Libro Cap 08

METODOS CUANTITATIVOS PARA LOS NEGOCIOS 2009
CAPITULO 8. INTRODUCCION AL MÉTODO DE
SIMULACIÓN MONTE CARLO
Objetivos del Capítulo

• Introducir los conceptos e ideas clave de la simulación Monte Carlo.
• Introducirse en las capacidades que ofrece Excel en los campos de modelado y
simulación.
• Conocer algunas aplicaciones de la simulación Monte Carlo.
8.0 Introducción

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
CAPITULO 8. INTRODUCCION AL MÉTODO DE SIMULACIÓN MONTE CARLO
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.

La simulación de Monte Carlo es una técnica que combina conceptos estadísticos (muestreo
aleatorio) con la capacidad que tienen los ordenadores para generar números pseudo‐
aleatorios y automatizar cálculos.
Compilación: Ybnias Elí Grijalva Yauri 232


8.1 Inicios del Método de Monte Carlo

El método fue llamado así por el principado de Mónaco por ser ``la capital del juego de
azar'', al tomar una ruleta como un generador simple de números aleatorios. El nombre y el
desarrollo sistemático de los métodos de Monte Carlo datan aproximadamente de 1944 con
el desarrollo de la computadora. Sin embargo hay varias instancias (aisladas y no
desarrolladas) en muchas ocasiones anteriores a 1944.

El uso real de los métodos de Monte Carlo como una herramienta de investigación,
proviene del trabajo de la bomba atómica durante la Segunda Guerra Mundial. Este trabajo
involucraba la simulación directa de problemas probabilísticos de hidrodinámica
concernientes a la difusión de neutrones aleatorios en material de fusión.

Aún en la primera etapa de estas investigaciones, John von Neumann y Stanislao Ulam
refinaron esta curiosa ``Ruleta rusa'' y los métodos``de división''. Sin embargo, el desarrollo
sistemático de estas ideas tuvo que esperar el trabajo de Harris y Herman Kahn en 1948.
Aproximadamente en el mismo año, Fermi, Metropolos y Ulam obtuvieron estimadores
para los valores característicos de la ecuación de Schrödinger para la captura de neutrones
a nivel nuclear.

Alrededor de 1970, los desarrollos teóricos en complejidad computacional comienzan a
proveer mayor precisión y relación para el empleo del método Monte Carlo. La teoría
identifica una clase de problemas para los cuales el tiempo necesario para evaluar la
solución exacta al problema crece con la clase, al menos exponencialmente con M. La
cuestión a ser resuelta era si MC pudiese o no estimar la solución al problema de tipo
intratable con una adecuación estadística acotada a una complejidad temporal polinomial
en M. Karp(1985) muestra esta propiedad para estimar en una red plana multiterminal con
arcos fallidos aleatorios. Dyer(1989) utiliza MC para estimar el volumen de un convex body
en el espacio Euclidiano M‐dimensional. Broder(1986), Jerrum y Sinclair (1988) establecen
la propiedad para estimar la persistencia de una matriz o en forma equivalente, el número
de matching perfectos en un grafo bipartito.

Los orígenes de esta técnica están ligados al trabajo desarrollado por Stan Ulam y John Von
Neumann a finales de los 40 en el laboratorio de Los Alamos, cuando investigaban el
movimiento aleatorio de los neutrones. En años posteriores, la simulación de Monte Carlo
8.1 Inicios del Método de Monte Carlo
se ha venido aplicando a una infinidad de ámbitos como alternativa a los modelos
matemáticos exactos o incluso como único medio de estimar soluciones para problemas
complejos. Así, en la actualidad es posible encontrar modelos que hacen uso de simulación
MC en las áreas informática, empresarial, económica, industrial e incluso social. En otras
palabras, la simulación de Monte Carlo está presente en todos aquellos ámbitos en los que
el comportamiento aleatorio o probabilístico desempeña un papel fundamental ‐
precisamente, el nombre de Monte Carlo proviene de la famosa ciudad de Mónaco, donde
abundan los casinos de juego y donde el azar, la probabilidad y el comportamiento
aleatorio conforman todo un estilo de vida.



Son muchos los autores que han apostado por utilizar hojas de cálculo para realizar
simulación MC. 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 analysis”). 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 MC, siendo los más conocidos: @Risk,
Crystall Ball, Insight.xla, SimTools.xla, etc..
8.2 Simulación: Método Monte Carlo

Simulación: es el proceso de diseñar y desarrollar un modelo computarizado de un
sistema o proceso y conducir experimentos con este modelo con el propósito de entender
el comportamiento del sistema o evaluar varias estrategias con las cuales se puede operar
el sistema.

