EL MTODO DE MONTECARLO

JUAN CAMILO GMEZ GAVIRIA

JUAN GUILLERMO VELEZ

INGENIERO

INSTITUCIN UNIVERSITARIA PASCUAL BRAVO

FACULTAD DE PRODUCCIN Y DISEO
INVESTIGACIN DE OPERACIONES
MEDELLN

CONTENIDO
INTRODUCCIN.......................................................................3
OBJETIVOS.............................................................................. 4
Objetivo General...........................................................................4
Objetivos Especficos.....................................................................4

EL MTODO DE MONTECARLO..................................................5
Qu es la simulacin Montecarlo?.................................................5
Cmo funciona la simulacin Montecarlo?.....................................5
Descripcin del Mtodo Montecarlo................................................8
Ejemplo Mtodo de Montecarlo......................................................9

CONCLUSIONES.....................................................................12
BIBLIOGRAFIA.......................................................................13

INTRODUCCIN
El mtodo de simulacin Montecarlo es un procedimiento matemtico que utiliza la
funcin de distribucin de cada una de las variables aleatorias con el fin de
generar valores aleatorios de las mismas, sin necesidad de dar una solucin
analtica al problema que se quiere resolver. La solucin analtica en la mayora de
los casos no existe o es supremamente difcil llegar a ella.
Por este mtodo se deben realizar muchas iteraciones para poder tener
convergencia. Esta convergencia no se da en un valor nico. La simulacin
Montecarlo genera el valor de todas las variables de acuerdo al conocimiento que
se tenga de todas las variables, que pueden ser determinsticas o aleatorias. En
cada nueva simulacin las variables toman un valor de acuerdo a la distribucin de
probabilidad asociada a cada una de las variables involucradas en el proceso.
El mtodo de Montecarlo permite resolver problemas matemticos mediante la
simulacin de variables aleatorias. John Von Neumann, en los aos 40 y con los
primeros ordenadores, aplica la simulacin para resolver problemas complejos que

no podan ser resueltos de forma analtica. Montecarlo y su casino estn

relacionados con la simulacin. La ruleta, juego estrella de los casinos, es uno de
los aparatos mecnicos ms sencillos que nos permiten obtener nmeros
aleatorios para simular variables aleatorias.

OBJETIVOS
Objetivo General
Indagar sobre las ventajas y la aplicacin del mtodo Montecarlo, adems de
conocer las diferentes reas donde pueda aplicarse, as como el procedimiento
necesario para poder llevar a cabo un problema por medio de este mtodo
probabilstico.

Objetivos Especficos

Introducir los conceptos e ideas claves de la simulacin Montecarlo.

Conocer algunas aplicaciones de la simulacin Montecarlo.

EL MTODO DE MONTECARLO
El anlisis de riesgo forma parte de todas las decisiones que tomamos. Nos
enfrentamos continuamente a la incertidumbre, la ambigedad y la variabilidad. Y
aunque tenemos un acceso a la informacin sin precedentes, no podemos
predecir con precisin el futuro. La simulacin Montecarlo 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.

Qu es la simulacin Montecarlo?
La simulacin Montecarlo es una tcnica matemtica computarizada que permite
tener en cuenta el riesgo en anlisis cuantitativos y tomas de decisiones. Esta
tcnica es utilizada por profesionales de campos tan dispares como los de
finanzas, gestin de proyectos, energa, manufacturacin, ingeniera, investigacin
y desarrollo, seguros, petrleo y gas, transporte y medio ambiente.
La simulacin Montecarlo ofrece a la persona responsable de tomar las decisiones
una serie de posibles resultados, as como la probabilidad de que se produzcan
segn las medidas tomadas. Muestra las posibilidades extremas los resultados
de tomar la medida ms arriesgada y la ms conservadora as como todas las
posibles consecuencias de las decisiones intermedias.
Los cientficos que trabajaron con la bomba atmica utilizaron esta tcnica por; y
le dieron el nombre de Montecarlo, la ciudad turstica de Mnaco conocida por sus
casinos. Desde su introduccin durante la Segunda Guerra Mundial, la simulacin
Montecarlo se ha utilizado para modelar diferentes sistemas fsicos y
conceptuales.

Cmo funciona la simulacin Montecarlo?

