Simulación (I)
CAROLINA C. CASTRO
10/04/2024
2
Simulación
❑ “(…) empirically determining probabilities by means of experimentation is known as
simulation” (Ross, 2010: 438).
❑ “Using a model to produce results, rather than experiment with the real system under
study (…). If the model has an stochastic element, we have stochastic simulation (…)”.
(Ripley: 1).
muestra
3
¿True randomness?
“Creating true randomness” (David Bismarck, 2012)
[Link]
4
Números ¿aleatorios?
❑ La base de la simulación es la capacidad para generar números aleatorios.
❑ Un número aleatorio representa un valor de una variable aleatoria uniformemente distribuida
en el intervalo (0,1).
❑ Los números puramente aleatorios se generan en forma manual o por experimentos tales
como tirar dados, etc. Los números que se generan por técnicas computacionales son
números pseudo aleatorios, son una secuencia de valores generados en forma determinística.
Criterios:
❑ para cualquier valor inicial (x0, semilla): la secuencia resultante tiene que aparentar ser una secuencia
de números aleatorios provenientes de una distribución uniforme (0,1),
❑ la cantidad de valores que se generan a partir de una semilla antes de comenzar a repetirse debe ser
grande,
❑ eficiencia computacional.
[Link]
5
Ejemplo: método congruencial x0
a:
1
5
c: 2
m: 9
xn = [Link]-1 +c módulo m i
0
xi
1
1 0,77777778
Con a, b y m enteros positivos. 2 0,65432099
3 0,58573388
❑ a: multiplicador 4
5
0,54762993
0,52646107
6 0,5147006
❑ c: incremento 7 0,508167
8 0,50453722
❑ m: módulo 9
10
0,50252068
0,50140038
11 0,50077799
Veamos un ejemplo: 12
13
0,50043222
0,50024012
14 0,5001334
15 0,50007411
16 0,50004117
6
Generación de variables aleatorias
univariadas
❑ Determinación de probabilidades en forma empírica.
❑ Requerimiento: generación de una variable aleatoria uniforme (0,1), o
generador de números aleatorios.
❑ Existen distintas técnicas según si la variable aleatoria es discreta o continua, y
técnicas más o menos óptimas para diferentes variables.
❑ Por ejemplo: método de la función inversa, método de aceptación – rechazo,
etc.
7
Generación de variables aleatorias
univariadas
❑ Método de la función inversa:
Muestra aleatoria de tamaño “n”:
x1, x2, x3, x4, …, xn
❑ Simulación de Montecarlo:
Ej.:
“Escenarios”: valores de la variable que nos interesa trabajar.
8
Método de la función
inversa
Seleccionar un número aleatorio uniforme
(0,1).
Ese número aleatorio funciona como el
resultado de F(x).
Resta averiguar qué valor de X acumula esa
probabilidad.
Problemas:
❑ Variables aleatorias discretas
“Simulación” Ríos Insúa et al, p. 37 ❑ Inversión de F(x)
9
Simulación de S
* Genero un valor aleatorio de “N” (método – el más adecuado para el tipo de
variable): “nj”
* Generar tantas “Xi” como indique ese valor de “n1”: x11, x12, x13, …., x1nj
(no necesariamente utilizando el mismo método que para generar “N”).
* Sumo x11 + x12 + x13 + …+ x1nj = sj
Repetir tantas veces como sea necesario, computacionalmente posible, etc.
10
Veamos un ejemplo en:
1. Excel
2. R
11
Simulación de Montecarlo
La idea es resolver un problema complejo utilizando una técnica computacional.
Puede resumirse de la siguiente manera:
❑ Crear un modelo para S (variable aleatoria) que dependa de otras variables aleatorias, con distribuciones y
dependencias conocidas.
❑ Generar valores aleatorios de las variables aleatorias de las que depende S.
❑ Armar valores muestrales de S.
❑ Analizar la distribución empírica de S que se generó de la forma anterior (cuantiles, promedio, varianza, etc.).
12
Una aplicación: proyección de resultados
1) Resultado técnico
Primas
Siniestros
Características poblacionales, biométricas, índices delictivos, variables judiciales, variables vinculadas con accidentes, etc…..
RT = f(v1,v2,v3,…,v4)
2) Resultado financiero
Resultado de inversiones
“Ingresos”, “gastos”
Canasta de inversiones disponibles, permitidas, rendimientos, estructura, litigiosidad laboral, etc…..
RF = f(w1,w2,w3,….)
RT + RF = R
13
Esta foto de Autor desconocido está bajo licencia CC BY-NC-ND
14
Bibliografía
❑ ROSS, S. M. A First Course in Probability. 8th. Ed, Pearson Education, Inc., 2010. ISBN: 978-0-
13-603313-4.
❑ Páginas 438 a 455
❑ ROSS, S.M. Simulation. 6ta. ed. Elsevier Inc., 2023 ISBN 978-0-323-85739-0.
❑ RÍOS INSÚA, D., RÍOS INSÚA, S. Simulación: métodos y aplicaciones. 2a. ed. España: Ra-Ma
Editorial, 2008. 387 p. ISBN: 978-84-7897-895-3
❑ Capítulo 3
❑ RIPLEY, B. D. Stochastic Simulation. John Wiley & Sons, Inc. 1987. ISBN 0-471-81884-4.
❑ KLUGMAN, Stuart A., PANJER, Harry H., WILLMOT, Gordon E. Loss Models, from Data to
Decisions. 3rd edition, New Jersey, United States of America: John Wiley & Sons, Inc. ISBN:
978-0-470-18781-4