• Modelo de simulación: conjunto de hipótesis acerca del funcionamiento del
sistema expresado como relaciones matemáticas y/o lógicas entre los elementos del
sistema.

• Proceso de simulación: ejecución del modelo a través del tiempo en un ordenador
para generar muestras representativas del comportamiento.
8.2.1 Métodos de simulación

• Simulación estadística o Monte Carlo: Está basada en el muestreo sistemático de
variables aleatorias.

• Simulación continua: Los estados del sistema cambian continuamente su valor.
Estas simulaciones se modelan generalmente con ecuaciones diferenciales.

• Simulación por eventos discretos: Se define el modelo cuyo comportamiento varía
en instantes del tiempo dados. Los momentos en los que se producen los cambios
son los que se identifican como los eventos del sistema o simulación.
8.2 Simulación: Método Monte Carlo

• Simulación por autómatas celulares: Se aplica a casos complejos, en los que se
divide al comportamiento del sistema en subsistemas más pequeños denominadas
células. El resultado de la simulación está dado por la interacción de las diversas
células.
8.2.2 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
8.2.3 Diagrama de flujo del modelo de simulación

8.3 Algoritmos

El algoritmo de Simulación Monte Carlo Crudo o Puro está fundamentado en la generación
de números aleatorios por el método de Transformación Inversa, el cual se basa en las
distribuciones acumuladas de frecuencias:

• Determinar la/s Variable Aleatoria y sus distribuciones acumuladas(F)
• Iterar tantas veces como muestras necesitamos
o Generar un número aleatorio
o Uniforme (0,1).
o Determinar el valor de la V.A. para el número aleatorio generado de acuerdo
a las clases que tengamos.
• Calcular media, desviación estándar error y realizar el histograma.
• Analizar resultados para distintos tamaños de muestra.

8.3 Algoritmos
Otra opción para trabajar con Monte Carlo, cuando la variable aleatoria no es directamente
el resultado de la simulación o tenemos relaciones entre variables es la siguiente:


METOD
DOS CUAN
NTITATIV
VOS PARA EGOCIOS
A LOS NE 2009

• Diseñar el modelo lóggico de deccisión
• Especificarr distribuciiones de prrobabilidad
d para las vaariables aleeatorias rellevantes.
• Incluir possibles dependencias entre variab bles.
• Muestrear valores dee las variables aleatoriias.
• Calcular el
e resultado o del moddelo según
n los valorres del muuestreo (itteración) y
y
registrar el resultado
o
• Repetir el pproceso haasta tener u
una muestra estadísticcamente reepresentativa
• Obtener la distribució ón de frecu
uencias del resultado d de las iteraaciones
• Calcular m
media, desvíío.
• Analizar lo
os resultado os

Las priincipales caaracterísticcas a tenerr en cuentaa para la im
mplementaación o utilización dell
algoritmmo son:

• El sistema debe ser d descripto po or 1 o más funciones de distribu ución de prrobabilidad d
(fdp)
• Generadorr de númeeros aleato orios: como o se generran los nú úmeros aleeatorios ess
importantee para evitaar que se produzca co orrelación eentre los vaalores muestrales.
• Establecerr límites y rreglas de m muestreo paara las fdp: conocemo os que valorres pueden n
adoptar lass variables.
• Definir Sco oring: Cuaando un vaalor aleatorio tiene o o no sentiddo para ell modelo a
a
simular.
• Estimación n Error: Co
on que errror trabajam mos, cuantto error po odemos acceptar paraa
que una coorrida sea v válida?
• Técnicas d de reducción de varian nza.
• Paralelizacción y vectorización:: En aplicaaciones con n muchas variables se estudiaa
trabajar coon varios prrocesadorees paraleloss para realiizar la simu ulación.

Ejempllo

Tenemos la sigu uiente disttribución de d probabilidades para una d demanda aleatoria
a y
y
queremmos ver quee sucede co on el promeedio de la d demanda en n varias iteraciones:

Demandaa
0.4
0.4
0.3
0.2 0.2
0.2
0.1 0.1
0.1
8.3 Algoritmos
0
42 45 48 51 54

Compilacción: Ybnias Elí Grijalva Yaurri 236


Utilizando la distribución acumulada(F(x) es la probabilidad que la variable aleatoria tome
valores menores o iguales a x) podemos determinar cual es el valor obtenido de unidades
cuando se genera un número aleatorio a partir de una distribución continua uniforme. Este
método de generación de variable aleatoria se llama Transformación Inversa.

