1

SIMULACION DE MONTE CARLO

PRACTICA N°3

ERIKA ADRIANA CARRILLO VARGAS

FACULTAD DE CIENCIAS Y TECNOLOGIA, UNIVERSIDAD

LATINOAMERICANA

SIMULACION

ING. JUAN CARLOS GEBHARDT L.

08/06/2022
 2

INDICE

I. INTRODUCCIÓN A LA SIMULACION
II. 1.1.¿Qué es la simulación?

III. HISTORIA DEL MÉTODO DE MONTE CARLO

IV. ¿QUÉ ES LA SIMULACIÓN MONTECARLO Y PARA QUÉ SIRVE?

V. CÓMO FUNCIONA LA SIMULACIÓN MONTE CARLO

a. Tipos de distribucion de probabilidad

VI. SIMULACIONES MONTECARLO E IBM

i. IBM Cloud Functions

ii. SPSS Statistics

VII. VENTAJAS E INCONVENIENTES DE UTILIZAR LA SIMULACIÓN DE MONTECARLO

a. Ventajas del uso de montecarlo para analizar riesgos
b. Ventajas
c. Inconvenientes

VIII. OBJETIVOS

IX. APLICACIONES

X. EJEMPLO

XI. CONCLUSIONES

XII. RECOMENDACIONES

XIII. REFERENCIAS BIBLIOGRÁFICAS

 3

INTRODUCCIÓN A LA SIMULACION

Hoy día, la simulación es ampliamente aceptada en el mundo de los negocios para predecir,
explicar y ayudar a identificar soluciones óptimas. En particular, aplicaremos la simulación Monte Carlo
a un proyecto de inversión con el fin de poder estimar el riesgo de un fracaso.

¿QUÉ ES LA SIMULACIÓN?

Simulación es el desarrollo de un modelo lógico-matemático de un sistema, de manera que se

obtenga una imitación de un proceso del sistema a través del tiempo. Por lo tanto, la simulación involucra
la generación de una historia artificial del sistema y la observación de esta historia mediante la
manipulación experimental; además, nos ayuda a inferir las características operacionales de tal sistema.
Consecuentemente resulta que la simulación es uno de los procesos cuantitativos más ampliamente
utilizados en la toma de decisiones, pues sirve para aprender lo relacionado con un sistema real mediante
la experimentación con el modelo que lo representa. Así, el objetivo consistirá en crear un entorno en el
cual se pueda obtener información sobre posibles acciones alternativas a través de la experimentación
usando la computadora. En administración, los modelos matemáticos se construyen y se utilizan para
comprobar los resultados de decisiones antes de aplicarlas a la realidad.

HISTORIA DEL MÉTODO DE MONTE CARLO

El método de Monte Carlo fue nombrado así por la cuidad de Montecarlo en Mónaco donde se
juega “la ruleta”, el juego de azar que genera resultados aleatorios. Este método surge formalmente en el
año 1944, sin embargo, ya existían prototipos y procesos anteriores que se basaban en los mismos
principios. El empleo del método de Monte Carlo para fines de investigación comenzó con el desarrollo
de la bomba atómica en la Segunda Guerra Mundial en el Laboratorio Nacional de Los Álamos. Durante
el desarrollo de este proyecto, los científicos Von Neumann y Ulam perfeccionaron la técnica y la
aplicaron a problemas de cálculo de difusión de neutrones en un material. Alrededor de 1970, los
desarrollos teóricos en complejidad computacional comienzan a proveer mayor precisión y relación para
el empleo del método Monte Carlo [1] Actualmente el método Monte Carlo a veces es usado para analizar
problemas que no tienen un componente aleatorio explícito; en estos casos un parámetro determinista del
problema se expresa como una distribución aleatoria y se simula dicha distribución. La simulación de
Monte Carlo también fue creada para resolver integrales 30 que no se pueden resolver por métodos
analíticos, para solucionar estas integrales se usaron números aleatorios. Posteriormente fue utilizado para
cualquier esquema que emplee números aleatorios, usando variables aleatorias con distribuciones de
 4

probabilidad conocidas. En el caso del comportamiento de neutrones en un medio dado, el método de

Monte Carlo es una alternativa más práctica que resolver las ecuaciones diferenciales que definen los
fenómenos a los que los neutrones están sujetos.

¿QUÉ ES LA SIMULACIÓN MONTECARLO Y PARA QUÉ SIRVE?

