Escuela de Ingeniería Biomédica

Sistemas de Simulación
Ciclo 02/2018

Fecha: Miércoles, 29 de agosto de 2018

Reporte de: TAREA SOBRE SIMULACIÓN DE MONTECARLO
Presentan: Carnet: Nombre:
MP120030 Eric Medina Portillo

INTRODUCCIÓN:

La simulación de Monte Carlo es una técnica matemática computarizada que permite considerar el riesgo en el análisis cuantitativo
para la toma de decisiones. La técnica es utilizada por profesionales en campos tan dispares como finanzas, gestión de proyectos,
energía, fabricación, ingeniería, investigación y desarrollo, seguros, petróleo y gas, transporte y medio ambiente.

La simulación de Monte Carlo proporciona al responsable de la toma de decisiones un rango de resultados posibles y las
probabilidades de que ocurran para cualquier opción de acción. La técnica fue utilizada por primera vez por científicos que trabajan
en la bomba atómica; fue nombrado por Monte Carlo, la ciudad turística de Mónaco famosa por sus casinos. Desde su introducción
en la Segunda Guerra Mundial, la simulación de Monte Carlo se ha utilizado para modelar una variedad de sistemas físicos y
conceptuales.

CONTENIDO:

La simulación de Monte Carlo realiza análisis de riesgos mediante el modela de resultados posibles sustituyendo un rango de valores;
es decir una distribución de probabilidad, por cualquier factor que tenga una incertidumbre inherente. Luego calcula los resultados
una cantidad considerable de veces utilizando un conjunto diferente de valores aleatorios de las funciones de probabilidad.
Dependiendo del número de incertidumbres y los rangos especificados para ellos, una simulación Monte Carlo podría implicar miles

Sistemas de Simulación 2018 1

Escuela de Ingeniería Biomédica
Sistemas de Simulación
Ciclo 02/2018

o decenas de miles de nuevos cálculos antes de que se complete. La simulación Monte Carlo produce distribuciones de posibles
valores como resultado.

Mediante el uso de la distribución de probabilidad, las variables pueden tener diferentes probabilidades y por lo tanto se pueden
producir diferentes resultados. La distribución de probabilidad es una forma muy realista de describir la incertidumbre en variables
para el análisis de riesgos.

Algunas de las distribuciones de probabilidad más comunes son:

Normal o "curva de campana": se define el valor medio o esperado y una desviación estándar para describir la variación sobre la
media. Ejemplos de variables descritas por distribuciones normales incluyen las tasas de inflación y los precios de la energía.

Lognormal: en esta distribución los valores están positivamente sesgados, no simétricos como una distribución normal. Se usa para
representar valores que no van por debajo de cero, pero tienen un potencial positivo ilimitado. Los ejemplos incluyen los valores de
las propiedades inmobiliarias, los precios de las acciones y las reservas de petróleo.

Uniforme: en esta distribución todos los valores tienen la misma probabilidad de ocurrir, simplemente define el mínimo y el máximo.
Los ejemplos de variables que podrían distribuirse uniformemente son los costos de fabricación o los ingresos por ventas futuras de
un nuevo producto.

Triangular: se definen los valores mínimo, más probable y máximo. Las variables que podrían describirse mediante una distribución
triangular incluyen el historial de ventas anterior por unidad de tiempo y los niveles de inventario.

PERT: se definen los valores mínimo, más probable y máximo, al igual que la distribución triangular. Sin embargo, los valores entre
los extremos más probables son más probables a ocurrir que los triangulares; es decir, los extremos no están tan enfatizados. Un
ejemplo del uso de una distribución PERT es describir la duración de una tarea en un modelo de gestión de proyectos.

Discreto: se definen los valores específicos que pueden ocurrir y la probabilidad de cada uno. Un ejemplo podría ser el resultado de
un juicio: 20% de posibilidades de veredicto positivo, 30% de cambio de veredicto negativo, 40% de posibilidades de acuerdo y 10%
de posibilidad de anulación de la demanda.