La simulacin Montecarlo realiza el anlisis de riesgo con la creacin de modelos

de posibles resultados mediante la sustitucin de un rango de valores una
distribucin de probabilidad para cualquier factor con incertidumbre inherente.
Luego, calcula los resultados una y otra vez, cada vez usando un grupo diferente
de valores aleatorios de las funciones de probabilidad. Dependiendo del nmero
de incertidumbres y de los rangos especificados, para completar una simulacin
Monte Carlo puede ser necesario realizar miles o decenas de miles de reclculos.
La simulacin Montecarlo produce distribuciones de valores de los resultados
posibles.
El anlisis de riesgo se puede realizar cualitativa y cuantitativamente. El anlisis
de riesgo cualitativo generalmente incluye la evaluacin instintiva o por
corazonada de una situacin, y se caracteriza por afirmaciones como Eso parece
muy arriesgado o Probablemente obtendremos buenos resultados. El anlisis de
riesgo cuantitativo trata de asignar valores numricos a los riesgos, utilizando
datos empricos o cuantificando evaluaciones cualitativas. Vamos a concentrarnos
en el anlisis de riesgo cuantitativo.
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 ms realista de describir la
incertidumbre en las variables de un anlisis de riesgo.
Las distribuciones de probabilidad ms comunes son:
Normal o curva de campana: El usuario simplemente define la media o valor
esperado y una desviacin estndar para describir la variacin con respecto a la
media. Los valores intermedios cercanos a la media tienen mayor probabilidad de
producirse. Es una distribucin simtrica y describe muchos fenmenos naturales,
como puede ser la estatura de una poblacin. Ejemplos de variables que se
pueden describir con distribuciones normales son los ndices de inflacin y los
precios de la energa.
Lognormal: Los valores muestran una clara desviacin; no son simtricos como en
la distribucin normal. Se utiliza para representar valores que no bajan por debajo
del cero, pero tienen un potencial positivo ilimitado. Ejemplos de variables
descritas por la distribucin lognormal son los valores de las propiedades
inmobiliarias y bienes races, los precios de las acciones de bolsa y las reservas
de petrleo.

Uniform: Todos los valores tienen las mismas probabilidades de producirse; el

usuario slo tiene que definir el mnimo y el mximo. Ejemplos de variables que se
distribuyen de forma uniforme son los costos de manufacturacin o los ingresos
por las ventas futuras de un nuevo producto.
Triangular: El usuario define los valores mnimo, ms probable y mximo. Los
valores situados alrededor del valor ms probable tienen ms probabilidades de
producirse. Las variables que se pueden describir con una distribucin triangular
son el historial de ventas pasadas por unidad de tiempo y los niveles de inventario.
PERT: El usuario define los valores mnimo, ms probable y mximo, como en la
distribucin triangular. Los valores situados alrededor del ms probable tienen ms
probabilidades de producirse. Sin embargo, los valores situados entre el ms
probable y los extremos tienen ms probabilidades de producirse que en la
distribucin triangular; es decir, los extremos no tienen tanto peso. Un ejemplo de
uso de la distribucin PERT es la descripcin de la duracin de una tarea en un
modelo de gestin de un proyecto.
Discrete: El usuario define los valores especficos que pueden ocurrir y la
probabilidad de cada uno. Un ejemplo podra ser 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 simulacin Montecarlo, los valores se muestrean aleatoriamente a
partir de las distribuciones de probabilidad introducidas. Cada grupo de muestras
se denomina iteracin, y el resultado correspondiente de esa muestra queda
registrado. La simulacin Montecarlo realiza esta operacin cientos o miles de
veces, y el resultado es una distribucin de probabilidad de posibles resultados.
De esta forma, la simulacin Montecarlo proporciona una visin mucho ms
completa de lo que puede suceder. Indica no slo lo que puede suceder, sino la
probabilidad de que suceda.
La simulacin Monte Carlo proporciona una serie de ventajas sobre el anlisis
determinista o estimacin de un solo punto:

Resultados probabilsticos: Los resultados muestran no slo lo que puede

suceder, sino lo probable que es un resultado.

Resultados grficos: Gracias a los datos que genera una simulacin

Montecarlo, es fcil crear grficos de diferentes resultados y las

posibilidades de que sucedan. Esto es importante para comunicar los

resultados a otras personas interesadas.

Anlisis de sensibilidad: Con slo unos pocos resultados, en los anlisis

deterministas es ms difcil ver las variables que ms afectan el resultado.
En la simulacin Montecarlo, resulta ms fcil ver qu variables
introducidas tienen mayor influencia sobre los resultados finales.

Anlisis de escenario: En los modelos deterministas resulta muy difcil

modelar diferentes combinaciones de valores de diferentes valores de
entrada, con el fin de ver los efectos de situaciones verdaderamente
diferentes. Usando la simulacin Montecarlo, los analistas pueden ver
exactamente los valores que tienen cada variable cuando se producen
ciertos resultados. Esto resulta muy valioso para profundizar en los anlisis.

