SIMULACION

MONTE CARLO
CON MS EXCEL
DOCENTE: Mg. John Zamora Cordova
Fundamentos de probabilidad para simulación.
Variables aleatorias.
Distribuciones de probabilidad.
Ley de los grandes números.
Teorema del límite central.
Principios de la simulación MonteCarlo.
Números aleatorios.
Que son los números aleatorios y pseudo-aleatorios
Generación de números aleatorios en Excel.
Generación de forma dinámica.
Generación de forma estática.
Ejercicios.
 MAPA CONCEPTUAL DEL CURSO

Modelado y Colas con

Simulación un servidor

Proyectos Simulación Colas en Series de

Inventarios
Simulación X Eventos Serie Nro. Aleato

Colas en Validación
Paralelo de Series

Generación
de VA
 MAPA CONCEPTUAL

Xi+1=(aXi+c) mod m

Números
Aleatorios

0.18
p(X = x)
0.15

0.13

0.10

Validación de
0.08

0.05

0.03

Series de NA 0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x

Parámetros

Generación de 5

Variables 4

Variables 3

U (0,1)
Aleatorias
2

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
 QUE ES LA SIMULACIÓN
MONTE CARLO?
 Método computacional usado para estudiar el comportamiento
de sistemas matemáticos, físicos o de cualquier índole, a partir
del uso de muestreo estadístico, números aleatorios y pseudo-
aleatorios.

 Es iterativo -> requiere cálculos por computador.

 Las técnicas de Monte Carlo pueden ser usadas para

encontrar soluciones aproximadas a problemas cuantitativos,
con o si incertidumbre.
 EJEMPLO 2 (CONTINUACIÓN)
Obsequio Chance

$100 25%
$200 50%
$300 25%

RUEDA DE LA RULETA

300 100

200

Cómo automatizar la ruleta ?

 EJEMPLO 1

• Un programa de televisión tiene previsto en su

programación entregar obsequios (recibidos de sus
auspiciantes) a sus invitados.

• El programa dispone en todo momento de:

• 50 obsequios de $100,
• 100 obsequios de $200 y
• 50 obsequios de $300.

• El productor dispone que cada invitado escoja al azar su

obsequio.
 EJEMPLO 2 (CONTINUACIÓN)
La idea consiste en abrir la ruleta, considerar que
300
0.3 100 sobre la circunferencia están todos los números
entre 0 y 1.
200

Generar números aleatorios(entre 0 y 1).

0.15 0.55 0.70 0.80

0 0.25 0.75 1

(0.55) 1er. Invitado se lleva $200

(0.15) 2do. Invitado se lleva $100

(0.70) 3er. Invitado se lleva $200

(0.80) 4to. Invitado se lleva $300
 EJEMPLO 2 (CONTINUACIÓN)
Obsequio Chance Frecuencia Acumulada
Relativa

$100 25% 0.25 0.25

$200 50% 0.50 0.75

$300 25% 0.25 1

0.15 0.55 0.70 0.80

0 0.25 0.75 1

Método de Montecarlo
 TRANSFORMADA INVERSA

• Sea f(x) la distribución a generar.

• Utiliza la distribución acumulada F(x) de la

distribución f(x).

• F(x)  (0-1)

• F(x) = R x = F-1 (R)

Dificultad:
• Algunas veces es difícil encontrar la transformada
inversa
 TRANSFORMADA INVERSA

F(x)
Distribución uniforme

x = F-1(R) x

f(x)

x x
 ORÍGENES
 Se atribuye a Stanislaw Ulam, matemático polaco que
trabajo para John von Neumann en el proyecto
Manhattan durante la segunda guerra mundial y
contribuyo junto con Edward Teller en el diseño de la
bomba de Hidrogeno en 1951.
 Ulam no inventó el muestreo estadístico, pero reconoció
la el potencial de los computadores electrónicos para
automatizar el proceso. Trabajando con John von
Neuman y Nicholas Metropolis, desarrollo algoritmos de
implementación y exploró formas de convertir
problemas no aleatorios en formas aleatorias para ser
solucionados via muestréo estadístico.
 Ulam y Metropolis publican el primer paper en 1949.
 En este curso, usaremos la simulación Monte
Carlo para el tratamiento de problemas y
modelos con incertidumbre.

 Partiremos de modelos matemáticos que

describan un problema o situación y a los cuales
se les incorporarán componentes probabilisticos.
Hay dos componentes que pueden generar
aleatoriedad en un modelo.

Riesgo: es un efecto aleatorio propio del

sistema bajo análisis. Se puede reducir
alterando el sistema.
Incertidumbre es el nivel de ignorancia del
evaluador acerca de los parámetros que
caracterizan el sistema a modelar. Se puede
reducir a veces con mediciones adicionales o
mayor estudio, o consulta a expertos.
La Variabilidad Total es la combinación de
riesgo e incertidumbre.
Tanto el riesgo como la incertidumbre se
describen mediante variables aleatorias que
hacen parte de las variables presentes en el
modelo.
 PARA QUE QUEREMOS
MODELAR LA VARIABILIDAD?

