Tema: La simulación de Montecarlo y los números aleatorios.
Aplicaciones con Excel y software de
simulación a la teoría de colas
Materia: Investigación de Operaciones 2 (IOP2)
Catedrático: Ing. Emilio Javier Morales Quintanilla
Estudiantes:
Apellidos, Nombres Carnet
Mancía Rodríguez, José Roberto 201601518
Martínez Argueta, Carlos Ernesto 201601022
Morales Orozco, Nelly Rocío 201702422
Pleitez Abarca, Brandon Armando 201600352
Zepeda Martínez, Fernando José 201702283
Índice
Introducción......................................................................................................................................3
Objetivos............................................................................................................................................4
Objetivo general............................................................................................................................4
Objetivos específicos.....................................................................................................................4
Alcances.............................................................................................................................................5
Problemática.....................................................................................................................................6
Generalidades....................................................................................................................................7
Ventajas.........................................................................................................................................7
Desventajas...................................................................................................................................7
Generación de números aleatorios...............................................................................................7
Conceptos a utilizar...........................................................................................................................8
Aplicaciones.......................................................................................................................................9
Ejercicios............................................................................................................................................9
Uso de Excel con ejercicios..............................................................................................................10
Uso de software con ejercicios........................................................................................................12
Ventajas de SPSS.........................................................................................................................13
Conclusiones....................................................................................................................................14
Bibliografía.......................................................................................................................................15
Anexos.............................................................................................................................................16
Introducción
La simulación de Montecarlo es un proceso matemático aleatorio. Esta simulación es un modelo
probabilístico diseñado para comprender el comportamiento realista basado en la investigación de
modelos. El nombre de la simulación de Montecarlo se deriva del famoso casino en el Principado
de Mónaco. La ruleta es el juego de casino más famoso y un mecanismo para generar números
aleatorios. El ejemplo más simple.
El método de simulación de Montecarlo permite estudiar el comportamiento de las variables de
salida del modelo en función del valor de las variables de entrada y considerando su distribución
de probabilidad. La simulación Montecarlo es una técnica que combina conceptos estadísticos
(muestreo aleatorio) con la capacidad de la computadora para generar números pseudoaleatorios
y realizar cálculos automáticamente. La clave de este método es comprender el término
"simulación". Realizar una simulación implica repetir o duplicar las características y el
comportamiento de un sistema real. Por tanto, el objetivo principal de la simulación Montecarlo
es intentar imitar el comportamiento de las variables reales para analizar o predecir cómo
evolucionarán tanto como sea posible.
A diferencia del método determinista, el método de Montecarlo es un método probabilístico
porque combina múltiples simulaciones de resultados y la variabilidad de elementos individuales
para producir una distribución de resultados potenciales. Para cada tipo de simulación, la
herramienta de simulación de Montecarlo seleccionará aleatoriamente un valor para cada evento
de riesgo dentro de su rango de valor posible, pero en función de la probabilidad de cada evento.
Objetivos
Objetivo general
Imitar el comportamiento de variables reales para analizar o predecir cómo van a
evolucionar, a través de la simulación.
Objetivos específicos
Resolver problemas sencillos y complejos con facilidad.
Duplicar, las características y comportamientos de un sistema real.
Utilizar programas informáticos como Excel, o SPSS para encontrar en un menor tiempo el
impacto o la probabilidad de que un riesgo ocurra, la rentabilidad de una inversión o
empresa, coste o duración de un proyecto, etc.
Extraer una cantidad muy grande de escenarios posibles por medio de la simulación de
Montecarlo.
Alcances
Se tendrá un amplio conocimiento de los conceptos básicos de la simulación de
Montecarlo para así poder resolver ejercicios con facilidad utilizando herramientas
tecnológicas como Excel y SPSS.
Se determinarán escenarios y planificaciones realistas, que permitan conseguir los
objetivos de un proyecto y saber en qué porcentaje de las simulaciones realizadas, el plazo
y el coste totales son menores a los objetivos establecidos.
Se someterán problemas reales a una simulación de Montecarlo para hacer un análisis del
riesgo y así examinar la robustez y aumentar la confianza que se puede tener en el
sistema.
Problemática
Hay decisiones que se deben tomar y requieren de un análisis por el riesgo que se tiene al escoger
el mejor escenario posible. Nos enfrentamos continuamente a la incertidumbre, la ambigüedad y
la variabilidad. Y aunque se tiene un acceso a la información sin precedentes, no se puede predecir
con precisión el futuro. La simulación Monte Carlo permite ver todos los resultados posibles de las
decisiones que tomamos y evaluar el impacto del riesgo, lo cual nos permite tomar mejores
decisiones en condiciones de incertidumbre.
Generalidades
La idea básica de la simulación es la construcción de un dispositivo experimental, o simulador, que
“actuará como” (simulará) el sistema de interés en ciertos aspectos importantes, de una manera
rápida y redituable.
