UNIVERSIDAD PRIVADA SAN FRANCISCO DE ASÍS

CARRERA DE INGENIERIA EN SISTEMAS

SIMULACION DE MONTE CARLO

TEORIA Y APLICACIONES PRACTICAS

Materia: Simulación

Docente:Jacqueline Vivian Flores Terrazas

Universitario: Jhoasir Nilton Garnica Copa

La Paz - Bolivia
2024
Introducción

La simulación de Monte Carlo es una técnica que combina conceptos estadísticos, como el
muestreo aleatorio, con la capacidad de los ordenadores para generar números pseudoaleatorios
y automatizar cálculos. Esta técnica encuentra sus orígenes en el trabajo pionero realizado por
Stan Ulam y John Von Neumann a finales de los años 40 en el laboratorio de Los Alamos, donde
investigaban el movimiento aleatorio de los neutrones [W1]. Desde entonces, la simulación de
Monte Carlo se ha convertido en una herramienta invaluable en una amplia gama de campos,
desde la física nuclear hasta la ingeniería financiera.

El nombre "Monte Carlo" proviene de la famosa ciudad de Mónaco, donde el azar, la probabilidad
y el comportamiento aleatorio son parte integral de la vida cotidiana, especialmente en los casinos
de juego.

La simulación de Monte Carlo se utiliza en cualquier contexto en el que el comportamiento

aleatorio o probabilístico sea fundamental. Esta técnica se ha aplicado en áreas tan diversas como
la informática, la empresa, la economía, la industria e incluso las ciencias sociales [5, 8].

Una de las herramientas más populares para realizar simulaciones de Monte Carlo es la hoja de
cálculo de Microsoft Excel. Las hojas de cálculo son ampliamente utilizadas debido a su
universalidad, facilidad de uso y capacidad para realizar análisis de escenarios ("what-if analysis").
Las últimas versiones de Excel incluso incorporan un lenguaje de programación propio, Visual Basic
for Applications (VBA), que permite a los usuarios crear aplicaciones de simulación personalizadas.
Además, existen varios complementos de Excel específicamente diseñados para realizar
simulaciones de Monte Carlo, como @Risk, Crystall Ball, [Link], [Link], entre otros [W2 -
W5].

En este trabajo, exploraremos en detalle la teoría detrás de la simulación de Monte Carlo y

proporcionaremos ejemplos prácticos que ilustren su aplicación en diferentes contextos.

Palabras Clave: simulación, Monte Carlo, comportamiento aleatorio o probabilístico, número

pseudoaleatorio.

¿Qué es la simulación de Monte Carlo?

La simulación de Monte Carlo es una técnica cuantitativa que utiliza la estadística y los
ordenadores para modelar el comportamiento aleatorio de sistemas reales no dinámicos
mediante modelos matemáticos. Generalmente, se emplea cuando se trata de sistemas cuyo
estado no cambia con el tiempo.

La esencia de la simulación de Monte Carlo radica en la creación de un modelo matemático del

sistema de interés, identificando las variables (inputs del modelo) cuyo comportamiento aleatorio
afecta al comportamiento global del sistema. Una vez identificadas estas variables aleatorias, se
lleva a cabo un experimento consistente en generar muestras aleatorias para dichos inputs y
analizar el comportamiento del sistema en función de estos valores. Repitiendo este experimento
un número suficiente de veces, se obtienen observaciones sobre el comportamiento del sistema,

1
lo que permite comprender su funcionamiento con mayor precisión a medida que aumenta el
número de experimentos realizados.

Aplicaciones de la Simulación de Monte Carlo en Diferentes Disciplinas

La simulación de Monte Carlo ha demostrado ser una herramienta invaluable en una amplia
variedad de disciplinas. A continuación, se presentan algunos ejemplos de su aplicación en
diferentes campos:

Finanzas

En el campo de las finanzas, la simulación de Monte Carlo se utiliza para modelar y evaluar el
riesgo en carteras de inversión, valorar opciones financieras, estimar precios de activos, y simular
el comportamiento de mercados financieros.

Ingeniería

En ingeniería, la simulación de Monte Carlo se emplea para analizar la fiabilidad y seguridad de

sistemas complejos, como estructuras de edificios, redes de comunicación, sistemas eléctricos, y
procesos de fabricación.

Ciencias de la Salud

En las ciencias de la salud, la simulación de Monte Carlo se utiliza para modelar la propagación de
enfermedades, predecir la eficacia de tratamientos médicos, y optimizar la planificación de
recursos en hospitales.

Ciencias Ambientales

En ciencias ambientales, la simulación de Monte Carlo se emplea para modelar el cambio

climático, simular la dispersión de contaminantes en el aire y el agua, y evaluar el impacto de
proyectos de desarrollo en el medio ambiente.

La función ALEATORIO() de Excel

Las hojas de cálculo como Excel, junto con otros lenguajes de programación estándar, tienen la
capacidad de generar números pseudoaleatorios provenientes de una distribución uniforme entre
0 y 1. Estos números pseudoaleatorios son fundamentales para el desarrollo de cualquier
simulación por ordenador. En Excel, es posible obtener un número pseudoaleatorio utilizando la
función ALEATORIO():

2
Los números generados mediante la función ALEATORIO() poseen dos propiedades importantes:

Distribución Uniforme: Cada vez que se utiliza la función ALEATORIO(), cualquier número real
entre 0 y 1 tiene la misma probabilidad de ser generado, lo que se conoce como una distribución
uniforme.

