METERIA:

MODELACION Y SIMULACION DE SISTEMAS

ACTIVIDAD # 3
EJERCICIO
(GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS MÉTODO
DE MONTE CARLO)

INTEGRANTES DEL EQUIPO:

LUIS FERNANDO DOMINGUEZ VILLAGRAN
HANNIA NAYELI MCDONOUGH ONTIVEROS
NESTOR DANIEL PALOMO ESTRADA
DAVID VAZQUEZ IBARRA

FECHA:
28/07/2024
1. Con base en el material consultado en la unidad, resuelve el ejercicio que se
plantea a continuación acerca de los siguientes temas:

➢ Generación de números aleatorios

Ejercicio. Simulación de Monte Carlo

Marco teórico del ejercicio

Los métodos de Monte Carlo abarcan una colección de técnicas que permiten
obtener soluciones de problemas matemáticos o físicos por medio de pruebas
aleatorias repetidas. En la práctica, las pruebas aleatorias se sustituyen por
resultados de ciertos cálculos realizados con números aleatorios.

Bajo el nombre de Método Monte Carlo o Simulación Monte Carlo se agrupan una
serie de procedimientos que analizan distribuciones de variables aleatorias usando
simulación de números aleatorios.

El Método de Monte Carlo da solución a una gran variedad de problemas

matemáticos haciendo experimentos con muestreos estadísticos en una
computadora. El método es aplicable a cualquier tipo de problema, ya sea
estocástico o determinístico.

Generalmente en estadística los modelos aleatorios se usan para simular

fenómenos que poseen algún componente aleatorio. Pero en el método Monte
Carlo, por otro lado, el objeto de la investigación es el objeto en sí mismo, un suceso
aleatorio o pseudoaleatorio se usa para estudiar el modelo.

A veces la aplicación del método Monte Carlo se usa para analizar problemas que
no tienen un componente aleatorio explícito; en estos casos un parámetro
determinista del problema se expresa como una distribución aleatoria y se simula
dicha distribución. Un ejemplo sería el famoso problema de las Agujas de Bufón.

La simulación de Monte Carlo también fue creada para resolver integrales que no
se pueden resolver por métodos analíticos, para solucionar estas integrales se
usaron números aleatorios. Posteriormente se utilizó para cualquier esquema que
emplee números aleatorios, usando variables aleatorias con distribuciones de
probabilidad conocidas, el cual es usado para resolver ciertos problemas
estocásticos y determinísticos, donde el tiempo no juega un papel importante.

El algoritmo de Simulación Monte Carlo Crudo o Puro está fundamentado en la

generación de números aleatorios por el método de Transformación Inversa, el cual
se basa en las distribuciones acumuladas de frecuencias:

1. Determinar la/s Variables aleatorias y sus distribuciones acumuladas(F).

2. Generar un número aleatorio uniforme (0,1).

3. Determinar el valor de las variables aleatorias para el número aleatorio generado

de acuerdo con las clases que tengamos.

4. Calcular media, desviación estándar error y realizar el histograma.

5. Analizar resultados para distintos tamaños de muestra.

Iterar los pasos 2, 3 y 4 tantas veces como muestras se requieran para el problema.

Otra opción para trabajar con Monte Carlo, cuando la variable aleatoria no es
directamente el resultado de la simulación o tenemos relaciones entre variables es
la siguiente:

1. Diseñar el modelo lógico de decisión.

2. Especificar distribuciones de probabilidad para las variables aleatorias relevantes.

3. Incluir posibles dependencias entre variables.

4. Muestrear valores de las variables aleatorias.

5. Calcular el resultado del modelo según los valores del muestreo (iteración) y
registrar el resultado.

6. Repetir el proceso hasta tener una muestra estadísticamente representativa.

7. Obtener la distribución de frecuencias del resultado de las iteraciones.

8. Calcular media, desvío.

9. Analizar los resultados

Las principales características a tener en cuenta para la implementación o

utilización del algoritmo son:

• El sistema debe ser descrito por 1 o más funciones de distribución de

probabilidad (fdp).
• Generador de números aleatorios: cómo se generan los números aleatorios
es importante para evitar que se produzca correlación entre los valores
muestrales.
• Establecer límites y reglas de muestreo para las fdp: conocemos que valores
pueden adoptar las variables.
• Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo
a simular.
• Estimación Error: ¿Con qué error trabajamos? ¿Cuánto error podemos
aceptar para que una corrida sea válida?
• Técnicas de reducción de varianza.
• Paralelización y vectorización: En aplicaciones con muchas variables se
estudia trabajar con varios procesadores paralelos para realizar la
simulación.

La función ALEATORIO () de Excel

Las hojas de cálculo como Excel (y cualquier lenguaje de programación estándar)

son capaces de generar números pseudoaleatorios provenientes de una
distribución uniforme entre el 0 y el 1. Este tipo de números pseudoaleatorios son
los elementos básicos a partir de los cuales se desarrolla cualquier simulación.