Sistemas de Simulación 2018 2

Escuela de Ingeniería Biomédica
Sistemas de Simulación
Ciclo 02/2018

En la Fig. 1 se muestra un ejemplo grafico de algunas distribuciones

Fig. 1 Representación de distribuciones de probabilidad

Durante una simulación de Monte Carlo, los valores se muestrean al azar a partir de las distribuciones de probabilidad de entrada.
Cada conjunto de muestras se denomina iteración, y el resultado resultante de esa muestra se registra. La simulación de Monte
Carlo lo hace cientos o miles de veces, y el resultado es una distribución de probabilidad de posibles resultados. De esta manera, la
simulación Monte Carlo proporciona una visión mucho más completa de lo que puede suceder. Te dice no solo lo que podría
suceder, sino qué tan probable es que suceda.

Un ejemplo sencillo sobre el uso de la simulación Montecarlo es en el análisis de riesgo de la bolsa de valores. Imaginemos que se
quiere contratar a un gestor que realice operaciones por nosotros en la bolsa de valores. El gestor presume de haber ganado 50%
de rentabilidad durante el último año con una cuenta de valores de 50.000 dólares. Para confirmar que el gestor realmente está en
lo correcto se le solicita el registro de todas sus operaciones. El gestor nos facilita toda la documentación y procedemos a valorar la
cuenta de resultados.

Vamos a suponer que disponemos de 10.000 dólares. Introducimos las variables correspondientes en nuestro programa informático
y extraemos el siguiente gráfico de la Fig. 2:

Sistemas de Simulación 2018 3

Escuela de Ingeniería Biomédica
Sistemas de Simulación
Ciclo 02/2018

Fig. 2 Simulación de 10,000 escenarios posible

En la imagen anterior se establecen 10.000 escenarios diferentes para esos resultados durante una proyección para cuatro años. En
la gran mayoría de escenarios se puede observar que la rentabilidad es positiva, aunque aún existen probabilidades de perdida de
dinero.

CONCLUSIONES:

• Con simulación de Montecarlo podemos simular varios escenarios de problemas financieros con el objetivo de conocer si las
decisiones financieras que vamos a tomar son correctas y nos traen beneficios económicos.
• En el área de ingeniería la simulación Montecarlo permite la simulación de un sin numero de escenarios que implementados en
un prototipo pueden ayudar a generar predicciones sobre partes o componentes del mismo que necesitaran un reemplazo a
corto o largo plazo, incluso determinar de una manera mas amplia el costo y beneficio del uso de diferentes materiales para la
construcción de estos prototipos.

Sistemas de Simulación 2018 4

Escuela de Ingeniería Biomédica
Sistemas de Simulación
Ciclo 02/2018

• Cada tipo de distribución de probabilidad esta construida o es compatible para un rango muy amplio de aplicaciones conocer
cual es la que mejor se ajusta a nuestro campo de accione es de suma importancia, establecer los posibles escenarios tanto
positivos como negativos ayudaran a establecer planes de acciones efectivos y eficaces

REFERENCIAS:

Palisade, Risk and Decision Analysis Solutions since 1984. (2018). Monte Carlo Simulation. Recuperado de
http://www.palisade.com/risk/monte_carlo_simulation.asp

Investopedia - Sharper Insight. Smarter Investing. (2015). Monte Carlo Simulation. Recuperado de
https://www.investopedia.com/terms/m/montecarlosimulation.asp

Edwin R. García, Yamel Ungson, Larysa Burtseva, Benjamín Valdez, Fernando González, Vitalii Petranovski (2016). Métodos de
simulación Monte Carlo y su empleo en ingeniería de materiales. Universidad Autónoma de Baja California, Instituto de Ingeniería,
Mexicali, B. C. México

Sistemas de Simulación 2018 5