Independencia Estadística: Los diferentes números generados son estadísticamente

independientes entre sí, lo que significa que el valor de un número generado en un momento
dado no depende de los valores generados anteriormente.

Es importante tener en cuenta que la función ALEATORIO() es volátil en Excel, lo que significa que
cada vez que se recalcule la hoja de cálculo (por ejemplo, al presionar la tecla F9 o al cambiar
algún valor en el modelo), todas las celdas que contienen la función ALEATORIO() serán
recalculadas automáticamente.

Veamos un ejemplo sencillo:

En la imagen inferior se muestra un análisis histórico de 200 días sobre el número de consultas
diarias realizadas a un sistema de información empresarial (EIS) residente en un servidor central.
La tabla incluye el número de consultas diarias (0 a 5) junto con las frecuencias absolutas (número
de días que se producen 0, 1, ..., 5 consultas), las frecuencias relativas (10/200 = 0,05, ...), y las
frecuencias relativas acumuladas.

Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso asociado,
en este caso, la probabilidad de un determinado número de consultas (así, p.e., la probabilidad de
que se den 3 consultas en un día sería de 0,30), por lo que la tabla anterior nos proporciona la
distribución de probabilidad asociada a una variable aleatoria discreta (la variable aleatoria es el
número de consultas al EIS, que sólo puede tomar valores enteros entre 0 y 5).

Por otra parte, también podemos usar simulación de Monte Carlo para estimar el número
esperado de consultas diarias (en este caso se ha podido obtener el valor exacto usando teoría de
probabilidad, pero ello no siempre será factible). Veamos cómo:

3
Cuando se conozca la distribución de probabilidad asociada a una variable aleatoria discreta, será
posible usar la columna de frecuencias relativas acumuladas para obtener los llamados intervalos
de números aleatorios asociados a cada suceso.

En este caso, los intervalos obtenidos son:

• [0,00 , 0,05) para el suceso 0

• [0,05 , 0,15) para el suceso 1

• [0,15 , 0,35) para el suceso 2

• [0,35 , 0,65) para el suceso 3

• [0,65 , 0,85) para el suceso 4

• [0,85 , 1,00) para el suceso 5

Esto significa que, al generar un número pseudo-aleatorio con el ordenador (proveniente de una
distribución uniforme entre 0 y 1), estaremos llevando a cabo un experimento cuyo resultado,
obtenido de forma aleatoria y según la distribución de probabilidad anterior, estará asociado a un
suceso. Así por ejemplo, si el ordenador nos proporciona el número pseudo-aleatorio 0,2567,
podremos suponer que ese día se han producido 2 consultas al EIS.

Asignamos pues la función ALEATORIO a una casilla (la G1 en el caso de la imagen):

4
Seleccionando la celda y “arrastrando” con el ratón desde el borde inferior derecho de la misma
podemos obtener un listado completo de números pseudo-aleatorios:

A continuación, podemos usar la función SI de Excel para asignar un suceso a cada uno de los
números pseudo-aleatorios generados (como veremos, otra forma de hacer esta asignación será
usando la función BUSCARV):

Finalmente, usando la función PROMEDIO será posible calcular la media de los valores de la
columna H:

5
Si en lugar de usar una muestra aleatoria formada por 100 observaciones hubiésemos usado una
formada por 10, los valores que obtendríamos al pulsar repetidamente F9 no serían estimaciones
tan buenas al valor real. Por el contrario, es de esperar que si hubiésemos usado 1.000 (o mejor
aún 10.000) observaciones, los valores que obtendríamos en la casilla I1 estarían todos muy
cercanos al valor real.

Conclusión:

En este trabajo, hemos explorado la técnica de simulación de Monte Carlo, que combina
conceptos estadísticos con el poder computacional para modelar el comportamiento aleatorio de
sistemas reales. Desde sus orígenes en el trabajo pionero de Ulam y Von Neumann, la simulación
de Monte Carlo se ha convertido en una herramienta esencial en una variedad de campos, desde
la física nuclear hasta la ingeniería financiera.

Hemos visto cómo la simulación de Monte Carlo se utiliza en finanzas, ingeniería, ciencias de la
salud y ciencias ambientales, proporcionando una manera poderosa de analizar riesgos, evaluar la
seguridad de sistemas complejos y modelar fenómenos naturales.

Además, hemos explorado la función ALEATORIO() de Excel y cómo se puede utilizar para generar
números pseudoaleatorios, un componente fundamental en la simulación de Monte Carlo.

En resumen, la simulación de Monte Carlo es una técnica versátil y poderosa que ha revolucionado
la forma en que abordamos problemas complejos en una variedad de disciplinas. A medida que
avanzamos, podemos esperar ver aún más avances en esta área y nuevas aplicaciones
emocionantes para esta técnica invaluable.