ÍNDICE

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

Bajo el nombre de Método Monte Carlo o Simulación Monte Carlo se agrupan u

na serie de procedimientos que analizan distribuciones de variables aleatori
as usando simulación de números aleatorios. El Método de Monte Carlo
da solución a una gran variedad de problemas matemáticos haciendo ex
perimentos con muestreos estadísticos en una computadora. El método e
s aplicable a cualquier tipo de problema, ya sea estocástico o determinístico.

Generalmente en estadística los modelos aleatorios se usan para simular fe

nómenos 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 s
uceso aleatorio o pseudo‐aleatorio se usa para estudiar el modelo.

La simulación ha adquirido en la actualidad un papel de gran importancia para la

actividad industrial en todos los sectores, cada vez desarrollan más simuladores
de procesos industriales, inversiones de capital, operaciones quirúrgicas,
misiones espaciales y un largo etcétera, cada vez hay más compañías de todos
los sectores que utilizan la simulación para llevar a cabo su actividad ya que
permiten conocer de antemano el resultado de una práctica o sistema antes de
ponerlo en funcionamiento.

El desarrollo de herramientas específicas de aprendizaje mediante la utilización

de las últimas tecnologías, y a su vez el avance en materia de diseño de
metodologías de evaluación, análisis y validación de interfaces de usuario, han
supuesto un gran progreso en el control de riesgo y reducción de los accidentes.
A su vez, permiten la investigación en diferentes campos del comportamiento
humano en situaciones adversas.

Utilizando simuladores con fines formativos se obtiene mayor rendimiento y una

notable reducción del riesgo de accidentes haciendo del trabajo una actividad
mucho más segura y efectiva.

En el presente trabajo profundizaremos en la simulación del método de

Montecarlo y su simulación.

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. ¿QUE ES LA SIMULACIÓN MONTE CARLO?

2.1 Definición

Podríamos decir que simular tiene como objetivo duplicar características y

comportamientos propios de un sistema real. Simularemos problemas
relacionados con la Organización Industrial a través de la construcción de
modelos matemáticos que representen de forma fidedigna la realidad. La

4
utilización de modelos matemáticos permite: Introducir nuevas variables. Hacer
variar sus valores. Analizar las consecuencias de estas modificaciones.

La simulación Montecarlo es una técnica matemática computarizada que permite

tener en cuenta el riesgo en análisis cuantitativos y tomas de decisiones. Esta
técnica es utilizada por profesionales de campos tan dispares como los de
finanzas, gestión de proyectos, energía, manufacturación, ingeniería,
investigación y desarrollo, seguros, petróleo y gas, transporte y medio ambiente.

La simulación Monte Carlo ofrece a la persona responsable de tomar las

decisiones una serie de posibles resultados, así como la probabilidad de que se
produzcan según las medidas tomadas. Muestra las posibilidades extremas los
resultados de tomar la medida más arriesgada y la más conservadora así como
todas las posibles consecuencias de las decisiones intermedias.

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.

2.3 Objetivo: Toma optima de decisiones.

3. HERRAMIENTAS

La simulación permite abordar desde problemas sencillos hasta problemas muy

complicados. Algunos de estos problemas permiten una solución “a mano”
aunque la mayoría de los casos requieren el uso de ordenadores. Hasta la
aparición de los primeros ordenadores en los años 40 y 50, la simulación aun
conociéndose no pudo ser aplicada de forma satisfactoria.

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,

Puesto que no resuelve directamente las

ecuaciones, si no que se genera el proceso
aleatorio simple.

La ecuación (5.7) para pij= 0, se escribe

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

Donde Lij es el número de paseos que, partiendo de i, han terminado en j.

La media pesada de los potenciales de los nudos del contorno es

𝜙𝑖 = ∑ 𝑝𝑖𝑗 𝜙𝑗
𝑗=1

Esto es fácil de comprobar, porque para llegar al punto del contorno j, es

necesario pasar por 1, es p1, luego

𝑝𝑖𝑗 = 𝑝1 𝑝1𝑗

De donde se deduce que

𝜙𝑖 = 𝑝1 𝜙1

Es decir, los 𝜙 cumplen la ecuación en diferencias (5.10), y además en el

contorno 𝜙𝑗 = 𝜙𝑗 porque dichos nudos son final de trayecto.

7. ¿CUAL ES LA CLAVE DE LA SIMULACION MONTE CARLO?

La clave de la simulación MC consiste en crear un modelo matemático del

sistema, proceso o actividad que se quiere analizar, identificando aquellas
variables (inputs del modelo) cuyo comportamiento aleatorio determina el
comportamiento global del sistema. Una vez identificados dichos inputs o

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.