La simulación de Montecarlo es un método estadístico. Este es utilizado para resolver problemas
matemáticos complejos a través de la generación de variables aleatorias.
La clave de este método está en entender el término ‘simulación’. Realizar una simulación consiste
en repetir, o duplicar, las características y comportamientos de un sistema real. Así pues, el
objetivo principal de la simulación de Montecarlo es intentar imitar el comportamiento de
variables reales para, en la medida de lo posible, analizar o predecir cómo van a evolucionar.
A través de la simulación, se pueden resolver desde problemas muy sencillos, hasta problemas
muy complejos. Algunos problemas pueden solucionarse con papel y bolígrafo. Sin embargo, la
mayoría requieren el uso de programas informáticos como Excel, R Studio o Matlab. Sin estos
programas, resolver determinados problemas llevaría muchísimo tiempo.
Ventajas
Es un método directo y flexible.
Existe un amplio abanico de programas y lenguajes destinados a simular.
Cuando el modelo matemático es demasiado complicado la simulación permite obtener
una aproximación.
La simulación nos permite formular condiciones extremas con riesgos nulos.
La simulación no interfiere con el mundo real. Permite experimentar.
Permite estudiar la interacción entre las diferentes variables del problema.
Mediante la simulación podemos “influir en el tiempo” de los procesos.
La simulación permite resolver problemas que no tienen solución analítica.
Desventajas
Una buena simulación puede resultar muy complicada, gran número de variables.
La simulación no genera soluciones Óptimas globales.
No proporciona la decisión a tomar, sino que resuelve el problema mediante aproximación
para unas condiciones iniciales.
Cada simulación es única, interviene el azar.
Generación de números aleatorios
Un punto clave en la utilización de la simulación de Montecarlo es la generación de números
aleatorios. ¿Cómo se generan números aleatorios? Con programas informáticos. Ya que si se
utilizaría un mecanismo cómo una ruleta, podría llevar muchas horas.
Si se quieren generar 10.000 números aleatorios, imagínese cuánto tiempo necesitaría. Así pues,
se utilizan programas informáticos que generan estos números. No se consideran números
puramente aleatorios, ya que los crea el programa con una fórmula. No obstante, se parecen
mucho a las variables aleatorias de la realidad. Se les denomina números pseudoaleatorios.
Conceptos a utilizar
Las colas: También son conocidas como filas, se forman cuando un gran número de personas,
clientes o usuarios que necesitan ser atendidos por un recurso compartido.
Teoría de las colas: Es el estudio y análisis de las líneas de espera o de las colas. La formación de
líneas de espera es un fenómeno bastante frecuente que se origina en cualquier centro de trabajo
siempre que la demanda actual de un servicio exceda de la capacidad actual de proporcionarse,
tanto si se trata de empresas que elaboran productos como de empresas que prestan un servicio.
Variable aleatoria (v.a.): Es un número real asociado al resultado de un experimento aleatorio, es
decir, una función real en el espacio muestral.
Experimento aleatorio: Es una prueba que consiste en repetir un fenómeno aleatorio con el
objetivo de analizarlo y extraer conclusiones sobre su comportamiento.
Simulación: Imitar el funcionamiento de cualquier tipo de operación o proceso del mundo real, es
decir, es el estudio del comportamiento de sistemas reales a través del ejercicio de modelos.
Simulación de Montecarlo: Es un método estadístico utilizado para resolver problemas
matemáticos complejos a través de la generación de variables aleatorias.
Fuentes de incertidumbre: Es "la aleatoriedad o el error proveniente de varias fuentes como las
descritas al usar la metodología estadística".
Riesgo: Es "la probabilidad de que pase algo malo." Pérdidas promedio o las pérdidas que se
pronostican cuando algo malo sucede.
Intervalo de confianza: Es un rango de valores, derivado de los estadísticos de la muestra, que
posiblemente incluya el valor de un parámetro de población desconocido. Debido a su naturaleza
aleatoria, es poco probable que dos muestras de una población en particular produzcan intervalos
de confianza idénticos. Sin embargo, si usted repitiera muchas veces su muestra, un determinado
porcentaje de los intervalos de confianza resultantes incluiría el parámetro de población
desconocido.
Frecuencia: Es la medida del número de veces que se repite un fenómeno por unidad de tiempo.
Media: Es el valor promedio de un conjunto de datos numéricos, calculada como la suma del
conjunto de valores dividida entre el número total de valores.
Nivel de confianza: Es el porcentaje de intervalos que incluirían el parámetro de población si usted
tomara muestras de la misma población una y otra vez.
Desviación estándar de la media: También conocida como desviación típica, es una medida que se
utiliza para cuantificar la variación o la dispersión de un conjunto de datos numéricos.