Correlacin de variables de entrada: En la simulacin Montecarlo es posible

modelar relaciones interdependientes entre diferentes variables de entrada.
Esto es importante para averiguar con precisin la razn real por la que,
cuando algunos factores suben, otros suben o bajan paralelamente.

Descripcin del Mtodo Montecarlo

Existen 5 pasos ideales a seguir para el mtodo.
1. Establecer distribuciones de probabilidad:
La idea inicial es la generacin de valores para las variables que componen el
modelo a efectuar. Existen una gran variabilidad de ejemplos donde se llega
anotar este punto, algunos de ellos son: el tiempo de descompostura de una
mquina, la demanda de un inventario sobre una base diaria o semanal, el tiempo
de servicio, etc. Y una manera fcil de establecer una distribucin de probabilidad
de una variable es a travs de examen histrico. La frecuencia relativa para cada
resultado de una variable se encuentra al dividir la frecuencia de la observacin
entre el nmero total de observaciones.
2. Construir una distribucin de probabilidad acumulada para cada variable:
Aqu se tiene que convertir una distribucin de probabilidad regular a una
distribucin de probabilidad acumulada. Esto quiere decir que la probabilidad

acumulada para cada nivel de demanda no es ms que la suma del nmero en la

columna de la probabilidad agregada a la probabilidad acumulada anterior.
3. Establecer intervalos de nmeros aleatorios:
En este paso se debe asignar un conjunto que represente a cada valor posible.
Estos estn establecidos como intervalos de nmeros aleatorios que surgieron un
proceso aleatorio (tomando el nmero de dgitos requeridos).
4. Generacin de nmeros aleatorios:
Estos nmeros se pueden generar de dos maneras: la primera es, si se tiene un
problema grande y el proceso involucra miles de ensayos, lo conveniente es
utilizar algn software especializado para generarlos; la segunda, si la simulacin
se tiene que hacer a mano, los nmeros se pueden seleccionar en una tabla
establecida de nmeros aleatorizados. Existen tablas para esta ltima manera.
5. Simular el experimento:
No es ms q poner en prctica la simulacin de dicho experimento, mediante
varios ensayos para poder concluir correctamente, ya que al hacer pocos ensayos
podramos comer errores que perjudicaran el experimento o en el peor de los
casos echarlo a perder.

Ejemplo Mtodo de Montecarlo

Se desea conocer la demanda diaria de un comercio alimenticio, donde elaboran
emparedados. Por medio de la distribucin de probabilidad del mtodo de
Montecarlo, en un periodo de 30 das.

Aplicando los pasos en la tabla. El primer paso en identificar la demanda que

recibe por das. El siguiente paso es construir otra columna con la sumatoria
consecutiva de cada ocurrencia de los valores.

En esta tabla se hace presente el paso 3, que trata de colocar los intervalos de los
nmeros aleatorios, simplemente se colocan los nmeros empezando por el 01
hasta el valor de la probabilidad acumulada. Y despus se sigue con el otro valor
comenzando por nmero en el que se qued.
Una manera simple de ver la simulacin es mediante esta simplificacin del
ejemplo en un periodo de 10 das.
Por ltimo se emplean los pasos 4 y 5 en la tabla que continua se busca un
nmero aleatorio en la tabla 1 expuesta en el paso 4. Despus se compara el
nmero aleatorio obtenido con el intervalo de la tabla 3, a verificar en que intervalo
cae se colocara el valor de la demanda en la tercer columna.

Por ltimo se saca la demanda esperada que se demuestra por la siguiente

frmula:
Demanda Esperada= ( Probabilidad de unid .i )( Demanda de unid . j )
( 0.1741 ) + ( 0.3345 )+ ( 0.2048 ) + ( 0.1352 )+ ( 0.1756 )
47.7

La demanda esperada en las mayoras de sus ensayos ser similar a la demanda

promedio.

10

CONCLUSIONES

El mtodo de Montecarlo fue creado por investigadores estadounidenses para

resolver problemas fsicos y qumicos en la realizacin de la bomba atmica para
la cual se emple durante la Segunda Guerra Mundial.
El Mtodo de Montecarlo da solucin a una gran variedad de problemas
matemticos haciendo experimentos con muestreos estadsticos en una
computadora. El mtodo es aplicable a cualquier tipo de problema, ya sea
estocstico o determinstico. Generalmente en estadstica los modelos aleatorios
se usan para simular fenmenos que poseen algn componente aleatorio.
Se emplea en problemas complejos que solamente se pueden resolver por
programas de computadora, as como problemas simples que se resolvern a
mano sin tanta dificultad.

11

BIBLIOGRAFIA

Castillo, Sergio; Rubio, William. Opciones Reales para los Nuevos Proyectos de la
Industria; Universidad de la Sabana, 2011

12