8. ¿CÓMO FUNCIONA LA SIMULACIÓN MONTE CARLO?

La simulación Monte Carlo realiza el análisis de riesgo con la creación de

modelos de posibles resultados mediante la sustitución de un rango de valores
una distribución 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 número de incertidumbres y de los rangos especificados, para
completar una simulación Monte Carlo puede ser necesario realizar miles o
decenas de miles de recálculos. La simulación Monte Carlo produce
distribuciones de valores de los resultados posibles.

El análisis de riesgo se puede realizar cualitativa y cuantitativamente. El análisis

de riesgo cualitativo generalmente incluye la evaluación instintiva o “por
corazonada” de una situación, y se caracteriza por afirmaciones como “Eso
parece muy arriesgado” o “Probablemente obtendremos buenos resultados”. El
análisis de riesgo cuantitativo trata de asignar valores numéricos a los riesgos,
utilizando datos empíricos o cuantificando evaluaciones cualitativas. Vamos a
concentrarnos en el análisis 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 más realista de describir la
incertidumbre en las variables de un análisis de riesgo. Las distribuciones de
probabilidad más comunes son:

9
8.1 Normal o curva de campana:

El usuario simplemente define la media o valor esperado y una desviación

estándar para describir la variación con respecto a la media. Los valores
intermedios cercanos a la media tienen mayor probabilidad de
producirse. Es una distribución simétrica y describe muchos fenómenos
naturales, como puede ser la estatura de una población. Ejemplos de
variables que se pueden describir con distribuciones normales son los
índices de inflación y los precios de la energía.

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.

8.3 Uniform: Todos los valores tienen las mismas probabilidades de

producirse; el usuario sólo tiene que definir el mínimo y el
máximo. Ejemplos de variables que se distribuyen de forma uniforme son

10
 los costos de manufacturación o los ingresos por las ventas futuras de un
nuevo producto.

8.4 Triangular: El usuario define los valores mínimo, más probable y

máximo. Los valores situados alrededor del valor más probable tienen
más probabilidades de producirse. Las variables que se pueden describir
con una distribución triangular son el historial de ventas pasadas por
unidad de tiempo y los niveles de inventario.

8.5 PERT: El usuario define los valores

mínimo, más probable y máximo,
como en la distribución
triangular. Los valores
situados alrededor del más
probable tienen más probabilidades de producirse. Sin embargo, los
valores situados entre el más probable y los extremos tienen más
probabilidades de producirse que en la distribución triangular; es decir,
los extremos no tienen tanto peso. Un ejemplo de uso de la distribución
PERT es la descripción de la duración de una tarea en un modelo de
gestión de un proyecto.
8.6 Discrete: El usuario define los valores específicos que pueden ocurrir y la
probabilidad de cada uno. Un ejemplo podría 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

11
 posibilidades de llegar a un acuerdo, y 10% de posibilidades de que se
repita el juicio.

Durante una simulación Monte Carlo, los valores se muestrean aleatoriamente a

partir de las distribuciones de probabilidad introducidas. Cada grupo de
muestras se denomina iteración, y el resultado correspondiente de esa muestra
queda registrado. La simulación Monte Carlo realiza esta operación cientos o
miles de veces, y el resultado es una distribución de probabilidad de posibles
resultados. De esta forma, la simulación Monte Carlo proporciona una visión
mucho más completa de lo que puede suceder. Indica no sólo lo que puede
suceder, sino la probabilidad de que suceda.

9. BIBLIOGRAFIA

 MARTIN, Sonia (2015) Simulación de monte carlo (consulta: 05 julio de 2015)

( http://www.expansion.com/diccionario-economico/simulacion-de-monte-
carlo.html)

 RODRIGUEZ-ARAGON, Licesio (2011) Simulación, Método de Montecarlo (consulta: 05

julio de 2015)
(https://www.uclm.es/profesorado/licesio/Docencia/mcoi/Tema4_guion.p
df)
 FAULÍN, Javier y JUAN, Ángel A. (2002) Simulación de Monte Carlo con Excel (consulta:
05 julio de 2015) (http://www.uoc.edu/in3/emath/docs/Simulacion_MC.pdf )
 GRIJALVA, Ybnias (2009) Introducción al método de simulación monte carlo (consulta:
05 julio 2015) (https://uplamcdn.files.wordpress.com/2009/04/libro-cap-08.pdf )

12
 Rodríguez, Marcelo; González, Antonio y Bellver, Consuelo (1995) Campos
electromagnéticos, Universidad de Sevilla, España, Segunda edición.
 http://www.palisade-lta.com/risk/

13