Miguel Mauricio Delgadillo Fernndez 7 Semestre Industrial

C.I 4924515 L.P. A9711-X

SIMULACIN MONTE CARLO

1. ANTECEDENTES La invencin del mtodo de Montecarlo se asigna a Stanislaw Ulam y a John von Neumann. Ulam ha explicado cmo se le ocurri la idea mientras jugaba un solitario durante una enfermedad en 1946. Advirti que resulta mucho ms simple tener una idea del resultado general del solitario haciendo pruebas mltiples con las cartas y contando las proporciones de los resultados que computar todas las posibilidades de combinacin formalmente. Se le ocurri que esta misma observacin deba aplicarse a su trabajo de Los lamos sobre difusin de neutrones, para la cual resulta prcticamente imposible solucionar las ecuaciones ntegro-diferenciales que gobiernan la dispersin, la absorcin y la fisin. La idea consista en probar con experimentos mentales las miles de posibilidades, y en cada etapa, determinar por casualidad, por un nmero aleatorio distribuido segn las probabilidades, qu sucedera y totalizar todas las posibilidades y tener una idea de la conducta del proceso fsico. Podan utilizarse mquinas de computacin, que comenzaban a estar disponibles, para efectuar las pruebas numricas y en efecto reemplazar el aparato experimental del fsico. Durante una de las visitas de von Neumann a Los lamos en 1946, Ulam le mencion el mtodo. Despus de cierto escepticismo inicial, von Neumann se entusiasm con la idea y pronto comenz a desarrollar sus posibilidades en un procedimiento sistemtico. Ulam expres que Montecarlo comenz a tener forma concreta y empez a desarrollarse con todas sus fallas de teora rudimentaria despus de que se lo propuse a Johnny. A principios de 1947 Von Neumann envi una carta a Richtmyer a Los lamos en la que expuso de modo influyente tal vez el primer informe por escrito del mtodo de Montecarlo. Su carta fue encuadernada junto con la respuesta de Richtmyer como un informe de Los lamos y distribuida entre los miembros del laboratorio. Von Neumann sugera aplicar el mtodo para rastrear la generacin istropa de neutrones desde una composicin variable de material activo a lo largo del radio de una esfera. Sostena que el problema era adecuado para el ENIAC y estimaba que llevara 5 horas calcular la accin de 100 neutrones a travs de un curso de 100 colisiones cada uno.

Miguel Mauricio Delgadillo Fernndez 7 Semestre Industrial

C.I 4924515 L.P. A9711-X

Ulam estaba particularmente interesado en el mtodo Montecarlo para evaluar integrales mltiples. Una de las primeras aplicaciones de este mtodo a un problema determinista fue llevada a cabo en 1948 por Enrico Fermi, Ulam y von Neumann cuando consideraron los valores singulares de la ecuacin de Schrdinger.

2. FUNDAMENTO TERICO La simulacin Monte Carlo 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 Monte Carlo 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 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,

Miguel Mauricio Delgadillo Fernndez 7 Semestre Industrial

C.I 4924515 L.P. A9711-X

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.

Miguel Mauricio Delgadillo Fernndez 7 Semestre Industrial

C.I 4924515 L.P. A9711-X

Durante una simulacin Monte Carlo, 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 Monte Carlo realiza esta operacin cientos o miles de veces, y el resultado es una distribucin de probabilidad de posibles resultados. De esta forma, la simulacin Monte Carlo 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 Monte Carlo, es fcil crear grficos de diferentes resultados y las posibilidades de que sucedan. 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 Monte Carlo, 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 Monte Carlo, 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 Monte Carlo 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. Una ventaja de la simulacin Monte Carlo es el uso del muestreo Latino Hipercbico, que muestrea con mayor precisin a partir de un rango completo de funciones de distribucin. Esto es

Miguel Mauricio Delgadillo Fernndez 7 Semestre Industrial

C.I 4924515 L.P. A9711-X

3. REFERENCIAS http://es.wikipedia.org/wiki/M%C3%A9todo_de_Montecarlo (17/9/12) http://www.palisade-lta.com/risk/simulacion_monte_carlo.asp (17/9/12) http://www.abcbolsa.com/monte_carlo_con_excel.htm (17/9/12) http://www.strategyrank.com/la-simulacion-de-montecarlo-y-los-sistemasautomaticos-de-trading/ (17/9/12)