Frecuencia
Unidades Frecuencia Acumulada
42 0.1 0.1
45 0.2 0.3
48 0.4 0.7
51 0.2 0.9
54 0.1 1

Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda para
cada día, interesándonos en este caso como es el orden de aparición de los valores. Se
busca el número aleatorio generado en la tabla de probabilidades acumuladas, una vez
encontrado (si no es el valor exacto, éste debe se menor que el de la fila seleccionada pero
mayor que el de la fila anterior), de esa fila tomada como solución se toma el valor de las
unidades (Cuando trabajamos en Excel debemos tomar el límite inferior del intervalo para
busca en las acumuladas, para poder emplear la función BUSCARV(), para 42 sería 0, para
43 0,100001 y así sucesivamente). Ejemplo: Supongamos que el número aleatorio
generado sea 0,52, ¿a qué valor 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.

Frecuencia
Demanda
Frecuencia Acumulada
1.2
1
1 0.9
0.8 0.7
0.6
0.3 0.4
0.4
0.2 0.2
0.2 0.1 0.1
0.1
0
42 45 48 51 54

Se puede apreciar mejor en el gráfico, trazando una recta desde el eje de la frecuencia hasta
que interseca 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
8.3 Algoritmos
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.


De esta forma logramos a partir de la distribución de densidad calcular los valores de la
variable aleatoria dada.

Número de Números Valor de la
Simulación aleatorios Demanda
1 0.92 54
2 0.71 51
3 0.85 51
... ... ...
n 0.46 48

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 de
Media Desvío Error
simulaciones
10 48.6 3.41 1.08
100 48.12 3.16 0.32
1000 47.87 3.28 0.1
10000 47.87 3.3 0.03
8.4 ¿Qué es la Simulación de Monte Carlo?

La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la estadística y
los ordenadores para imitar, mediante modelos matemáticos, el comportamiento aleatorio
de sistemas reales no dinámicos (por lo general, cuando se trata de sistemas cuyo estado va
cambiando con el paso del tiempo, se recurre bien a la simulación de eventos discretos o
bien a la simulación de sistemas continuos).

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.

Veamos un ejemplo sencillo:



En la imagen inferior se muestra un análisis histórico de 200 días sobre el número de
consultas diarias realizadas a un sistema de información empresarial (EIS) residente en un
servidor central. La tabla incluye el número de consultas diarias (0 a 5) junto con las
frecuencias absolutas (número de días que se producen 0, 1, ..., 5 consultas), las frecuencias
relativas (10/200 = 0,05, ...), y las frecuencias relativas acumuladas.

Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso
asociado, en este caso, la probabilidad de un determinado número de consultas (así, p.e., la
probabilidad de que se den 3 consultas en un día sería de 0,30), por lo que la tabla anterior
nos proporciona la distribución de probabilidad asociada a una variable aleatoria discreta
(la variable aleatoria es el número de consultas al EIS, que sólo puede tomar valores
enteros entre 0 y 5).

Supongamos que queremos conocer el número esperado (o medio) de consultas por día. La
respuesta a esta pregunta es fácil si recurrimos a la teoría de la probabilidad.

Denotando por X a la variable aleatoria que representa el número diario de consultas al EIS,
sabemos que:

EX xP X x 0 · 0.05 1 · 0.10 5 · 0.15 2.95

Por otra parte, también podemos usar simulación de Monte Carlo para estimar el número
esperado de consultas diarias (en este caso se ha podido obtener el valor exacto usando
teoría de probabilidad, pero ello no siempre será factible). Veamos cómo:

Cuando se conozca la distribución de probabilidad asociada a una variable aleatoria
discreta, será posible usar la columna de frecuencias relativas acumuladas para obtener los
llamados intervalos de números aleatorios asociados a cada suceso. En este caso, los
intervalos obtenidos son:

• [0.00, 0.05) para el suceso 0
• [0.05, 0.15) para el suceso 1
• [0.15, 0.35) para el suceso 2


• [0.35, 0.65) para el suceso 3
• [0.65, 0.85) para el suceso 4
• [0.85, 1.00) para el suceso 5

El gráfico siguiente nos muestra cada una de las probabilidades sobre el número de
consultas. En él, se aprecia claramente la relación existente entre probabilidad de cada
suceso y el área que éste ocupa.