La ley de los grandes números: Es un teorema fundamental de la teoría de la probabilidad que
indica que si repetimos muchas veces (tendiendo al infinito) un mismo experimento, la frecuencia
de que suceda un cierto evento tiende a ser una constante.
Funciones de densidad de probabilidad (FDP): Explican el rango de valores potenciales de una
variable dada y la probabilidad de que valores diferentes representen el valor verdadero.
Aplicaciones
Es importante conocer el propósito de este método. En otras palabras, comprender la importancia
de este método en una situación específica.
En economía, la simulación de Montecarlo se utiliza tanto para empresas como para inversiones.
En el mundo de la inversión más utilizado.
Los siguientes son algunos ejemplos de inversiones en simulación de Montecarlo:
• Crear, evaluar y analizar carteras de inversión.
• Evaluar productos financieros complejos, como opciones financieras.
• Crea un modelo de gestión de riesgos.
Dado que el retorno de la inversión es impredecible, este tipo de método se utiliza para evaluar
diferentes tipos de programas. Un ejemplo sencillo se puede encontrar en el mercado de valores.
La tendencia de la acción es impredecible. Se pueden estimar, pero no se pueden hacer con
precisión. Por tanto, a través de la simulación Montecarlo, intentamos imitar el comportamiento
de una acción o un grupo de acciones para analizar cómo evolucionan. Una vez realizada la
simulación de Montecarlo, se extraerán una gran cantidad de posibles soluciones.
Ejercicios
a) Supongamos que trabajamos en Claro El Salvador, y que nos piden consejo para decidir
sobre el número de nuevos celulares de Apple que conviene adquirir – los celulares se
venderán durante el próximo trimestre, y es válido pensar que en pocos meses habrá un
nuevo modelo celular en el mercado de características superiores. Cada celular le cuesta a
Claro El Salvador un total de $800, mientras que el precio al que los venden es de $1200.
Cuando salga al mercado el nuevo dispositivo, se podrá devolver al distribuidor los
celulares sobrantes, obteniendo a cambio un total del $400 por cada una. Basándose en
los datos históricos de los últimos meses, los responsables de Claro El Salvador han sido
capaces de determinar la siguiente distribución de probabilidades:
b) Se ha observado que, a la cafetería de Price Smart Santa Elena, llegan consumidores con
un tiempo entre llegada que se distribuye normalmente con media 2 minutos y desviación
20 segundos. El tiempo de preparación de la orden se establece según el platillo a realizar.
En la tabla se muestran las observaciones de las últimas 200 llegadas al establecimiento y
los tiempos de preparación de cada orden. Simular la llegada de más usuarios y
determinar el tiempo de espera y el tiempo en el establecimiento de cada uno de los
consumidores.
Uso de Excel con ejercicios
Como equipo hemos desarrollado una hoja de Excel para el desarrollo de este tipo de
Simulaciones, como se observa en la imagen 1 se cuenta con la siguiente entrada de información:
(A) hace referencia a la cantidad de iteraciones que se desea simular.
Aparte hay un botón que da inicio a la simulación (B) y un botón que borra los datos obtenidos de
la simulación (C).
C
A
Como podemos observar una vez iniciada la simulación el número de iteraciones será la que
habíamos puesto y dará como resultado la siguiente información (D)
También obtenemos la siguiente tabla (E) que nos muestra una serie de datos obtenidos por la
simulación Montecarlo:
E
Uso de software con ejercicios
Para la realización de los ejercicios mediante un software utilizaremos el programa de IBM llamado
SPSS.
SPSS es un formato que ofrece IBM para un análisis completo. Es el acrónimo de Producto de
Estadística y Solución de Servicio. Existen otros productos diferentes en la suite, cada uno de ellos
ofrecen sus propias características únicas.
Pantalla principal de SPSS, utilizada para la vista de las variables utilizadas para la elaboración de
algún estudio
SPSS es un software popular entre los usuarios de Windows, es utilizado para realizar la captura y
análisis de datos para crear tablas y gráficas con data compleja. El SPSS es conocido por su
capacidad de gestionar grandes volúmenes de datos y es capaz de llevar a cabo análisis de texto
entre otros formatos más.
Una de las características más sobresalientes es la base del software estadístico SPSS que incluye
estadísticas descriptivas como la tabulación y frecuencias de cruce, estadísticas de dos variables,
además pruebas T, ANOVA y de correlación. Con SPSS es posible realizar recopilación de datos,
crear estadísticas, análisis de decisiones de gestión y mucho más.
Pantalla referente a la vista de variables dentro de la hoja de calculo
Ventajas de SPSS
Más eficiencia y productividad: Ahorra mucho tiempo al realizar en apenas unos
segundos un trabajo que podría llevarnos horas o incluso días.
Más fiel a la realidad: ofrece un cálculo más exacto, dado que no emplea las
aproximaciones o redondeos.
