Nombre: Cristian Andrés Duarte Sandoval

Código: 20171377004

TRABAJO DE CONSULTA: SIMULACIÓN DE MONTECARLO

La simulación de Montecarlo es una técnica matemática computarizada que permite

tener en cuenta el riesgo en análisis cuantitativos y tomas de decisiones. Ofrece
una serie de posibles resultados, así como la probabilidad de que se produzcan
según las medidas tomadas.
Los inicios de esta técnica se remontan a los científicos que trabajaron con la
bomba; y le dieron el nombre de Monte Carlo, por 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.
El método de Montecarlo permite resolver problemas matemáticos mediante la
simulación de variables aleatorias. Se simula múltiples ocasiones un evento y se
observa su resultado. Sirve cuando hay dos o más variables que se comportan de
manera independiente.

Ventajas:
 Es un método directo y flexible.
 Existe un amplio abanico de programas y lenguajes destinados a simular.
 Cuando el modelo matemático es demasiado complicado la simulación
permite obtener una aproximación.
 La simulación nos permite formular condiciones extremas con riesgos nulos.
 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.
Desventajas:
 Una buena simulación puede resultar muy complicada, gran número de
variables.
 La simulación no genera soluciones óptimas globales.
 No proporciona la decisión a tomar, sino que resuelve el problema mediante
aproximación para unas condiciones iniciales.
  Cada simulación es única, interviene el azar

Precisión en el Cálculo
El procedimiento de Montecarlo tiene N puntos aleatorios de los que N′ resultan
corresponder al área que deseamos calcular.

𝑁′
𝑆=𝐴∗
𝑁
A: área
S: es proporcional a la probabilidad de que un punto aleatorio caiga en la superficie
Para estimar la probabilidad se hace uso de:

𝑁′
𝑝=
𝑁
Que será la probabilidad de N′ éxitos en N intentos y que viene dada por la
distribución binomial:

𝑁 𝑁′
𝑃(𝑁 ′ 𝑎𝑐𝑖𝑒𝑟𝑡𝑜𝑠 𝑒𝑛 𝑁) = ( ′) ∗ 𝑃 ∗ 𝑞 𝑁−𝑁′
𝑁

La importancia actual del método Montecarlo se basa en la existencia de problemas

que tienen difícil solución por métodos exclusivamente analíticos o numéricos, pero
que dependen de factores aleatorios o se pueden asociar a un modelo probabilística
artificial (resolución de integrales de muchas variables, minimización de funciones,
etc.). Gracias al avance en diseño de los ordenadores, cálculos Montecarlo que en
otro tiempo hubieran sido inconcebibles, hoy en día se presentan como asequibles
para la resolución de ciertos problemas. En estos métodos el error ~ 1/√N, donde N
es el número de pruebas y, por tanto, ganar una cifra decimal en la precisión implica
aumentar N en 100 veces. La base es la generación de números aleatorios de los
que nos serviremos para calcular probabilidades. Conseguir un buen generador de
estos números así como un conjunto estadístico adecuado sobre el que trabajar son
las primeras dificultades con la nos vamos a encontrar a la hora de utilizar este
método.
Estimación del tamaño de la muestra

Para determinar el tamaño de la muestra, se empezará utilizando un número no

demasiado elevado de simulaciones, que se sustituirán en el modelo matemático
seleccionado, y se calculará la media y la desviación típica correspondiente al
mismo. A continuación, se irá ampliando el tamaño de la muestra hasta que la media
y la desviación típica no varíen significativamente en relación con los resultados
obtenidos con la muestra anterior.

Etapas del proceso de simulación

 Definición, descripción del problema. Plan.

 Formulación del modelo.
 Programación.
 Verificación y Validación del modelo.
 Diseño de experimentos y plan de corridas.
 Análisis de resultados

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 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.
 BIBLIOGRAFÍA

 Licesio J. Rodríguez-Aragón. Simulación, Método de Montecarlo. Tomado

de:
https://previa.uclm.es/profesorado/licesio/Docencia/mcoi/Tema4_guion.pdf
 Julio A. Sarmiento S., MODELOS DE SIMULACIÓN, tomado de:
http://www.javeriana.edu.co/decisiones/Julio/presentaciones/simulacion.pdf
 Ybnias E. Grijalva Y. , METODOS CUANTITATIVOS PARA LOS
NEGOCIOS, tomado de:
https://uplamcdn.files.wordpress.com/2009/04/libro-cap-08.pdf