Universidad del valle de Guatemala Fecha:12/02/2019
Gestión de Calidad
Julio Vila 15532
Simulación Monte Carlo
1. Origen de la simulación Monte Carlo
Este nombre proviene de casino del principado de Mónaco como capital del juego a
la azar como una ruleta para generar números aleatorios, El nombre surgió en 1944 con
el desarrollo de la computadora electrónica, y esta herramienta de estadística surgió por
la bomba atómica durante la segunda guerra mundial, la cual como herramienta
involucraba una simulación llena de probabilidades de hidrodinámica que extraía por
difusión los neutrones aleatorios en material de fusión.
Los primeros investigadores que introdujeron este metodo fueron John von Neumann y
Stanislao Ulam refinaron esta curiosa ``Ruleta rusa'' y los métodos``de división''. Pero la
para que el desarrollo sistematico progresara y estas ideas se llevaran a cabo se espero al
año 1948 para que los investigadores Harris y Herman Kahn. Luego por las mismas
caracteristicas los investigadores de ese mismo sistema Fermi, Metropolos y Ulam
obtuvieron estimadores para los valores característicos de la ecuación de Schrödinger para
la captura de neutrones a nivel nuclear.
2. Definición estadística de la simulación Monte Carlo
Es una técnica numérica para calcular probabilidades, y esta sirve primordialmente para
calcular integrales que no se pueden resolver por métodos analíticos, y para poder
calcularlas se usan métodos aleatorios con distribuciones de probabilidad conocidas, el
cual es usado para resolver ciertos problemas estocásticos y poderlos determinar , donde
el tiempo no juega un papel importante.
Es un proceso computacional que utiliza números aleatorios para derivar una salida, por
lo que en vez de tener entradas con puntos dados, se asignan distribuciones de
probabilidad a alguna o todas las variables de entrada. Esto generará una distribución de
probabilidad para una salida después de una corrida de la simulación.
Estadísticamente quiere decir calcular probabilidades y otras cantidades relacionadas,
utilizando secuencias de números aleatorios.
3. Definición a sus palabras de la simulación Monte Carlo.
Es un método matemático por medio de un cuantitativo el cual permite resolver
problemas mediante simulación de las variables aleatorias, como también duplicar
características y comportamiento de un sistema real. para las decisiones mediante esta
simulación se puede influir en el tiempo de los proceso, comportamientos financieros,
energía, manufacturación, investigación y desarrollo, seguros, gas, petróleo, y medio
ambiente en conclusión en conclusión permite resolver cualquier tipo de problema o
gestión de proyecto que no presenten una solución analítica. Siempre para una toma de
decisiones en una serie de posibles resultados. Actualmente se utiliza este tipo de
algoritmos para la generacion de graficos 3D en la mayoria de programas previstos
4. Explicación de sus palabras de la ecuación utilizada para la Simulación Monte Carlo
Método monte carlo genera puntos aleatorios entre dos intervalos
𝑏
𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝐸𝑥𝑖𝑡𝑜𝑠
∫ 𝑓(𝑥)𝑑𝑥 ≈ ∗ (𝑏 − 𝑎) ∗ 𝑀
𝑎 𝑁𝑢𝑚𝑒𝑟𝑜 𝑇𝑜𝑡𝑎𝑙
𝑏
0 ≤ ∫ 𝑓(𝑥)𝑑𝑥 ≤ (𝑏 − 𝑎) ∗ 𝑀
𝑎
𝐴 = (𝑏 − 𝑎) ∗ 𝑀
𝑁′
𝑆 =𝐴∗ 𝑁
- N Numero aleatorios sobre el estudio
- N’= Numero de veces dentro del área de estudio o dentro de la integral = Número
de éxitos que cae dentro de esa área
- S= Proporcional a la probabilidad de que un punto aleatorio caiga en la superficie.
- A= area de estudio
5. Que tipos de problemas se resuelven con Simulación Monte Carlo?
- Crear, valorar y analizar carteras de inversión: depositados una cesta de activos
financieros con la idea de generar una plusvalía.
- Valorar productos financieros complejos como las opciones financieras: si es
rentable implemnetar proyectos o acciones economicas al negocio
- Creación de modelos de gestión de riesgo: Son los procesos de medición y
cuantificación de probabilidades de los efectos adversos en los mercados en
inversiones financieras, o nuevos proyectos.
Se utiliza este tipo de método para evaluar distintos tipos de escenarios. Un ejemplo podria
ser la bolsa de valores. Los movimientos de una acción no se pueden predecir. Se pueden
estimar, pero es imposible hacerlo con exactitud. Por ello, mediante la simulación de
Montecarlo, se intenta imitar el comportamiento de una acción o de un conjunto de ellas
para analizar cómo podrían evolucionar.
