SIMULACIÓN

M.C JUAN FRANCISCO

ROCHA AGUILAR
 Numeros pseudoaleatorios

Método de MONTECARLO
Definición.
Método estadístico utilizado para resolver problemas matemáticos
complejos a traves de la generación de variables aleatorias.
Es decir, al azar. Haciendo tantos intentos hasta tener números mas
cercanos.
Origen.
 Numeros pseudoaleatorios

Método de MONTECARLO
Simulación
Repetir o duplicar las características y comportamientos de un sistema
real.

Objetivo del método de Montecarlo.

Imitar el comportamiento de variables reales para, en la medida de los
posible, analizar o predecir cómo van a evolucionar.
 Numeros pseudoaleatorios

Método de MONTECARLO
A través de la simulación se puede resolver desde problemas sencillos,
hasta problemas muy complejos.

La mayoría requieren el uso de programas informáticos como Excel, R

Studio, Matlab o el uso de lenguajes de programación general.
 Numeros pseudoaleatorios

Método de MONTECARLO
¿Para que se utiliza la simulación de Montecarlos?

En economía la simulación de Montecarlos se utiliza tanto en

empresas como en inversión.

 Crear, valorar y analizar carteras de inversión.

 Valorar productos financieros complejos como las opciones
financieras.
 Numeros pseudoaleatorios

Método de MONTECARLO
¿Para que se utiliza la simulación de Montecarlos?

La rentabilidad de una inversión es impredecible por lo que se utiliza

este tipo de métodos para evaluar distintos tipos de escenarios.

Los movimientos de una acción no se pueden predecir. Se pueden

estimar, pero es imposible hacerlo con exactitud.
 Numeros pseudoaleatorios

Método de MONTECARLO
El método de Montecarlo en este contexto se utiliza para imitar el
comportamiento de una acción o de un conjunto de ellas para analizar
como podría evolucionar

Una vez simulada, se extrae una cantidad muy grande de los

escenarios posibles.
 PRACTICA

Método de MONTECARLO
Ejemplo Práctico básico de desarrollo..
Aproximación al numero

Pasos
 Dibujar un cuadrado.
 Dentro del cuadrado dibujar un circulo
de diámetro L.
 Generar números aleatorios. Por ruleta,
ordenador o algún otro método.
 Puedo lanzar una piedra u objeto
pequeño o conjunto de objetos
pequeños (muchos).
 Anotar si cae dentro o fuera del circulo.
 PRACTICA

Método de MONTECARLO
Ejemplo Práctico básico de desarrollo..
Aproximación al numero

Pasos Superficie = 4
 Dibujar un cuadrado.
 Dentro del cuadrado dibujar un circulo
de diámetro L.
 Generar números aleatorios. Por ruleta,
ordenador o algún otro método.
 Puedo lanzar una piedra u objeto
pequeño o conjunto de objetos
pequeños (muchos). Superficie =
 Anotar si cae dentro o fuera del circulo.
 PRACTICA

Método de MONTECARLO
Ejemplo Práctico básico de desarrollo..
Aproximación al numero

Superficie = 4
SupCirculo/SupCuadrado
=

Si hago
1000 lanzamientos
Superficie =

) * 1000

Caerán dentro del circulo

 PRACTICA

Método de MONTECARLO
Ejemplo Práctico básico de desarrollo..
Aproximación al numero
 Numeros pseudoaleatorios

3.2. Ejemplo de una simulación tipo

Montecarlo, en hoja de cálculo

Son muchos los autores que han apostado por utilizar hojas de cálculo para
realizar simulación Monte Carlo [1, 6, 7]. 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 de escenarios (“what-if anaylisis”). Las últimas versiones de Excel
incorporan, además, un lenguaje de programación propio, el Visual Basic for
Applications, con el cual es posible 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 Monte
Carlo, siendo los más conocidos: @Risk, Crystall Ball, [Link],
[Link], etc. [W2 – W5].
 Numeros pseudoaleatorios

3.2. Ejemplo de una simulación tipo

Montecarlo, en hoja de cálculo
Conceptos Fundamentales

La función ALEATORIO() de Excel

Las hojas de cálculo como Excel (y cualquier lenguaje de programación
estándar) son capaces de generar números pseudo-aleatorios provenientes de una
distribución uniforme entre el 0 y el 1. Este tipo de números pseudo-aleatorios
son los elementos básicos a partir de los cuales se desarrolla cualquier
simulación por ordenador. En Excel, es posible obtener un número pseudo-
aleatorio -proveniente de una distribución uniforme entre el 0 y el 1- usando la
función ALEATORIO:
 Numeros pseudoaleatorios
3.2. 1.- Descripción y conceptualización de la simulación,
establecer el problema, especificación del objetivo(s), definición de
indicadores, simulación y determinación de la muestra.
 Numeros pseudoaleatorios
3.2. 1.- Descripción y conceptualización de la simulación,
establecer el problema, especificación del objetivo(s), definición de
indicadores, simulación y determinación de la muestra.

