Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
ÍNDICE .................................................................................................................................1
INTRODUCCIÓN ...................................................................................................................2
1. Inicios del Método de Monte Carlo ...............................................................................3
2. ¿QUE ES LA SIMULACIÓN MONTE CARLO? ....................................................................4
2.1 Definición ...................................................................................................................... 4
2.2 Aporte............................................................................................................................ 5
2.3 Objetivo ......................................................................................................................... 5
3. HERRAMIENTAS ...........................................................................................................5
4. VENTAJAS Y DESVENTAJAS DE USAR EL METODO DE MONTECARLO ..............................6
5. Métodos de simulación ................................................................................................6
5.1 Simulación estadística o Monte Carlo: .......................................................................... 7
5.2 Simulación continua: ..................................................................................................... 7
5.3 Simulación por eventos discretos: ................................................................................ 7
5.4 Simulación por autómatas celulares: ............................................................................ 7
6. EL MÉTODO DE MONTECARLO ......................................................................................7
7. ¿CUAL ES LA CLAVE DE LA SIMULACION MONTE CARLO? ...............................................8
8. ¿CÓMO FUNCIONA LA SIMULACIÓN MONTE CARLO? ....................................................9
8.1 Normal o curva de campana: ...................................................................................... 10
8.2 Lognormal: .................................................................................................................. 10
8.3 Uniform: ...................................................................................................................... 10
8.4 Triangular: ................................................................................................................... 11
8.5 PERT:............................................................................................................................ 11
8.6 Discrete: ...................................................................................................................... 11
9. BIBLIOGRAFIA ............................................................................................................ 12
INTRODUCCIÓN
2
1. Inicios del Método de Monte Carlo
El método fue llamado así por el principado de Mónaco por ser ``la capi
tal del juego de azar'', al tomar una ruleta como un generador simple de núm
eros aleatorios. El nombre y el desarrollo sistemático de los métodos de Monte
Carlo datan aproximadamente de 1944 con el desarrollo de la computadora
. Sin embargo hay varias instancias (aisladas y no desarrolladas) en muc
has ocasiones anteriores a 1944. El uso real de los métodos de Monte Ca
rlo como una herramienta de investigación, proviene del trabajo de la bomb
a atómica durante la Segunda Guerra Mundial. Este trabajo involucraba la si
mulación directa de problemas probabilísticos de hidrodinámica concernien
tes a la difusión de neutrones aleatorios en material de fusión. Aún en la pri
mera etapa de estas investigaciones, John von Neumann y Stanislao Ula
m refinaron esta curiosa ``Ruleta rusa'' y los métodos``de división''. Sin embarg
o, el desarrollo sistemático de estas ideas tuvo que esperar el trabajo de Harri
s y Herman Kahn en 1948. Aproximadamente en el mismo año, Fermi, Met
ropolos y Ulam obtuvieron estimadores para los valores característicos de la
ecuación de Schrödinger para la captura de neutrones a nivel nuclear. Alrede
dor de 1970, los desarrollos teóricos en complejidad computacional comie
nzan a proveer mayor precisión y relación para el empleo del método M
onte Carlo. La teoría identifica una clase de problemas para los cuales e
l tiempo necesario para evaluar la solución exacta al problema crece con
la clase, al menos exponencialmente con M. La cuestión a ser resuelta
era si MC pudiese o no estimar la solución al problema de tipo intratabl
e con una adecuación estadística acotada a una complejidad temporal polinom
ial en M. Karp(1985) muestra esta propiedad para estimar en una red plana mu
ltiterminal con arcos fallidos aleatorios. Dyer(1989) utiliza MC para estimar el v
olumen de un convex body en el espacio Euclidiano M‐
dimensional. Broder(1986), Jerrum y Sinclair (1988) establecen la propiedad p
ara estimar la persistencia de una matriz o en forma equivalente, el número de
matching perfectos en un grafo bipartito. Los orígenes de esta técnica están lig
ados al trabajo desarrollado por Stan Ulam y John Von Neumann a finales de
los 40 en el laboratorio de Los Alamos, cuando investigaban el movimie
nto aleatorio de los neutrones. En años posteriores, la simulación de Monte Car
3
lo se ha venido aplicando a una infinidad de ámbitos como alternativa a
los modelos matemáticos exactos o incluso como único medio de estimar
soluciones para problemas complejos. Así, en la actualidad es posible enco
ntrar modelos que hacen uso de simulación MC en las áreas informática, emp
resarial, económica, industrial e incluso social. En otras palabras, la simulaci
ón de Monte Carlo está presente en todos aquellos ámbitos en los que el com
portamiento aleatorio o probabilístico desempeña un papel fundamental ‐
precisamente, el nombre de Monte Carlo proviene de la famosa ciudad de Món
aco, donde abundan los casinos de juego y donde el azar, la probabilida
d y el comportamiento aleatorio conforman todo un estilo de vida.
Son muchos los autores que han apostado por utilizar hojas de cálculo
para realizar simulación MC. La potencia de las hojas de cálculo reside
en su universalidad, en su facilidad de uso, en su capacidad para recalcular
valores y, sobre todo, en las posibilidades que ofrece con respecto al análisis d
e escenarios (“what‐
if analysis”). Las últimas versiones de Excel incorporan, además, un lenguaj
e de programación propio, el Visual Basic for Applications, con el cual es p
osible crear auténticas aplicaciones de simulación destinadas al usuario final.