En Excel, es posible obtener un número pseudoaleatorio proveniente de una

distribución uniforme entre el 0 y el 1 usando la función ALEATORIO ():
2. Datos del problema

Se tiene la siguiente distribución de probabilidades para una demanda aleatoria y

se debe determinar el efecto del promedio de la demanda en varias iteraciones:

Utilizando la distribución acumulada F(x) es decir, la probabilidad que la variable

aleatoria tome valores menores o iguales a (x) se determina cuál es el valor obtenido
de unidades cuando se genera un número aleatorio a partir de una distribución
continua uniforme. Este método de generación de variable aleatoria se llama
Transformación Inversa.

Generando los valores aleatorios se obtiene el valor de la demanda para cada día,
interesándonos en este caso, cómo es el orden de aparición de los valores. Se
busca el número aleatorio generado en la tabla de probabilidades acumuladas, una
vez encontrado (si no es el valor exacto, éste debe ser menor que el de la fila
seleccionada pero mayor que el de la fila anterior), de esa fila tomada como solución
se toma el valor de las unidades (Cuando trabajamos en Excel debemos tomar el
límite inferior del intervalo para buscar en las acumuladas, para poder emplear la
función BUSCARV(), para 42 sería 0, para 43 0,100001 y así sucesivamente).

Por ejemplo, si el número aleatorio generado sea 0,52, ¿a qué valor de unidades
corresponde? observamos en la columna de frecuencias acumuladas, ese valor
exacto no aparece, el siguiente mayor es 0,70 y corresponde a 48 unidades. Se
puede apreciar mejor en el gráfico, trazando una recta desde el eje de la frecuencia
hasta que intercepta con la línea de la función acumulada, luego se baja a la
coordenada de unidades y se obtiene el valor correspondiente; en este caso 47.

Cuando trabajamos con variables discretas la función acumulada tiene un intervalo

o salto para cada variable (para casos prácticos hay que definir los intervalos y luego
con una función de búsqueda hallar el valor). Para funciones continuas se puede
hallar la inversa de la función acumulada.

De esta forma logramos a partir de la distribución de densidad calcular los valores

de la variable aleatoria dada.
En la siguiente tabla, se aprecia como a medida que aumenta el número de
simulaciones, el valor simulado se acerca al valor original de la media y desviación
estándar, además de la disminución del error típico.

3. Ahora genera números aleatorios, sigue el procedimiento que a continuación se

detalla:

a. Para los datos del problema presentado sobre la demanda, realiza en Excel,
números aleatorios utilizando la función ALEATORIO() para una distribución
uniforme de 0 a 1. Por lo menos 30 números aleatorios.

Nota: La función ALEATORIO es una función volátil de Excel. Esto significa que
cada vez que pulsamos la tecla F9 o cambiemos alguno de los inputs del modelo,
todas las celdas donde aparezca la función ALEATORIO serán recalculadas de
forma automática.
 NUMEROS DENUMEROS
SIMULACIÓN
ALEATORIO
VALOR DE DEMANDA
1 0.74019549 48
2 0.4758108 48
3 0.33215828 45
4 0.18633363 42
5 0.71388328 48
6 0.42816548 48
7 0.06274896 42
8 0.89713195 51
9 0.05608692 42
10 0.29822291 45
11 0.56486951 48
12 0.3202597 45
13 0.50430389 48
14 0.81224214 51
15 0.18706325 42
16 0.81055662 51
17 0.14868589 45
18 0.62980301 48
19 0.85991697 51
20 0.04727615 41
21 0.53967226 48
22 0.66097977 48
23 0.71928181 51
24 0.84330387 51
25 0.87824024 51
26 0.35374713 48
27 0.17181619 45
28 0.21196127 45
29 0.27308194 45
30 0.61735596 48

b. Determina el valor de las variables aleatorias para el número aleatorio generado

de acuerdo con las clases del problema, puedes generar una tabla de distribuciones
de frecuencia para este paso.

c. Calcula la media, desviación estándar error y realiza el histograma

correspondiente.

MEDIA 0.47817184
[Link]. 0.27699854
MINITAB
REFERENCIAS

García, E., Reyes, H., y Cárdenas, L. (2013). Simulación y análisis de sistemas con
Promodel Haga clic para ver más opciones (2da. edición). Pearson.
[Link]

Render, B., Stair, R. M., & Hanna, M. E. (2012).Métodos cuantitativos para los
negocios Haga clic para ver más opciones [Archivo PDF]. Recuperado de
[Link]
cios_

Granino A. Korn. (2007). Advanced Dynamic-system Simulation. Model-replication

Techniques and Monte Carlo Simulation Haga clic para ver más opciones
[Archivo PDF]. Recuperado de
[Link]
rlo_Simulation_Analysis_of_a_Dynamic_System/attachment/5e396f993843b
06506d749e9/AS%3A854845028331521%401580822345752/download/Gra
nino+A.+Korn%28auth.%29+-+Advanced+Dynamic-
System+Simulation_+Model+Replication+and+Monte+Carlo+Studies%2C+S
econd+Edition+%282013%[Link]