SIMULACIÓN DE

MONTECARLO
SIMULACIÓN
UNIDAD I

M.I.I CARLOS ÁNGEL VICENTE RODRÍGUEZ

Claudia Vasquez Garcia
CONTENIDO

INTRODUCCIÓN..................................................................................................................................1

DESARROLLO......................................................................................................................................2

ANTECEDENTES..............................................................................................................................2

SIMULACIÓN DE MONTECARLO.....................................................................................................3

GENERADOR DE NÚMEROS ALEATORIOS CON EL MÉTODO MONTE CARLO..................................5

ALGORITMO GENERAL PARA LA ALEATORIZACIÓN........................................................................6

MÉTODO DE RECHAZO...................................................................................................................6

MEDIDAS ESTADÍSTICAS E INCERTIDUMBRES................................................................................7

EJEMPLO........................................................................................................................................8

CONCLUSIÓN....................................................................................................................................11
INTRODUCCIÓN

El método de Montecarlo tiene sus inicios al tomar una ruleta como un generador simple
de números aleatorias, en la capital del juego de azar. La idea básica de este método,
asentando desde hace varias décadas, es poder realizar valoraciones con respecto a
determinados proyectos de inversión teniendo en cuenta que las variables que se utilizan
para el estudio no son ciertas, sino que en ocasiones pueden referirse a varios valores.

En definitiva, el método Monte Carlo se ha revelado como uno de los pilares

fundamentales para llevar a cabo valoraciones de riesgo en el seno de las empresas.
Tener una herramienta que permita prevenir situaciones aleatorias, definir su probabilidad
y poder preparar una respuesta de actuación para los riesgos que una acción pueda
acarrear representa un avance crucial en los sistemas de gestión de las empresas y en la
optimización de las inversiones. Valorar los riesgos antes de efectuar acciones es una
forma inteligente de estar preparados en todo momento para solucionar problemas y
reducir así el factor sorpresa.[ CITATION Jua \l 3082 ]

Su principal valor, que ha hecho de esta técnica un aspecto clave para la gestión de
proyectos en las empresas, es que permite incorporar el concepto de riesgo a la hora de
entrar a valorar una inversión. Como se ha referido con anterioridad, la prevención es un
punto crucial a la hora de tomar decisiones en el seno de las empresas, ya que permite
estar preparados para contratiempos o riesgos inesperados.
DESARROLLO

ANTECEDENTES

El método fue llamado así por el principado de Mónaco por ser “la capital del juego de
azar'', al tomar una ruleta como un generador simple de números aleatorios. El nombre y
el desarrollo sistemático de los métodos de Monte Carlo datan aproximadamente de 1944
con el desarrollo de la computadora. Sin embargo, hay varias instancias (aisladas y no
desarrolladas) en muchas ocasiones anteriores a 1944. . El uso real de los métodos de
Monte Carlo como una herramienta de investigación, proviene del trabajo de la bomba
atómica durante la Segunda Guerra Mundial.

Este trabajo involucraba la simulación directa de problemas probabilísticos de

hidrodinámica concernientes a la difusión de neutrones aleatorios en material de fusión.
Aún en la primera etapa de estas investigaciones, John von Neumann y Stanislao Ulam
refinaron esta curiosa ``Ruleta rusa'' y los métodos de división. Sin embargo, el desarrollo
sistemático de estas ideas tuvo que esperar el trabajo de Harris y Herman Kahn en 1948.

Aproximadamente en el mismo año, Fermi, Metropolos y Ulam obtuvieron estimadores

para los valores característicos de la ecuación de Schrödinger para la captura de
neutrones a nivel nuclear. Alrededor de 1970, los desarrollos teóricos en complejidad
computacional comienzan a proveer mayor precisión y relación para el empleo del método
Monte Carlo.