La definición del problema para efectos de simulación difiere un poco de la

definición del problema para cualquier otra herramienta de análisis.
Básicamente, implica la especificación de objetivos e identificación de las
variables relevantes controlables e incontrolables del sistema que se va a
estudiar. Un ejemplo es el mercado del pescado. El objetivo del propietario de
la pescadería es maximizar la ganancia sobre la venta del pescado. La
variable relevante controlable (es decir, bajo el control de quien toma las
decisiones) es la regla que rige el pedido, mientras las variables relevantes
incontrolables son los niveles de demanda diarios de pescado y la cantidad
vendida del mismo. También se podría especificar otro objetivo posible,
como maximizar las ganancias por la venta de langosta o maximizar el
ingreso de las ventas.
 Numeros pseudoaleatorios
3.2. 1.- Descripción y conceptualización de la simulación,
establecer el problema, especificación del objetivo(s), definición de
indicadores, simulación y determinación de la muestra.

Elaboración de un modelo de simulación

Una característica que distingue a la simulación de las técnicas como la

programación lineal o la teoría de colas es el que un modelo de simulación
debe elaborarse conforme a las necesidades de cada situación de problema
(contrariamente, un modelo de programación lineal se usa en varias
situaciones con sólo restablecer los valores de la función objetivo y las
restricciones). Sin embargo, existen lenguajes de simulación que facilitan la
elaboración del modelo, los cuales se comentarán posteriormente en el
capítulo. La naturaleza única de cada modelo de simulación significa que los
procedimientos analizados en adelante para la elaboración y ejecución de un
modelo representan una síntesis de varios enfoques para la simulación y que
son lineamientos en vez de las reglas rígidas.
 Numeros pseudoaleatorios
3.2. 1.- Descripción y conceptualización de la simulación,
establecer el problema, especificación del objetivo(s), definición de
indicadores, simulación y determinación de la muestra.

Elementos a tomar en cuenta.

 Variables y parámetros.
 Especificación de las reglas de decisión.
 Especificación de las distribuciones de probabilidad
 Especificación del procedimiento para incrementar el tiempo.
 Incrementos variables.
 Numeros pseudoaleatorios
3.2. 1.- Descripción y conceptualización de la simulación,
establecer el problema, especificación del objetivo(s), definición de
indicadores, simulación y determinación de la muestra.

Evaluación de resultados

Las conclusiones que se pueden obtener de una simulación dependen del

grado en que el modelo refleja el sistema real, aunque también depende
del diseño de la simulación en un sentido estadístico. De hecho, muchos
analistas consideran la simulación como una forma de prueba de
hipótesis donde cada ejecución de simulación ofrece uno o más datos de
muestra que son susceptibles al análisis formal a través de los métodos
estadísticos inferenciales. Los procedimientos estadísticos que
normalmente se usan en la evaluación de resultados de simulación
incluyen el análisis de varianza, análisis de regresión y pruebas t. En la
mayoría de las situaciones, el análisis tiene más información disponible
con la cual comparar los resultados de simulación: datos operativos
antiguos del sistema real, datos operativos del desempeño de sistemas
semejantes y la percepción del analista de la operación del sistema real.
 Numeros pseudoaleatorios
3.2. 1.- Descripción y conceptualización de la simulación,
establecer el problema, especificación del objetivo(s), definición de
indicadores, simulación y determinación de la muestra.

Agrupamiento de datos:

Existen métodos para resumir los datos medidos u observados.

Cuando se trata de variables cualitativas donde las categorías están
determinadas, lo único que hay que hacer es contabilizar el número
de casos pertenecientes a cada categoría y normalizar en relación al
número total de casos, calculando una proporción, un porcentaje o
una razón. En cambio, cuando se trata de variables cuantitativas, el
resumen de los datos consiste en organizar tablas que sintetizan los
datos originales y se denominan distribuciones de frecuencia.
Frecuencia: es el número de veces que se presenta cada valor de la
variable.
Tabla de frecuencias: es una tabla que presenta en forma ordenada los
distintos valores de una variable y sus correspondientes frecuencias.
 Numeros pseudoaleatorios

3.2.2 Caracterización de cada indicador, agrupamiento de

datos, gráficas y estimación de parámetros.
Agrupamiento de datos:

Existen métodos para resumir los datos medidos u observados.