La simulación de Monte Carlo, también conocida como el Método de Monte Carlo o

una simulación de probabilidad múltiple, es una técnica matemática que se utiliza para estimar los
posibles resultados de un evento incierto.

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:

 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.
 5

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

La simulación Monte Carlo proporciona una serie de ventajas sobre el análisis determinista o “estimación
de un solo punto”:
 6

 Resultados probabilísticos. Los resultados muestran no sólo lo que puede suceder, sino lo

probable que es un resultado.
 Resultados gráficos. Gracias a los datos que genera una simulación Monte Carlo, es fácil
crear gráficos de diferentes resultados y las posibilidades de que sucedan.  Esto es
importante para comunicar los resultados a otras personas interesadas.
 Análisis de sensibilidad. Con sólo unos pocos resultados, en los análisis deterministas es
más difícil ver las variables que más afectan el resultado.  En la simulación Monte Carlo,
resulta más fácil ver qué variables introducidas tienen mayor influencia sobre los
resultados finales.
 Análisis de escenario. En los modelos deterministas resulta muy difícil modelar
diferentes combinaciones de valores de diferentes valores de entrada, con el fin de ver los
efectos de situaciones verdaderamente diferentes.  Usando la simulación 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 análisis.
 Correlación de variables de entrada. En la simulación Monte Carlo es posible modelar
relaciones interdependientes entre diferentes variables de entrada.  Esto es importante
para averiguar con precisión la razón real por la que, cuando algunos factores suben, otros
suben o bajan paralelamente.

SIMULACIONES MONTECARLO E IBM

Aunque puede realizar simulaciones Montecarlo con distintas herramientas, como Microsoft
Excel, se recomienda tener un sofisticado programa de software estadístico, como IBM SPSS Statistics,
que está optimizado para el análisis de riesgos y las simulaciones Montecarlo. IBM SPSS Statistics es una
potente plataforma de software estadístico con un sólido conjunto de características que permite a su
organización extraer información procesable de sus datos.

Con SPSS Statistics podrá:

 Analice y conozca mejor sus datos y resuelva problemas de negocio e investigación

complejos mediante una interfaz fácil de utilizar.
 Comprender más rápidamente conjuntos de datos de gran tamaño y complejidad con
procedimientos estadísticos avanzados que ayudan a garantizar una toma de decisiones de
alta precisión y calidad.
 7

 Utilice extensiones, Python y el código de lenguaje de programación R para integrarse

con software de código abierto.
 Seleccionar y gestionar más fácilmente el software con opciones de despliegue flexibles.

Por ejemplo, utilizando el módulo de simulación en SPSS Statistics, puede simular varios
importes de presupuesto de publicidad y ver su efecto en las ventas totales. Dependiendo del resultado de
la simulación, podrá decidir gastar más en publicidad para cumplir con su objetivo de ventas totales.
Puede encontrar más información sobre cómo utilizar las simulaciones Montecarlo de IBM SPSS
Statistics aquí (enlace externo a IBM).

IBM Cloud Functions también es muy útil en las simulaciones Montecarlo. IBM Cloud Functions
es una plataforma sin servidor de funciones como servicio que ejecuta código como respuesta a sucesos
de entrada. Utilizando las funciones de IBM Cloud, se ha realizado una simulación Montecarlo completa
en solo 90 segundos con 1000 invocaciones simultáneas.

VENTAJAS E INCONVENIENTES DE UTILIZAR LA SIMULACIÓN DE MONTECARLO

Ventajas del uso de montecarlo para analizar riesgos

Básicamente, el método Montecarlo de simulación sirve para predecir intentando imitar el

comportamiento de una acción y como podría evolucionar. Este método proporciona una gran cantidad de
posibles escenarios en muy poco [Link] método en análisis de riesgos es directo y flexible.
Además, gracias a la simulación se permiten formular condiciones extremas para observar cómo se podría
hacer frente a la situación. No interfiere en la realidad y permite estudiar los problemas y las diferentes
variables que lo provocan.

Ventajas

 Genera múltiples posibilidades de escenarios futuros, por lo que nos ayuda a entender qué
puede pasar y tendremos una estimación del rendimiento del proyecto o inversión.
 Cuando lo utilizamos en sistemas de trading, nos puede ayudar a darnos cuenta de que el
sistema no es útil o va a dejar de serlo.
 Permite analizar el riesgo de la inversión, ya que obtendremos aproximaciones de las
probabilidades de éxito y fracaso.
 8

 Una ventaja de la simulación Monte Carlo es el uso del muestreo Latino Hipercúbico, que
muestrea con mayor precisión a partir de un rango completo de funciones de distribución.