La teoría identifica una clase de problemas para los cuales el tiempo necesario para
evaluar la solución exacta al problema crece con la clase, al menos exponencialmente
con M.La cuestión a ser resuelta era si MC pudiese o no estimar la solución al problema
de tipo intratable con una adecuación estadística acotada a una complejidad temporal
polinomial en M. Karp (1985) muestra esta propiedad para estimar en una red plana
multiterminal con arcos fallidos aleatorios. Dyer (1989) utiliza MC para estimar el volumen
de un convex body en el espacio Euclidiano M-dimensional. Broder (1986), Jerrum y
Sinclair (1988) establecen la propiedad para estimar la persistencia de una matriz o en
forma equivalente, el número de matching perfectos en un grafo bipartito.
SIMULACIÓN DE MONTECARLO

La simulación es un conjunto de relaciones lógicas, matemáticas y probabilísticas que

integran el comportamiento de un sistema bajo estudio cuando se presenta un evento
determinado. [ CITATION Gar13 \l 2058 ]

La simulación de Montecarlo es una técnica cuantitativa que hace uso de las estadísticas
y los ordenadores para imitar mediante modelos matemáticos el comportamiento aleatorio
de sistemas reales no dé amigos por lo general cuando se trata de sistemas cuyo estado
va cambiando con el paso del tiempo se recurre bien a la simulación de eventos discretos
o bien a la simulación de eventos continuos. [ CITATION Mon11 \l 3082 ]

“Los métodos Monte Carlo son aquellos en los que las propiedades de las distribuciones
de las variables aleatorias son investigadas mediante la simulación de números
aleatorios. Estos métodos, dejando a un lado el origen de los datos, son similares a los
métodos estadísticos habituales, en los cuales las muestras aleatorias se utilizan para
realizar inferencias acerca de las poblaciones origen. Generalmente, en su aplicación
estadística, se utiliza un modelo para simular un fenómeno que contiene algún
componente aleatorio. En los métodos Monte Carlo, por otro lado, el objeto de la
investigación es un modelo en sí mismo, y se utilizan sucesos aleatorios o
pseudoaleatorios para estudiarlos.” J.E. Gentle (1985, p. 612)

Rubinstein destaca las siguientes diferencias entre el método Monte Carlo y la simulación
estocástica: En el método Monte Carlo el tiempo no juega un rol tan importante como en
la simulación estocástica, las observaciones, por norma, son independientes. En la
simulación, sin embargo, se experimenta con el modelo en el tiempo y, como regla, las
observaciones están correlacionadas seriamente, es posible expresar la respuesta como
una función simple de las variables estocásticas de entrada. En la simulación la respuesta
es habitualmente muy compleja y sólo puede ser expresada explícitamente por el propio
programa informático.

 Métodos de simulación
 Simulación estadística o Monte Carlo.
 Simulación continúa.
 Simulación por eventos discretos.
 Simulación por autómatas celulares.
La primera está basada en el muestreo sistemático de variables aleatorias, la segunda los
estados del sistema cambian continuamente su valor (estas simulaciones se modelan
generalmente con ecuaciones diferenciales), la tercera; se define el modelo cuyo
comportamiento varía en instantes del tiempo dados. Los momentos en los que se
producen los cambios son los que se identifican como los eventos del sistema o
simulación y por último la cuarta se aplica a casos complejos, en los que se divide al
comportamiento del sistema en subsistemas más pequeños denominadas células. El
resultado de la simulación está dado por la interacción de las diversas células.

El método Montecarlo consiste en dar solución a una gran cantidad de problemas físicos y
matemáticos mediante la solución de variables aleatorias, es decir es una técnica de
análisis numérico que se basa en el uso de secuencias de números aleatorios para
muestrear los valores de las variables de probabilidad de un problema determinado. En
efecto, con mucha frecuencia el número de estados posibles del sistema es tan elevado
que hace imposible calcular valores promedio sumando sobre todos los estados, por lo
que se opta por tomar una muestra y estimar los valores promedio a partir de ella. Los
valores muestreados se obtienen a partir de las distribuciones de probabilidad de cada
variable. La solución al problema planteado se estima analizando los valares de la
muestra a través de métodos estadísticos. [ CITATION Nel11 \l 3082 ]

La idea de la que parte la aplicación del método Monte Carlo es que hay aspectos, como
el plazo o el coste, que no pueden ser determinados con exactitud, ya que se trata de
puntos variables. Se trata de una variabilidad con una doble vertiente: por una parte, las
estimaciones que se llevan a cabo son en sí mismas variables, ya que una acción ni dura
siempre igual ni cuesta siempre lo mismo; y por otra parte, el riesgo en sí, ya que
presentan una probabilidad de ocurrir diferente en distintas situaciones, así como un
impacto que varía de unas situaciones a otras.