Número de Consultas EIS
0.05
0.10 0.20 0.30 0.20 0.15
0% 20% 40% 60% 80% 100%

0 1 2 3 4 5

Esto significa que, al generar un número pseudo‐aleatorio con el ordenador (proveniente
de una distribución uniforme entre 0 y 1), estaremos llevando a cabo un experimento cuyo
resultado, obtenido de forma aleatoria y según la distribución de probabilidad anterior,
estará asociado a un suceso. Así por ejemplo, si el ordenador nos proporciona el número
pseudo‐aleatorio 0,2567, podremos suponer que ese día se han producido 2 consultas al
EIS.

Asignamos pues la función ALEATORIO a una casilla (la G1 en el caso de la imagen):

Seleccionando la celda y “arrastrando” con el ratón desde el borde inferior derecho de la
misma podemos obtener un listado completo de números pseudo‐aleatorios:

A continuación, podemos usar la función SI de Excel para asignar un suceso a cada uno de
los números pseudo aleatorios generados (como veremos, otra forma de hacer esta
asignación será usando la función BUSCARV):



Repitiendo el proceso de seleccionar y “arrastrar” obtendremos algo similar a:

Finalmente, usando la función PROMEDIO será posible calcular la media de los valores de la
columna H:

En este caso, hemos obtenido un valor estimado que corresponde exactamente con el valor
real anteriormente calculado vía la definición teórica de la media. Sin embargo, debido a la
componente aleatoria intrínseca al modelo, normalmente obtendremos valores “cercanos”
al valor real, siendo dichos valores diferentes unos de otros (cada simulación
proporcionará sus propios resultados). Se puede comprobar este hecho pulsando
repetidamente sobre la función F9 (cada vez que se pulsa dicha tecla, Excel genera nuevos
valores aleatorios y, por tanto, nuevos valores para la columna H y la casilla I1).

Si en lugar de usar una muestra aleatoria formada por 100 observaciones hubiésemos
usado una formada por 10, los valores que obtendríamos al pulsar repetidamente F9 no
serían estimaciones tan buenas al valor real. Por el contrario, es de esperar que si
hubiésemos usado 1.000 (o mejor aún 10.000) observaciones, los valores que
obtendríamos en la casilla I1 estarían todos muy cercanos al valor real.


8.4.1 Simulación MC con Variables Discretas

Veamos un ejemplo algo más complejo del uso de Excel para construir modelos de
simulación MC cuando las variables aleatorias sean discretas:

Supongamos que trabajamos en un gran almacén informático, y que nos piden consejo para
decidir sobre el número de licencias de un determinado sistema operativo que conviene
adquirir – las licencias se suministrarán con los ordenadores que se vendan durante el
próximo trimestre, y es lógico pensar que en pocos meses habrá un nuevo sistema
operativo en el mercado de características superiores. Cada licencia de sistema operativo le
cuesta al almacén un total de 75 dólares, mientras que el precio al que la vende es de 100
dólares. Cuando salga al mercado la nueva versión del sistema operativo, el almacén podrá
devolver al distribuidor las licencias sobrantes, obteniendo a cambio un total del 25 dólares
por cada una. Basándose en los datos históricos de los últimos meses, los responsables del
almacén han sido capaces de determinar la siguiente distribución de probabilidades por lo
que a las ventas de licencias del nuevo sistema operativo se refiere:

Construimos nuestro modelo usando las fórmulas que se muestran en la figura inferior. En
la casilla H2 usaremos la función ALEATORIO para generar el valor pseudo‐aleatorio que
determinará el suceso resultante; en la celda I2 usamos la función BUSCARV para
determinar el suceso correspondiente asociado al valor pseudo‐aleatorio obtenido –notar
que usamos también la función MIN, ya que en ningún caso podremos vender más licencias
que las disponibles. El resto de fórmulas son bastante claras:

En la imagen anterior se muestra cómo construir el modelo con una observación
(iteración). A fin de generar nuevas observaciones, deberemos seleccionar el rango H2:N2
y "arrastrar" hacia abajo (tantas casillas como iteraciones deseemos realizar):



Finalmente, es posible estimar el valor esperado de la variable aleatoria que proporciona
los beneficios sin más que hallar la media de las 100 observaciones que acabamos de
realizar. Asimismo, usaremos las funciones DESVEST e INTERVALO.CONFIANZA para
hallar, respectivamente, la desviación estándar de la muestra obtenida y el intervalo de
confianza (a un nivel del 95%) para el valor esperado:

La apariencia final de nuestro modelo será:



A partir del modelo anterior es posible también realizar “what‐if” análisis (análisis de
escenarios o preguntas del tipo “¿qué pasaría si cambiamos tal o cual input?”). Para ello es
suficiente con ir cambiando los valores de las celdas C11:C14 (inputs del modelo en este
ejemplo). Asimismo, podemos ampliar fácilmente el número de iteraciones (observaciones
muestrales) sin más que repetir los procesos de seleccionar y “arrastrar”.