El riesgo no es algo que se "sufre",

el riesgo es algo que se puede
administrar.
ADMINISTRACIÓN DEL RIESGO
1. Negociar las variables negociables
2. Buscar más información
3. Aumentar el compromiso
4. Tomar precauciones adicionales
5. Compartir el riesgo
6. Transferir el riesgo
7. Formular planes de contingencia
8. No tomar medidas, asumir el riesgo
9. Cancelar el proyecto
 SIMULACIÓN MONTE CARLO
 1. Diseñar el modelo matemático que representa el
problema con incertidumbre.
 2. Especificar distribuciones de probabilidad para las
variables aleatorias relevantes.
 3. Incluir posibles dependencias entre variables.
 4. Muestrear valores de las variables aleatorias.
 5. Calcular el resultado del modelo según los valores del
muestreo y registrar el resultado.
 6. Repetir el proceso iterativamente hasta tener una
muestra estadísticamente representativa.
 7. Obtener la distribución de frecuencias del resultado
de las iteraciones.
 8. Calcular media, desvío y curva de
percentiles acumulados.
 ANALISIS DE ESCENARIOS

Debido a que la simulación monte carlo involucra la

generación de un numero alto de escenarios,
también puede ser entendida como una forma mas
completa de realizar análisis de escenarios o
análisis What-if
TIEMPO DE CONSULTAS A SERVIDORES EN
PARALELO
• Supongamos que desde un ordenador cliente se realiza consultas
SQL a base de datos situados en 2 servidores distintos. Nuestro
objetivo será estimar el tiempo esperado (tiempo medio) que
deberemos esperar para recibir la respuesta de ambos servidores.
• Dada la complejidad de la consulta que queremos realizar, y
basándonos en experiencias anteriores, se calcula que el tiempo
necesario para que cada uno de los servidores responda a la misma
sigue una distribución normal con los parámetros (media y
desviación estándar, en minutos ) que se indican a continuación.

Distribucion Media(min) Desv Est (min)

Servidor 1 Normal 20 3.4
Servidor 2 Normal 22 2.6
 INVERSIÓN INICIAL Y FLUJO DE CAJA

• Supongamos que disponemos de un capital inicial de 250 Euros que

deseamos invertir en una pequeña empresa. Supondremos también que
los flujos de caja tanto de entrada como de salida son aleatorios,
siguiendo una distribución normal. Para el primer mes, el valor esperado
del flujo de entrada es de 500 Euros, mientras que el valor esperado
para el flujo de salida es de 400 Euros. En meses posteriores, el valor
esperado será el valor obtenido en el mes anterior. Por su parte las
desviaciones estándar valdrán en todos los casos, un 25% del valor
medio(esperado) asociado.

Capital Inicial 250Euros

Flujo de caja Distribución Media Desv. Est

Entrada Normal 500 125
Salida Normal 400 100
MAPA CONCEPTUAL NUMEROS ALEATORIOS

Xi+1=(aXi+c) mod m

Tabla de Nros. Procedimientos

Fenómenos Físicos
aleatorios Matemáticos

Números
Aleatorios

Validación de Variables
Series de NA U (0,1)

Variables
Aleatorias
GENERACIÓN DE NÚMEROS ALEATORIOS
• Rol preponderante en el proceso de simulación.
• Para simular necesitamos de números aleatorios como
semillas para generar muestras de V.A.
• Características de un generador de nros aleatorios:
• 1) Muestrea valores de Distribución Uniforme.
• 2) Asegura la NO Correlación Serial.
 MÉTODO CONGRUENCIAL LINEAL (MCL)

• Los generadores congruenciales lineales generan una

serie de números pseudo - aleatorios de tal forma que
se puede generar el siguiente a partir del ultimo número
derivado, es decir, que el número X n+1 es generado a
partir de Xn.

• La relación de recurrencia para el método congruencial

mixto es:

Xn+1 = (aXn + c) mod m

Donde:
X0 = semilla (X0 >0)
a = multiplicador (a >0)
c = constante aditiva (c >0)
m = módulo (m >X0, m >a y m>c)
 MÉTODO CONGRUENCIAL LINEAL (MCL)

• Si se quiere obtener números Uniformes (0,1) se

normaliza el resultado:

Un = Xn / m

• En el MCL, si se repite un número ya se repite toda la

secuencia.

• Ventajas:
1. utiliza poca memoria y es muy rápido.
2. fácil de volver a generar la misma secuencia,
guardando un solo número, (se alcanza con partir
desde la misma semilla: X0).
 EJEMPLO
a c m
1 7 13
n X(n) a*X(n)+c [a*X(n)+c] mod m
0 7 14 1
1 1 8 8
2 8 15 2
3 2 9 9
4 9 16 3
5 3 10 10
6 10 17 4
7 4 11 11
8 11 18 5
9 5 12 12
10 12 19 6
11 6 13 0
12 0 7 7
13 7 14 1
14 1 8 8
15 8 15 2