Lo que permite efectuar este análisis es otorgar de forma conceptual un valor a un

proyecto, no de manera determinada, sino estableciendo un “valor medio” y una
determinada variabilidad. Permite determinar hasta qué punto las
determinadas valoraciones de un proyecto son realistas y arrojan confianza con respecto
a los objetivos perseguidos con una determinada acción.

Monte Carlo permite a los analistas encargados de llevar a cabo la prevención de riesgos
señalar en qué porcentaje de las simulaciones aleatorias que se han llevado a cabo
aspectos como el plazo y el coste con menores que los objetivos que se persiguen con el
propio proyecto.

De este modo, si este porcentaje es inferior al grado de confianza que una determinada
empresa o grupo considera mínimamente aceptable, se estaría ante un caso en el que la
planificación no es factible y habría que modificarla.

GENERADOR DE NÚMEROS ALEATORIOS CON EL MÉTODO MONTE

CARLO

Los promedios de muchos eventos aleatorios en simulación Monte Carlo, ofrecen

resultados con una exactitud razonable en algún caso particular de estudio. Para obtener
dichos eventos aleatorios se necesitan herramientas generadoras de números aleatorios.
En realidad 10 que en programación es preferible usar, son generadores pseudoaleatorios
que dada una semilla se produce siempre una secuencia de números aleatorios igual y
uniformemente distribuidos entre 0 y 1 Y que pasan las pruebas de aleatoriedad. EI
generador de números pseudoaleatorios más utilizado se denomina generador de
congruencia lineal que tiene la forma mostrada en la siguiente ecuación y los números
reales entre 0 y 1 se obtienen simple mente dividiendo por x, así:

Rn
Rn =( a Rn−1 +c ) mod x , i n=
x

Donde a y c son constantes enteras. EI máximo periodo que se puede lograr con este
generador es x, para una elección adecuada de los valores a y c. Por ejemplo,

x=231−1 , a=7 5 y c=0

EI generador implementado en fortran77 y que usa PENELOPE es la función denominada

RAND descrita por L'Ecuyer (1988), el cual produce 32-bits de números de puntos
flotantes uniformemente distribuidos en el intervalo abierto entre 0 y 1. Su periodo es del
orden de 1018 es cual es virtualmente inagotable en simulaciones prácticas. A partir de un
generador de números pseudoaleatorios uniformemente distribuidos en el intervalo (0-1)
es posible construir generadores con distribuciones uniformes p(X )a través de diferentes
procedimientos. A continuación, se enumeran algunos de ellos.
ALGORITMO GENERAL PARA LA ALEATORIZACIÓN

1.- Decidir cuál es la prueba estadística de interés (θ)

2.- Calcular para el conjunto de datos original X 0

3.- Inicializar el contador NSIG=0

4.- Fijar el no de permutaciones (NP) que se realizará con los datos

5.- Para i=1 hasta NP:

X 0=PERM (X 0 )

Calcular el pseudo-estadístico θ para el conjunto de datos generado

Si θ >=θ (o según el caso)

NSIG=NSIG+1

6.- Calcular el grado de significación

( NSIG +1)/(NP+1)

MÉTODO DE RECHAZO

Este método consiste en tener un muestreo de una variable aleatoria no invertible con una
cierta distribución - diferente a p(X ) ò P(X ) - Y sometiendo está a un test aleatorio para

determinar si es aceptada 0 rechazada. Estos métodos de rechazo llegan a ser técnicas

muy generales para muestreos de cualquier FDP (Función densidad de Probabilidad). EI
método de rechazo puede entenderse en términos de la siguiente grafica
MEDIDAS ESTADÍSTICAS E INCERTIDUMBRES

En simulación Monte Carlo, una cantidad de interés descrita generalmente par Q, es

estimada como el valor medio de un valor q para un gran número N de historias

n
simuladas, así: Q=∑ q1
i=1

Donde q; es el valor de q obtenido en la i-esimo historia. La desviación estadística puede

ser expresada por (adaptado de Salvat et al 2003)

n
σ q=
√ [
1 1
N N
∑ q 2−Q2
i=1
]
EJEMPLO

Analizaremos ahora una propuesta para la fabricación de un nuevo artículo durante 4

años. Con los datos de la siguiente tabla:

La demanda es la variable aleatoria de nuestro modelo, ya que puede tomar los

siguientes valores: 8, 9, 10, 11,12, es una distribución discreta uniforme. Para poder
simular los valores de esta variable utilizaremos la fórmula ENTERO (8+5*ALEATORIO
()). Debido a que los intervalos son todos de igual tamaño (1/5), es igualmente posible que
ALEATORIO () llegue a cada uno de ellos, y por lo tanto es igualmente posible que la
fórmula de cualquiera de los cinco valores posibles. La función ALEATORIO () de Excel
genera un número en el intervalo (0:1) de una distribución uniforme continua. A través de
la simulación veremos que valores va a tomar el valor neto actual (VNA, El VNA es
calculado mediante la formula correspondiente del Excel con un interés del 10% (

n
valoresi
VNA=∑ ). En la columna correspondiente al año 1 se han indicado las
i=1 (1−tasa)i
formulas que definen cada valor) en los 4 años, utilizando el siguiente modelo matemático
de la situación:
Ahora realizaremos varias corridas con diferentes tamaños de muestra para ver qué
sucede con el VNA. Armamos en otra hoja un cuadro con dos columnas y tantas filas
como iteraciones (tamaño de la muestra) deseemos realizar. En la columna VNA
copiamos con pegado especial (fórmula) la celda del modelo en la cual se calcula el VNA.
Seleccionamos toda la tabla y con la herramienta Tabla en Datos se forma una tabla
dinámica que contendrá las simulaciones para la cantidad de iteraciones que hagamos.

Luego para cada tamaño de muestra aplicaremos Estadística descriptiva (En

herramientas, Análisis de datos) e Histograma (las clases que utilizamos son: -30000,
-20000, -10000, 0, 10000, 20000, 30000)
Ahora realizamos una síntesis de las simulaciones desarrolladas para poder ver que
sucedió con el modelo:

El valor de la media y desviación estándar se estacionan a medida que aumenta la

cantidad de iteraciones. También, como podemos observar en el gráfico, disminuye
notablemente el error. También el modelo nos presenta mayor variabilidad para los
valores máximo y mínimo.
CONCLUSIÓN

El método de Montecarlo tienes grandes ventajas, ya que es fácil de entender, además

puede ser usado para modelar y aprender sobre el comportamiento de los problemas
complejos que sería difícil resolver analíticamente. Y entre mayor cantidad de entradas
probabilísticas qué tenga el sistema es más factible que exista confiabilidad en el proceso
de simulación y dentro de sus desventajas se puede decir que el proceso de elaborar
verificar y analizar un modelo de simulación puede llevar mucho tiempo y resultar costoso
en algunas ocasiones, y además no garantiza soluciones óptimas de los problemas, el
diseño de un modelo como este es único , es decir las soluciones y deducciones sobre el
mismo no suelen aplicarse en otros problema, y por último se debe proporcionar al
método datos reales, para qué funciona el proceso de simulación, por lo tanto los
gerentes o responsables deben de brindarla. Este modelo se puede aplicar en el análisis
de un proyecto, evaluar integrales múltiples, inventarios, planificaron agregada, generar
números al azar, etc.
REFERENCIAS

[1] J. Martín, «CEREN INTERNATIONAL SCHOOL,» [En línea]. Available:

https://www.cerem.mx/blog/cuanto-vale-el-riesgo-el-metodo-monte-carlo.

[2] E. García Dunna, H. García Reyes y L. E. Cárdenas Barrón , Simulación y analisis de

sistemas con ProModel, México: PEARSON, 2013.

[3] R. r. Monte negro lopez, Diseño e implementación de un sistema de inventarios,

aplicando simulación Montecarlo, mexico, 2011.

[4] N. J. «Simulación Monte Carlo,» 2011. [En línea]. Available:

http://www.bdigital.unal.edu.co/4748/2/nelcyyazminninoalfonso.2011.parte2.pdf.