En el caso actual, hemos optado por tomar 1.000 iteraciones para cada una de los posibles
inputs asociados a la cantidad de pedido (estos posibles inputs son: 100, 150, 200, 250, y
300). Si se realizase el experimento, se obtendrían unos resultados similares a los que se
muestran a continuación (ya que 1.000 es un número ya bastante considerable para este
ejemplo):

Resultados para n=1000 iteraciones
N° Licencias Benef.Medio Desv.Est. Intervalo confianza 95%
100 2500 0 2500 2500
150 2569 1743 0 3750
200 2079 3250 ‐2500 5000
250 333 4154 ‐5000 6250
300 ‐1868 4555 ‐7500 7500

Beneficio Esperado
8
6
4
Miles de dólares
2
0
‐2
‐4
‐6
‐8
100 150 200 250 300

N° de Licencias Adquiridas

A partir de los resultados, parece claro que la decisión óptima es hacer un pedido de 150
unidades, ya que con ello se consigue el beneficio máximo.
8.4.2 Generación de Números Aleatorios Provenientes de Otras Distribuciones

Las últimas versiones de Excel incorporan un Add‐In llamado Análisis de datos. Este
complemento proporciona nuevas funcionalidades estadísticas a la hoja de cálculo. Entre
ellas, nos interesa destacar la de Generación de números aleatorios:



Con esta opción, es posible generar fácilmente observaciones provenientes de diversas
distribuciones de variable discreta (Bernoulli, Binomial, Poisson, Frecuencia relativa, y
Discreta) o de variable continua (Uniforme y Normal).

Independientemente del complemento Análisis de datos, es posible usar un resultado muy
conocido de la teoría estadística, llamado método de la transformada inversa, para derivar
las fórmulas que permiten obtener valores pseudo‐aleatorios provenientes de
distribuciones como la Weibull o la Lognormal.

En la tabla siguiente se muestran algunas fórmulas que, implementadas en celdas de Excel,
nos permiten obtener valores pseudo‐aleatorios de algunas de las distribuciones continuas
más usadas:

Distribución Parámetros Formula Excel
Exponencial Media = b = ‐LN(ALEATORIO())*b
Weibull Escala = b Forma = a = b*(‐LN(ALEATORIO())^(1/a)
Normal Media = µ
Desv. Estandar = σ = DISTR.NORM.INV(ALEATORIO(),µ, σ)
Lognormal Media de Ln(X) = µ
Desv. Estandar de Ln(X) = σ = DISTR.LOG.INV(ALEATORIO(),µ, σ)
Uniforme entre a y b Extremo inferior = a
Extremo superior = b = a+(b‐a)*ALEATORIO()

Añadir, finalmente, que es relativamente sencillo implementar funciones VBA que,
haciendo uso del método de la transformada inversa o de otros métodos similares, permita
la generación de valores provenientes de casi cualquier distribución teórica.
8.4.3 Simulación MC con Variables Continuas

Como hemos comentado, es posible usar las fórmulas anteriores para generar, a partir de la
función ALEATORIO(), valores pseudo‐aleatorios provenientes de otras distribuciones


continuas. En las páginas siguientes, veremos dos ejemplos de modelos que hacen uso de la
distribución normal (la distribución estadística más importante y utilizada):

Ejemplo: Tiempo de consultas a servidores en paralelo

Supongamos que desde un ordenador cliente se realiza consultas SQL a bases de datos
situadas en dos 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:

Pediremos a Excel que genere valores pseudo‐aleatorios provenientes de dichas
distribuciones. Asimismo, usaremos la función MAX para obtener el tiempo de respuesta
(que será el máximo de los tiempos de respuesta de cada servidor), y la función SI para
determinar qué servidor ha sido el más rápido en responder:

Usaremos también las funciones CONTAR y CONTAR.SI para contar el número de
iteraciones y el número de veces que un servidor es más rápido que el otro:


Finalmente, las funciones PROMEDIO, DESVEST, e INTERVALO.CONFIANZA nos servirán
para obtener, respectivamente, el tiempo muestral medio (esperado) de respuesta, la
desviación estándar de la muestra (observaciones que generaremos), y un intervalo de
confianza, a un nivel del 95%, para el tiempo medio (este intervalo nos permitirá saber si
nuestra estimación es buena o si, por el contrario, necesitaremos más iteraciones).