Inconvenientes

 Si el sistema opera con datos que no se han llegado a actualizar con respecto a la
situación actual, puede que las conclusiones finales que saquemos no sean correctas.
 En casos donde la relación entre variables pueda modificar el resultado final del proyecto
o inversión, la simulación de Montecarlo no nos va a ser de ayuda, ya que no tiene en
cuenta la dependencia entre los datos.

En muestras poco representativas no tiene sentido aplicarlo, ya que los resultados finales serán
tan poco fiables como la muestra inicial.

Construcción de la SMC De acuerdo a Vélez (2003), Jorion (2006), Molina (2011) y Medina y
Restrepo (2013) los pasos a seguir para la aplicación de la simulación Monte Carlo; adaptados
para la construcción del modelo de decisión el Estado de Resultados, son los siguientes:

 Identificar para cada una de las variables estocásticas las distribuciones de probabilidad
con sus debidos parámetros. Esto son los volúmenes de producción o de venta por tipo de
servicio o producto. Calcular las correlaciones entre las variables independientes.
 Incluir posibles dependencias entre las variables. Construir el modelo para proyectar el
Estado de Resultados, donde se presenten las relaciones matemáticas entre los ingresos,
costos, gastos y unidades vendidas para calcular los diferentes tipos de utilidad y la
contribución marginal. Generar números aleatorios o pseudoaleatorios.
 Alimentar los procesos estocásticos o las distribuciones de probabilidad inversas con los
números aleatorios. Calcular el número de simulaciones. Entre más grande sea la
cantidad de simulaciones es mejor, esto basado en la ley de los grandes números. Cada
corrida es un escenario posible y consistente basado en los supuestos establecidos en el
modelo. Cada resultado debe ser guardado. Realizar el análisis de estadística descriptiva,
esto es: calcular la media, la varianza, la probabilidad de que el resultado asuma ciertos
valores, histograma, entre otros. Hacer un análisis de sensibilidad, Puede ayudarse con el
gráfico de tornados para identificar cual variable independiente del modelo al tener un
cambio es la que más afecta la variable dependiente.

Entre los análisis más importantes a la hora de construir modelos de simulación figuran los
análisis de sensibilidad, que permiten medir el efecto de los factores de riesgo sobre las utilidades.
 9

(Medina & Restrepo, 2013) Debido a su importancia para la creación de escenarios con base en la
probabilidad de ocurrencia de los resultados, se espera que la simulación Monte Carlo sea una
poderosa herramienta para la proyección de los resultados financieros de las organizaciones en
tres condiciones básicas de los análisis de sensibilidad: primero el escenario de normalidad o el
más probable, segundo el escenario de adversidad o el más negativo, y por último el escenario
óptimo, próspero o el más positivo.

Dado las herramientas computacionales que se tienen hoy disponibles en el medio, ejecutar los
pasos anteriores es sencillo.

La SMC se puede realizar solamente con Excel siempre que las distribuciones de
probabilidad de las variables independientes están parametrizadas como funciones en dicha
aplicación, tal como ocurre en el estudio de caso a presentar, de lo contrario, se recomienda
utilizar complementos de Excel como es el caso del @risk, el Cristal Ball o el Sens It, o softwares
estadísticos como el Statgraphics, Minitab, Stata, entre otros.

OBJETIVOS

El objetivo principal de la simulación de Montecarlo es intentar imitar el comportamiento de

variables reales para, en la medida de lo posible, analizar o predecir cómo van a evolucionar.

APLICACIONES

El método de Montecarlo, además de ser utilizado en la gestión de proyectos (estimación de la

duración y costes) tiene otras muchas aplicaciones en diferentes sectores.

 Ciencias físicas: Diseño de escudos térmicos y formas aerodinámicas. Astrofísica.

Predicción meteorológica.
 Ingeniería: Microelectrónica, robótica, telecomunicaciones.
 Cambio climático.
 Biología computacional.
 Gráficos por computador: Rendering escenas 3D mediante el rastreo aleatorio de
muestras.
 Estadística aplicada: Test de hipótesis, Generación de escenarios/muestras según
distribuciones teóricas.
 Inteligencia artificial para juegos: Búsqueda del mejor movimiento en un videojuego.
 Diseño y visualización: Modelo virtuales 3D.
 Búsqueda y rescate: Cálculo de ubicaciones probables de buques para búsqueda y rescate.
 10

 Derecho: Reducción del riesgo de agresiones.