Más volumen de datos: utiliza muestras de mayor tamaño y permite introducir muchas
más variables.
Ayuda en la toma de decisiones: la interfaz sencilla y la representación gráfica de los
datos nos ayuda a distinguir mejor una u otra orientación.
Éxito en el mercado: se trata de una herramienta líder en la estadística avanzada de las
ciencias sociales y también alcanza tasas de uso muy elevadas en investigaciones de
mercado.
Máxima compatibilidad: Es totalmente compatible con muchos programas de datos.
Confiabilidad: Al ser una aplicación sumamente completa se ha confirmado a través de
otras aplicaciones y cálculos la certeza y confiabilidad del programa.
Conclusiones
En conclusión, el método de Monte Carlo es muy útil para poder predecir varios posibles
resultados junto con la probabilidad de que estos sucedan. Debido a que no podemos predecir el
futuro con precisión, este método nos ayuda a tener una mejor visualización de este con los
simuladores que nos permiten múltiples entradas y ver cómo estas evolucionan. Otra de las
ventajas de usar este método es el hecho que nos permite, incluso, hacer un análisis bien
profundo de riesgos.
Una simulación de Monte Carlo permite a los analistas y asesores convertir las oportunidades de
inversión en opciones. La ventaja de Monte Carlo es su capacidad de incluir un rango de valores
para varias entradas; esta es también su mayor desventaja en el sentido de que los supuestos
deben ser justos porque el resultado es tan bueno como las entradas. Otra gran desventaja es que
la simulación de Monte Carlo tiende a subestimar la probabilidad de eventos extremos como una
crisis financiera, que son cada vez más frecuentes para la comodidad. De hecho, los expertos
argumentan que una simulación como la de Monte Carlo es incapaz de tener en cuenta los
aspectos de comportamiento de las finanzas y la irracionalidad exhibida por los participantes del
mercado. Sin embargo, es un servidor capaz a disposición de los asesores que necesitan formularle
preguntas inteligentes.
Cabe mencionar que el método de Monte Carlo tiene otra desventaja y es que no es capaz de
tener escenarios extremistas dentro de su análisis. Para entender mejor esto lo podemos ver en
términos de finanzas. La simulación no puede proyectar un escenario en el que haya una crisis
financiera como la que sufrió Estados Unidos en la gran depresión. Otra de las razones por la que
se ve afectado este método es por la irracionalidad de las personas en un mercado. Tomando esto
en cuenta, el método de Monte Carlo es una herramienta muy completa y muy útil cuando los
asesores necesitan tener un mejor panorama de la situación y un análisis más profundo para
determinar las mejores opciones o curso de acción a seguir.
Bibliografía
https://winrock.org/wp-content/uploads/2018/03/UncertaintyReport-12.26.17-ES.pdf
https://es.wikipedia.org/wiki/M%C3%A9todo_de_Montecarlo
http://benasque.org/benasque/2005tae/2005tae-talks/213s3.pdf
https://jaimesotou.files.wordpress.com/2011/05/metodo-montecarlo-03.pdf
https://www.recursosenprojectmanagement.com/metodo-de-montecarlo/
https://www.palisade-lta.com/risk/simulacion_monte_carlo.asp
https://spa.coin-group.com/monte-carlo-simulation-basics-30866
https://guiasjuridicas.wolterskluwer.es/Content/Documento.aspx?
params=H4sIAAAAAAAEAMtMSbF1jTAAASMzIwsTtbLUouLM_DxbIwMDS0NDIwOQQGZapUt-
ckhlQaptWmJOcSoAlp0iIDUAAAA=WKE
https://winrock.org/wp-content/uploads/2018/03/UncertaintyReport-12.26.17-ES.pdf
[ CITATION Kra08 \l 1033 ]
Anexos
Calculo de π con el metodo Monte Carlo.
Consideremos al círculo unitario inscrito en el cuadrado de lado 2 centrado en el origen. Dado que
el cociente de sus áreas es π/4, el valor de π puede aproximarse usando Montecarlo de acuerdo al
siguiente método:
Paso 1. Dibuja un círculo unitario, y al cuadrado de lado 2 que lo inscribe.
Paso 2. Lanza un número n de puntos aleatorios uniformes dentro del cuadrado.
Paso 3. Cuenta el número de puntos dentro del círculo, deben de ser puntos cuya distancia al
origen es menor que 1.
Paso 4. El cociente de los puntos dentro del círculo dividido entre n es un estimado de π/4.
Multiplica el resultado por 4 para estimar π.
En este cálculo se tienen que hacer dos consideraciones importantes:
1. Si los puntos no están uniformemente distribuidos, el método es inválido.
2. La aproximación será pobre si solo se lanzan unos pocos puntos. En promedio, la aproximación
mejora conforme se aumenta el número de puntos.