Una vez introducidas las fórmulas anteriores, bastará con seleccionar y “arrastrar” hacia
abajo el rango de celdas G3:J3, con lo que se generarán nuevas iteraciones. En la imagen
siguiente se muestra el resultado obtenido al generar 2.077 iteraciones. Observar que el
tiempo medio estimado de respuesta es de 22,98 minutos, y podemos asegurar, con un
nivel de confianza del 95%, que dicho tiempo medio estará entre 22,88 y 23,08 minutos.

Finalmente, se observa también que el servidor 1 ha respondido más rápido que el servidor
2 en el 68% de las iteraciones.

Ejemplo: Inversión inicial y flujo de caja

Consideremos ahora un nuevo problema: supongamos que disponemos de un capital inicial
de 250 dólares que deseamos invertir en una pequeña empresa. Supondremos también que
los flujos de caja ‐tanto los de entrada como los de salida‐ son aleatorios, siguiendo éstos
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 para en el mes anterior. Por su parte, las desviaciones
estándar valdrán, en todos los casos, un 25% del valor medio (esperado) asociado. En base
a lo anterior, podemos construir un modelo como se muestra en las siguientes imágenes:



Seleccionando y “arrastrando” hacia abajo el rango G3:O3, hemos obtenido los siguientes
resultados para 5.859 iteraciones:

Observamos que el valor esperado para el capital final es de unos 543 dólares, y que
podemos afirmar, con un nivel de confianza del 95%, que dicho valor estará entre 527 y
558 dólares.
8.5 Actividades para el Aprendizaje.

Luego de visitar estas direcciones de páginas web, elaborar un resumen y/o desarrollar los
ejercicios propuestos para el tema correspondiente:



Una Aplicación del Método de Monte Carlo en el Análisis de Riesgo de Proyectos: Su
automatización a través de una planilla de cálculo.
http://www.abcbolsa.com/montecarlo_excel_cyta1.htm
El método de Monte Carlo: http://www.monografias.com/trabajos12/carlo/carlo.shtml
Simulación: Excel Avanzado, Macro, funciones. http://trucosexcel.blogspot.com/
Resolver los ejercicios al capitulo correspondiente:
Cátedra de Métodos Cuantitativos para los Negocios.
http://www.unsa.edu.ar/mcneco/mcn_tps.html
Programación Matemática
http://www.uv.es/~sala/programacion.htm
Bienvenidos a los cursos del Área de Operaciones – Descargar ejercicios:
http://ucreanop.org/descarga_ejercicios.php


Libro Cap 08

Cargado por

Copyright:

Formatos disponibles

Libro Cap 08

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro Cap 08

Cargado por

Copyright:

Formatos disponibles

METODOS CUANTITATIVOS PARA LOS NEGOCIOS 2009

Compilación: Ybnias Elí Grijalva Yauri 232

Compilación: Ybnias Elí Grijalva Yauri 233

Compilación: Ybnias Elí Grijalva Yauri 234

Compilación: Ybnias Elí Grijalva Yauri 235

Compilacción: Ybnias Elí Grijalva Yaurri 236

Compilación: Ybnias Elí Grijalva Yauri 237

Compilación: Ybnias Elí Grijalva Yauri 238

EX xP X x 0 · 0.05 1 · 0.10 5 · 0.15 2.95

Compilación: Ybnias Elí Grijalva Yauri 239

0.10 0.20 0.30 0.20 0.15

0% 20% 40% 60% 80% 100%

Compilación: Ybnias Elí Grijalva Yauri 240

Compilación: Ybnias Elí Grijalva Yauri 241

Compilación: Ybnias Elí Grijalva Yauri 242

Compilación: Ybnias Elí Grijalva Yauri 243

Compilación: Ybnias Elí Grijalva Yauri 244

Compilación: Ybnias Elí Grijalva Yauri 245

Compilación: Ybnias Elí Grijalva Yauri 246

Compilación: Ybnias Elí Grijalva Yauri 247

Compilación: Ybnias Elí Grijalva Yauri 248

Compilación: Ybnias Elí Grijalva Yauri 249

También podría gustarte