 Uso en Matemáticas: Integración y cálculo de superficies.
 Simulación y optimización: Optimización numérica. Ajedrez computacional,
optimización de rutas.

 El método Monte Carlo aplicado al transporte de radiación. En la actualidad,

prácticamente todas las áreas recurren al uso de computadores para resolver problemas
importantes, tanto de índole social, económica, de ingeniería, de ciencia básica, aplicada,
etc.
 La simulación Monte Carlo en física médica se utiliza para resolver problemas diversos,
como estudiar y reconstruir imágenes de pacientes tomadas con equipos digitales, realizar
cálculos de carcinogénesis, obtener espectros de salida de unidades de terapia,
caracterizar detectores de radiación y fuentes de radiación ionizante de todo tipo.

EJEMPLO

El presente ejmplo será presentado y expuesto mediante Power Point el 13/06/2022 en la clase de
“Simulacion de Sistemas” por la estudiante Adriana Carrillo Vargas.

CONCLUSIONES

El estudio realizado permite establecer las siguientes conclusiones:

1) El método de Monte Carlo permite obtener soluciones probabilísticas para ecuaciones donde
no es satisfactorio utilizar un método determinístico por falta de precisión en los datos de
entrada.
 11

2) Es muy recomendable hacer uso de un computador para aplicar el método de Monte Carlo.
Éste puede realizar las cientos o miles de simulaciones necesarias en pocos segundos y con la
cantidad de cifras decimales necesarias.
3) Es muy importante escoger el software indicado para realizar la simulación. Los software de
amplio uso como Microsoft Excel permiten realizar simulación de Monte Carlo con muchas
ecuaciones distintas, sin embargo la preparación previa es un proceso engorroso y simular
muchas veces es lento. Por otro lado los software de uso exclusivo como MCP que se diseñó
para este Trabajo tienen definidas las ecuaciones con las que trabajan, sin embargo son
rápidos en la preparación previa y en las simulaciones. Existen también paquetes de software
de nivel intermedio, que toman ventajas de los dos anteriores, aunque en algunos casos es
necesaria la capacitación previa del usuario.
4) El análisis de resultados puede ser tan preciso como el usuario lo desee, desde simplemente
tomar la media o los límites, hasta escoger un resultado con probabilidades de ocurrencia de
distintos rangos de la variable simulada.

RECOMENDACIONES

Con base en los resultados de éste estudio y sus conclusiones, surgen las siguientes
recomendaciones:

1. Considerar el uso de una simulación de Monte Carlo siempre que no se cuente con
información precisa de las variables de una ecuación para obtener una mejor apreciación de
los posibles resultados.
2. Escoger el software que se utilizará para realizar la simulación considerando la ecuación a
utilizar, el número de simulaciones que se desean y el tiempo con el que se dispone.
3. Escoger el número de simulaciones de acuerdo a los datos de entrada, mientras más variables
tenga la ecuación y mientras mas dispersas estén las mismas, más simulaciones serán
necesarias.
4. No abusar del uso de Monte Carlo. Debe tenerse siempre en cuenta que esta es una
herramienta probabilística y los análisis que se hagan con ella deben reflejar que se trata de
una probabilidad.
 12

REFERENCIAS BIBLIOGRÁFICAS

Métodos Cuantitativos de Organización Industrial. Obtenido de Simulación, Método Monte

Carlo: [Link] Vanalle, R.,
Lucato, W., Vieira, M., & Sato, I. (2012). Uso de la Simulación Monte Carlo para la toma de
decisiones en una línea de montaje de una fábrica. Información Tecnológica, 23(4), 33-44.
doi:10.4067/S0718-07642012000400005 Velásquez, S., & Velásquez, R. (Septiembre de 2012).
Modelado con variables aleatorias en simulink utilizando simulación montercarlo. Universidad,
Ciencia y Tecnología, 16(64), 203-211. Vélez, I. (2003). Research Gate. Recuperado el 30 de
Abril de 2016, de Análisis de inversiones bajo riesgo: simulación:
[Link]
mulacion_Including_the_Risk_in_the_Analysis_Montecarlo_Vergara Schmalbach, J. C. (2005).
Aplicación de la simulación montecarlo en la planeación financiera. Revista Panorama
Económico, 13, 124-130. Wiedeman, A., Hager, P., & Roehrl, A. (2003). Risk Net. Recuperado
el 15 de Abril de 2016, de Integrated Risk Management with Cash-Flow-at Risk:
[Link]