“AÑO DE LA LUCHA CONTRA LA CORRUPCION E IMPUNIDAD”

UNIVERSIDAD NACIONAL DE SAN AGUSTIN

FACULTAD DE ADMINISTRACION
ESCUELA DE ADMINISTRACION

SIMULACION DE MONTE CARLO

TEORIA DE DECISIONES

INTEGRANTES:

ALPACA CALCIN MICHELA

ZUÑIGA LAYME ESTEFANY

MOLLENDO - 2019
 SIMULACION DE MONTE CARLO

1. CONCEPTO

Bajo el nombre de Método Monte Carlo o Simulación Monte Carlo se

agrupan una serie de procedimientos que analizan distribuciones de
variables aleatorias usando simulación de números aleatorios.
El Método de Monte Carlo da solución a una gran variedad de problemas
matemáticos haciendo experimentos con muestreos estadísticos en una
computadora. El método es aplicable a cualquier tipo de problema, ya
sea estocástico o determinístico.
Generalmente en estadística los modelos aleatorios se usan para
simular fenómenos que poseen algún componente aleatorio. Pero en el
método Monte Carlo, por otro lado, el objeto de la investigación es el
objeto en sí mismo, un suceso aleatorio o pseudo-aleatorio se usa para
estudiar el modelo.
A veces la aplicación del método Monte Carlo se usa 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. Un ejemplo sería el
famoso problema de las Agujas de Bufón.
La simulación de Monte Carlo también fue creada para resolver
integrales que no se pueden resolver por métodos analíticos, para
solucionar estas integrales se usaron números aleatorios.
Posteriormente se utilizó para cualquier esquema que emplee números
aleatorios, usando variables aleatorias con distribuciones de probabilidad
conocidas, el cual es usado para resolver ciertos problemas estocásticos
y determinísticos, donde el tiempo no juega un papel importante.

2. ¿CUÁNDO SE DEBE UTILIZAR LA SIMULACIÓN?

 Puede ser difícil o imposible obtener modelos

analíticos.
 Largo plazo vs. corto plazo
3. SIMULACIÓN Y VARIABLES ALEATORIAS

Los modelos de simulación se utilizan para analizar decisiones bajo

riesgo, es decir un modelo en el cual uno o más de los factores no se
conoce con certeza.

Ese factor que no se conoce con certeza se considera una variable

aleatoria . El comportamiento de una variable aleatoria se describe
mediante una distribución de probabilidad. Este tipo de simulación se
conoce como Simulación Monte Carlo.

4. GENERACIÓN DE VARIABLES ALEATORIAS

En nuestra simulación de los modelos será necesario generar valores

para las variables aleatorias.

Ejemplo 1: Un dispositivo físico que simule la demanda de un modelo

dado de sartenes
Si las áreas de los sectores están hechas para corresponder a la probabilidad
de diferentes demandas, la aguja puede utilizarse para simular la demanda.

USO DE UN GENERADOR DE NÚMEROS ALEATORIOS (GNA) EN UNA

HOJA DE CÁLCULO

Para generar una demanda para un modelo en particular, primero se necesita

asignar un rango de números aleatorios a cada demanda posible.

Número Deman
aleatorio da
0-0.1 8
0.1-0.3 9
0.3-0.6 10
0.6-0.8 11
0.8-0.9 12
El único requisito para
una asignación correcta es que la proporción de números asignados a una
demanda sea igual a la probabilidad de la misma.

EJEMPLO 2: Tenemos la siguiente distribución de probabilidades para una

demanda aleatoria y queremos ver que sucede con el promedio de la demanda
en varias iteraciones.
 1004D000
.. .2e
...
4m
05a421
12

Frecuencia
00000
04n
8
05d
. 15a
84
0U
0n
.i
6d
0a
d
Utilizando la distribución
0e acumulada(F(x) es la probabilidad que la variable
.s
aleatoria tome valores menores o iguales a x) podemos determinar cual es el
4
valor obtenido de 0unidades cuando se genera un número aleatorio a partir de
0
una distribución continua uniforme. Este método de generación de variable
.
aleatoria se llama Transformación
2 Inversa.
0
0
Frecuenci
. Unida Frecue
a
0 des ncia Acumulad
01004D 000 a
...2e... 42 0.10 0.10
4m
0125a421 45 0.20 0.30
004000
0n 48 0.40 0.70
8
05 d 51 0.20 0.90
. 15a 54 0.10 1.00
84
0U
Generando los valores0n aleatorios vamos a ver como se obtiene el valor de la
.i
demanda para cada 6d día, interesándonos en este caso como es el orden de
0a
aparición de los valores. Se busca el número aleatorio generado en la tabla de
d
0e
probabilidades acumuladas, una vez
.s
Encontrado ( si no 4 es el valor exacto, éste debe se menor que el de la fila
0
seleccionada pero mayor que el de la fila anterior), de esa fila tomada como
0
solución se toma . el valor de las unidades (Cuando trabajamos en Excel
2
debemos tomar el límite inferior del intervalo para busca en las acumuladas,
0
para poder emplear 0 la función BUSCARV(), para 42 sería 0, para 43 0,100001
y así sucesivamente).. Ejemplo: Supongamos que el número aleatorio generado
0
sea 0,52, ¿a qué valor
0 de unidades corresponde? Nos fijamos en la columna
de frecuencias acumuladas, ese valor exacto no aparece, el siguiente mayor es
0,70 y corresponde a 48 unidades.
Se puede apreciar mejor en el gráfico, trazando una recta desde el eje de la
frecuencia hasta que intersecta con la línea de la función acumulada, luego se
baja a la coordenada de unidades y se obtiene el valor correspondiente; en
este caso 48.
Cuando trabajamos con variables discretas la función acumulada tiene un
intervalo o salto para cada variable( para
casos prácticos hay que definir los intervalos y luego con una función de
búsqueda hallar el valor). Para funciones continuas se puede hallar la inversa
de la función acumulada.

140D 0405051
.8. 1. 4.
. 2. e
241m 3790
0500U 000
an
1 ni
. dd
0 aa
0 d
e
0 s
.
8
0
0
De esta forma logramos
.
6
a partir de la distribución de densidad calcular los
valores de la variable
0 aleatoria dada:
0
0
. Número Númer Valor
4 de os de la
, Simulac aleator Demand
5 ión ios a
0
1 0. 5
2 9 4
2
0
. 2 0. 5
2 7 1
0
1
0 3 0. 5
.
0
8 1
0 5
. ... .
. .
. .
 n 0. 4
4 8
6

En la siguiente tabla, vemos como a medida que aumenta el numero de

simulaciones, el valor simulado se acerca al valor original de la media y
desviación estándar, además de la disminución del error típico.
Cantidad
Me Des Err
de
dia vío or
simulaci
ones
1 48. 3. 1.
0 60 4 08
1
1 48. 3. 0.
0 12 1 32
0 6
1000 47. 3. 0.
87 2 10
8
10000 47. 3. 0.
87 3 03
0