6. Es posible realizar una Simulación Monte Carlo con distintos tipos de distribuciones
estadísticas? Si es posible, como?
Realiza el análisis de riesgo con la creación de modelos de posibles resultados mediante la
sustitución de un rango de valores, una distribución de probabilidad para cualquier factor
con incertidumbre inherente.
Luego, calculando resultados una y otra vez usando un grupo diferente valores aleatorios
de las funciones de probabilidad. Dependiendo del número incertidumbres Y los rangos
especificados, para completar la simulación puede ser necesario realizar miles o decenas
de miles de re cálculos.
La simulación Montecarlo produce distribuciones de valores de resultados posibles.
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 más realista de describir la incertidumbre en las
variables de un análisis de riesgo. Las distribuciones de probabilidad más comunes son:
- Normal: El usuario simplemente define la media o valor esperado y una desviación
estándar para describir la variación con respecto a la media. Los valores
intermedios cercanos a la media tienen mayor probabilidad de producirse. Es una
distribución simétrica y describe muchos fenómenos naturales, como puede ser la
estatura de una población. El usuario simplemente define la media o valor
esperado y una desviación estándar para describir la variación con respecto a la
media. Los valores intermedios cercanos a la media tienen mayor probabilidad de
producirse. Es una distribución simétrica y describe muchos fenómenos naturales,
como puede ser la estatura de una población. Ejemplos de variables que se pueden
describir con distribuciones normales son los índices de inflación y los precios de
la energía.
- Logarítmica: Los valores muestran una clara desviación; no son simétricos como
en la distribución normal. Se utiliza para representar valores que no bajan por
debajo del cero, pero tienen un potencial positivo ilimitado. Pueden ser reflejadas
en valores de las propiedades inmobiliarias y bienes raíces, los precios de las
acciones de bolsa y las reservas de petróleo.
- Uniforme: Todos los valores tienen las mismas probabilidades de producirse; el
usuario sólo tiene que definir el mínimo y el máximo. Ejemplos de variables que
se distribuyen de forma uniforme son los costos de manufacturación o los ingresos
por las ventas futuras de un nuevo producto.
- Triangular: El usuario define los valores mínimo, más probable y máximo. Las
variables que se pueden describir con una distribución triangular son el historial
de ventas pasadas por unidad de tiempo y los niveles de inventario.
- PERT: El usuario define los valores mínimo, más probable y máximo, como en la
distribución triangular. Los valores situados alrededor del más probable tienen
más probabilidades de producirse. duración de una tarea en un modelo de gestión
de un proyecto.
- Discreta: El usuario define los valores específicos que pueden ocurrir y la
probabilidad de cada uno. 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.
Durante una simulación Monte Carlo, los valores se muestrean aleatoriamente a partir de
las distribuciones de probabilidad introducidas. Cada grupo de muestras se
denomina iteración, y el resultado correspondiente de esa muestra queda registrado.
Las distribuciones pueden representar en varios aspectod los resultos en un metodo Monte
carlo como:
- Resultados probabilísticos. Los resultados muestran no sólo lo que puede suceder,
sino lo probable que es un resultado.
- Resultados gráficos.
- Análisis de sensibilidad. Con sólo unos pocos resultados, en los análisis
deterministas es más difícil ver las variables que más afectan el resultado.
- Análisis de escenario. En los modelos deterministas resulta muy difícil modelar
diferentes combinaciones de valores de diferentes valores de entrada, con el fin de
ver los efectos de situaciones verdaderamente diferentes.
- Correlación de variables de entrada. En la simulación Monte Carlo es posible
modelar relaciones interdependientes entre diferentes variables de entrada.
7. Investigue las 3 herramientas de software mas utilizadas para aplicar Simulación
Monte Carlo
- Excel: @Risk, Crystall Ball, Insight.xla, SimTools.xla
- Rstudio
- Matalab
8. Presente un ejemplo de la Simulación Monte Carlo
**********Hoja de Excel en otro documento. ********
Bibliografía
P. Pérez & M. Valente.. (2018). Aplicación de la técnica de simulación Monte
Carlo. febrero2018, de famaf Sitio web:
http://www.famaf.unc.edu.ar/~pperez1/manuales/cim/cap6.html#id3
https://www.youtube.com/watch?v=1IhaEuCqZxs
https://jaimesotou.files.wordpress.com/2011/05/metodo-montecarlo-03.pdf
Palisade. (2019). Simulación Monte Carlo. Noviembre 2018, de PALISADE
Sitio web: https://www.palisade-lta.com/risk/simulacion_monte_carlo.asp
Area de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón, Marzo 2011,
Marzo 2011,Metodo Monte Carlo,
https://previa.uclm.es/profesorado/licesio/Docencia/mcoi/Tema4_guion.pdf