En el mercado existen de hecho varios complementos de Excel (Add‐
Ins) específicamente diseñados para realizar simulación MC, siendo los más c
onocidos: @Risk, Crystall Ball, Insight.xla, SimTools.xla, etc...
2.1 Definición
4
utilización de modelos matemáticos permite: Introducir nuevas variables. Hacer
variar sus valores. Analizar las consecuencias de estas modificaciones.
2.2 Aporte
Los científicos que trabajaron con la bomba atómica utilizaron esta técnica
por primera; y le dieron el nombre de Monte Carlo, la ciudad turística de
Mónaco conocida por sus casinos. Desde su introducción durante la Segunda
Guerra Mundial, la simulación Monte Carlo se ha utilizado para modelar
diferentes sistemas físicos y conceptuales.
3. HERRAMIENTAS
5
4. VENTAJAS Y DESVENTAJAS DE USAR EL METODO DE
MONTECARLO
VENTAJAS DESVENTAJAS
Una buena simulación puede
Es un método directo y flexible.
resultar muy complicada, gran
Existe un amplio abanico de
número de variables.
programas y lenguajes
La simulación no genera
destinados a simular.
soluciones Óptimas globales.
Cuando el modelo matemático
No proporciona la decisión a
es demasiado complicado la
tomar, sino que resuelve el
simulación permite obtener una
problema mediante
aproximación.
aproximación para unas
La simulación nos permite
condiciones iniciales.
formular condiciones extremas
Cada simulación es única,
con riesgos nulos.
interviene el azar.
La simulación no interfiere con
el mundo real.
Permite experimentar. Permite
estudiar la interacción entre las
diferentes variables del
problema.
Mediante la simulación
podemos “influir en el tiempo”
de los procesos.
La simulación permite resolver
problemas que no tienen
solución analítica.
5. Métodos de simulación
6
5.1 Simulación estadística o Monte Carlo: Está basada en el muestreo
sistemático de variables aleatorias.
5.2 Simulación continua: Los estados del sistema cambian continuamente su
valor. Estas simulaciones se modelan generalmente con ecuaciones
diferenciales.
5.3 Simulación por eventos discretos: Se define el modelo cuyo
comportamiento varía en instantes del tiempo dados. Los momentos en
los que se producen los cambios son los que se identifican como los
eventos del sistema o simulación.
5.4 Simulación por autómatas celulares: Se aplica a casos complejos, en los
que se divide al comportamiento del sistema en subsistemas más
pequeños denominadas células. El resultado de la simulación está dado
por la interacción de las diversas células.
6. EL MÉTODO DE MONTECARLO
El método de Montecarlo es un método numérico que permite resolver problemas
matemáticos mediante la simulación de variables aleatorias. Aunque el problema
matemático no tenga ninguna relación con procesos aleatorios, es posible
asociarle un método probabilístico artificial y, en este sentido, se puede hablar
del método de Montecarlo, como de un método universal de cálculo; en otro
sentido, se le puede clasificar dentro de los métodos experimentales,
4 4
1
𝜙𝑖𝑗 = ∑ 𝛼𝑛 𝜙𝑛 = ∑ 𝑝𝑛 𝜙𝑛
𝛼0
𝑛=1 𝑛=1
7
Donde pn= αn/α0, y es fácil comprobar que ∑4𝑛=1 𝑝𝑛 = 1 , lo que nos permite
imaginar un proceso consistente en un “paseo al azar” por los nudos de la malla,
desde un nudo interior determinado ij, hasta el contorno. Partiendo de un nudo
P, el siguiente destino, con una probabilidad p1, será en nudo contiguo 1. Si el
punto de partida es el centro de una estrella regular, las cuatro direcciones
posibles de marcha serán equiprobables (pn=1/4). Si repetimos el paseo, a partir
de cada nudo interior, un número grande L veces, podemos estimar la
probabilidad Pij de llegar al punto j del contorno, como
𝐿𝑖𝑗
𝑃𝑖𝑗 ≈ 𝑖 = 1 … 𝑛, 𝑗 = 0 … 𝑛
𝐿
𝜙𝑖 = ∑ 𝑝𝑖𝑗 𝜙𝑗
𝑗=1
𝑝𝑖𝑗 = 𝑝1 𝑝1𝑗
𝜙𝑖 = 𝑝1 𝜙1
8
variables aleatorias, se lleva a cabo un experimento consistente en (1) generar
– con ayuda del ordenador- muestras aleatorias (valores concretos) para dichos
inputs, y (2) analizar el comportamiento del sistema ante los valores generados.
Tras repetir n veces este experimento, dispondremos de n observaciones sobre
el comportamiento del sistema, lo cual nos será de utilidad para entender el
funcionamiento del mismo –obviamente, nuestro análisis será tanto más preciso
cuanto mayor sea el número n de experimentos que llevemos a cabo.
9
8.1 Normal o curva de campana:
8.2 Lognormal: 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. Ejemplos de variables descritas por la distribución lognormal
son los valores de las propiedades inmobiliarias y bienes raíces, los
precios de las acciones de bolsa y las reservas de petróleo.
10
los costos de manufacturación o los ingresos por las ventas futuras de un
nuevo producto.
11
posibilidades de llegar a un acuerdo, y 10% de posibilidades de que se
repita el juicio.
9. BIBLIOGRAFIA
12
Rodríguez, Marcelo; González, Antonio y Bellver, Consuelo (1995) Campos
electromagnéticos, Universidad de Sevilla, España, Segunda edición.
http://www.palisade-lta.com/risk/
13