Cuando se trata de variables cualitativas donde las categorías están
determinadas, lo único que hay que hacer es contabilizar el número
de casos pertenecientes a cada categoría y normalizar en relación al
número total de casos, calculando una proporción, un porcentaje o
una razón. En cambio, cuando se trata de variables cuantitativas, el
resumen de los datos consiste en organizar tablas que sintetizan los
datos originales y se denominan distribuciones de frecuencia.
Frecuencia: es el número de veces que se presenta cada valor de la
variable.
Tabla de frecuencias: es una tabla que presenta en forma ordenada los
distintos valores de una variable y sus correspondientes frecuencias.
 Numeros pseudoaleatorios

3.2.2 Caracterización de cada indicador, agrupamiento de

datos, gráficas y estimación de parámetros.
Gráficas:

En general la representación gráfica de una tabla de frecuencias

permite percibir con mayor claridad algunas características de la masa
de datos que se investiga.

Por ello, a través de gráficos, resulta bastante más fácil transmitir

conclusiones a personas no habituadas a la interpretación de tablas de
frecuencias.

Para representar gráficamente una distribución de frecuencias se

utiliza un par de ejes de coordenadas. En el eje de las abscisas se
representará la variable estudiada y en el eje de las ordenadas, las
correspondientes frecuencias.
 Numeros pseudoaleatorios

3.2.3. Aumentar el tamaño de la simulación y repetir 3.2.2

-

Aumentar el tamaño de muestra y repetir: Un requerimiento lógico

para un estimador es que su precisión mejore al aumentar el tamaño
muestral. Es decir, que esperaremos obtener mejores estimaciones
cuanto mayor sea el número de individuos.

Si se cumple dicho requerimiento, diremos que un estimador es

consistente. Desde un punto de vista más riguroso diremos que un
estimador es consistente si converge en probabilidad al verdadero
valor del parámetro que queremos estimar
 Numeros pseudoaleatorios

3.2.3. Aumentar el tamaño de la simulación y repetir 3.2.2

Ejemplo:
Consideremos el caso de la estimación de la media de una población Normal (μ) y
consideraremos dos estimadores:
Estimador 1: La primera observación de la muestra (para cualquier tamaño muestral).
Estimador 2: La media aritmética de las observaciones.
Para observar el comportamiento de ambos estimadores utilizaremos el siguiente
programa que genera automáticamente diez muestras de diferentes tamaños (n = 2; 10 ;
50; 500) procedentes de una distribución Normal de parámetros (μ = 0; σ = 1). Se
tratará, por tanto, de un estudio de simulación (generamos muestras procedentes de una
determinada distribución) para comparar el comportamiento de ambos estimadores.
Recuerda que el verdadero valor del parámetro a estimar (μ) es cero y que corresponde
a la línea central en negro:

Es evidente que el estimador correspondiente a la primera observación no mejora al

aumentar el tamaño de la muestra. Mientras que la media aritmética converge hacia el
verdadero valor del parámetro (μ = 0) al aumentar el tamaño de la muestra.
En resumen: la primera observación no es un estimador consistente de μ, mientras que
la media aritmética sí que lo es.
 Numeros pseudoaleatorios

3.2.3. Aumentar el tamaño de la simulación y repetir 3.2.2

Ejemplo:
Consideremos el caso de la estimación de la media de una población Normal (μ) y
consideraremos dos estimadores:
Estimador 1: La primera observación de la muestra (para cualquier tamaño muestral).
Estimador 2: La media aritmética de las observaciones.
Para observar el comportamiento de ambos estimadores utilizaremos el siguiente
programa que genera automáticamente diez muestras de diferentes tamaños (n = 2; 10 ;
50; 500) procedentes de una distribución Normal de parámetros (μ = 0; σ = 1). Se
tratará, por tanto, de un estudio de simulación (generamos muestras procedentes de una
determinada distribución) para comparar el comportamiento de ambos estimadores.
Recuerda que el verdadero valor del parámetro a estimar (μ) es cero y que corresponde
a la línea central en negro:

Es evidente que el estimador correspondiente a la primera observación no mejora al

aumentar el tamaño de la muestra. Mientras que la media aritmética converge hacia el
verdadero valor del parámetro (μ = 0) al aumentar el tamaño de la muestra.
En resumen: la primera observación no es un estimador consistente de μ, mientras que
la media aritmética sí que lo es.