediction models for use in simulation of standalone
photovoltaic systems. Appl Energy 2014; 115:242–53. http://dx.doi.org/
10.1016/j.apenergy.2013.11.021.
Referencias bibliográficas:
 Dufo-Lopez, R., Pérez-Cebollada, E., Bernal-Agustín, J., Martínez-Ruiz, I. (2015).
Optimisation of energy supply at off-grid healthcare facilities using Monte Carlo
simulation. Recuperado de: https://
www.sciencedirect.com/science/article/pii/S0196890416000820
 Faulin, J. & Juan, A. (2005). Simulacion de Monte Carlo con Excel. Recuperado de:
http://www.cyta.com.ar/biblioteca/bddoc/bdlibros/monte_carlo/monte_carlo.htm?ifra
me=true&width=95%&height=95
%
 McMurray, A., Pearson, T. & Casarim, F. (2017). Guía para aplicar el enfoque
montecarlo. Recuperado de: https://www.google.com/url?
sa=t&source=web&rct=j&url=https://www.winrock.org/wp-
content/uploads/2018/03/UncertaintyReport-12.26.17-
ES.pdf&ved=2ahUKEwih7N_b5aXqAhVxh-
AKHWaUAAUQFjAAegQIAxAB&usg=AOvVaw10gHndgtVLJHYrwjS-b_Z2
 Metropolis, N., «The Beginning of the Monte Carlo Method», Los Alamos Science,
1987, 15: 125-130.
Referencias bibliográficas:
 Mohammed YS, Mustafa MW, Bashir N (2014). Hybrid renewable energy systems for off-grid
electric power: review of substantial issues. Renew Sustain Energy Rev 2014; 35:527–39.
http://dx.doi.org/10.1016/j.rser.2014.04.022.
 Perez, R. (2016). El metodo de Monte Carlo. Recuperado de: https://
www.dropbox.com/s/ra64adjs526li74/El%20M%C3%A9todo%20Monte%20Carlo.pdf?dl=0
 R; Metropolis, N; Ulam, S., «The Monte Carlo Method», Journal of the American Statistical
Association, 1949, 44 (247): 335-341.
 Schiffer J, Sauer DU, Bindner H, Cronin T, Lundsager P, Kaiser R (2006). Model prediction for
ranking lead-acid batteries according to expected lifetime in renewable energy systems and
autonomous power-supply systems. J Power Sources 2007; 168:66–78.
http://dx.doi.org/10.1016/j.jpowsour.2006.11.092
 Sharafi M, ElMekkawy TY (2015). Stochastic optimization of hybrid renewable energy systems
using sampling average method. Renew Sustain Energy Rev 2015; 52:1668–79.
http://dx.doi.org/10.1016/j.rser.2015.08.010.
 Sinha S, Chandel SS (2014). Review of software tools for hybrid renewable energy systems.
Renew Sustain Energy Rev 2014; 32:192–205. http://dx.doi.org/10.1016/j.rser.2014.01.035.
 SlideShare (2013). Simulación. Recuperado de: https://es.slideshare.net/rucna/simulacin-1