SIMULACION

MONTE CARLO
CON MS EXCEL

RODRIGO PEREZ PEA

Sesin 1. Fundamentos de probabilidad para simulacin.

Duracin 3 horas.
Variables aleatorias.
Distribuciones de probabilidad.
Ley de los grandes nmeros.
Teorema del lmite central.
Principios de la simulacin MonteCarlo.
Sesin 2. Nmeros aleatorios.
Duracin 3 horas.
Que son los nmeros aleatorios y pseudo-aleatorios
Generacin de nmeros aleatorios en Excel.
Generacin de forma dinmica.
Generacin de forma esttica.
Ejercicios.
Sesin 3. Herramientas para simulacin.
Duracin 3 horas.
Un problema bsico de simulacin. Taller.
Interpretacin de resultados de la simulacin.
Sesin 4.
Duracin 3 horas.
Herramientas adicionales a Excel para simulacin MonteCarlo.
Sesin 5.
Duracin 4 horas.
Ejercicios de simulacin con Excel aplicado a Finanzas. Taller.
Interpretacin de resultados de la simulacin.

Que es la simulacin Monte

Carlo?
Mtodo computacional usado para estudiar el

comportamiento de sistemas matemticos,

fsicos o de cualquier ndole, a partir del uso de
muestreo estadstico, nmeros aleatorios y
pseudo-aleatorios.
Es iterativo -> requiere clculos por computador.
Las tcnicas de Monte Carlo pueden ser usadas
para encontrar soluciones aproximadas a
problemas cuantitativos, con o si incertidumbre.

Orgenes
Se atribuye a Stanislaw Ulam, matemtico polaco
que trabajo para John von Neumann en el proyecto
Manhattan durante la segunda guerra mundial y
contribuyo junto con Edward Teller en el diseo de
la bomba de Hidrogeno en 1951.
Ulam no invent el muestreo estadstico, pero
reconoci la el potencial de los computadores
electrnicos para automatizar el proceso.
Trabajando con John von Neuman y Nicholas
Metropolis, desarrollo algoritmos de
implementacin y explor formas de convertir
problemas no aleatorios en formas aleatorias para
ser solucionados via muestro estadstico.
Ulam y Metropolis publican el primer paper en 1949.

En este curso, usaremos la simulacin

Monte Carlo para el tratamiento de
problemas y modelos con
incertidumbre.
Partiremos de modelos matemticos
que describan un problema o situacin
y a los cuales se les incorporarn
componentes probabilisticos.

Hay dos componentes que pueden

generar aleatoriedad en un modelo.
Riesgo: es un efecto aleatorio propio
del sistema bajo anlisis. Se puede
reducir alterando el sistema.
Incertidumbre es el nivel de ignorancia
del evaluador acerca de los parmetros
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
combinacin 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.

Administracin del
Riesgo
1. Negociar las variables negociables
2. Buscar ms informacin
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

Simulacin Monte Carlo

1. Disear el modelo matemtico 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 segn los
valores del muestreo y registrar el resultado.
6. Repetir el proceso iterativamente hasta tener
una muestra estadsticamente representativa.
7. Obtener la distribucin de frecuencias del
resultado de las iteraciones.
8. Calcular media, desvo y curva de percentiles
acumulados.

Analisis de escenarios
Debido a que la simulacin monte carlo
involucra la generacin de un numero
alto de escenarios, tambin puede ser
entendida como una forma mas
completa de realizar anlisis de
escenarios o anlisis What-if

Fundamentos de
probabilidad para
simulacin.
Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes nmeros.
Teorema del lmite central.

Fundamentos de
probabilidad para
simulacin.

Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes nmeros.
Teorema del lmite central.

Variables Aleatorias
Una Variable aleatoria X es una

funcin cuyos valores son nmeros

reales y dependen del azar.

Para caracterizar las variables

aleatorias se utilizan las

distribuciones de probabilidad.

Fundamentos de
probabilidad para
simulacin.

Variables Aleatorias

Distribuciones de
probabilidad

Ley de los grandes nmeros.

Teorema del lmite central.

Distribucin de
probabilidad

Una distribucin de probabilidad

describe el rango de valores que

puede tomar una variable aleatoria
y la probabilidad asignada a
cada valor o rango de valores.

Distribuciones de
probabilidad

Discretas

Una variable aleatoria representada

mediante una distribucin discreta de

probabilidad puede tomar un valor de
entre un conjunto de valores, cada uno
de los cuales tiene asignada una
determinada probabilidad de
ocurrencia.

Ejemplos: Binomial, Geomtrica,

Poisson, Discreta.

Distribuciones de
probabilidad
Continuas

Una variable aleatoria representada

mediante una distribucin continua
de probabilidad puede tomar
cualquier valor dentro de un rango
determinado.

Ejemplos: Normal, Lognormal,

Uniforme, Triangular, Histograma

Distribuciones de
probabilidad
No Limitadas La variable aleatoria puede
tomar valores entre +infinito y infinito
(ejemplos: Normal, Logstica).
Limitadas Los valores de la variable
aleatoria quedan confinados entre dos
valores extremos (ejemplos: Binomial,
Beta, Uniforme, Triangular,
Histograma).
Parcialmente Limitadas Los valores de la
variable aleatoria quedan limitados en
uno de los extremos de la distribucin
(ejemplos: Poisson, Exponencial).

Distribuciones de
Paramtricas
probabilidad

La distribucin de probabilidad se ajusta a

la descripcin matemtica de un
proceso aleatorio que cumple con
determinados supuestos tericos.
Los parmetros que definen la distribucin
en general no guardan relacin intuitiva
con la forma de la distribucin.
Ejemplos: Normal, Lognormal,
Exponencial, Beta.

Distribuciones de
probabilidad
No Paramtricas
Los parmetros que se usan para definir
estas distribuciones describen la
forma de la distribucin.
No se apoyan en una teora que
describa el proceso de generacin de
valores aleatorios.
Ejemplos: Triangular, Histograma,
General, Uniforme, Acumulada

Distribuciones de
probabilidad
Subjetivas
El uso de estas distribuciones de

probabilidad es la nica alternativa para

describir una variable aleatoria cuando:
1. No hay una base de antecedentes.
2. Los datos del pasado no son relevantes.
3. Los datos son escasos y no cubren todo el
rango de posibles valores.
4. Es demasiado caro generar datos.
5. Generar valores llevara demasiado tiempo

DISTRIBUCIONES NO
PARAMETRICAS

Uniforme
Todos los valores dentro del rango factible

tienen la misma densidad de probabilidad.

Parmetros : Uniform (min,max)
Aplicaciones: U(0,1) se usa en la generacin de
los valores de todas las dems distribuciones
de probabilidad en el muestreo aleatorio.
Es una aproximacin muy cruda para usar
como estimacin de la incertidumbre percibida
de un parmetro

Triangular
Aplicaciones: estimar subjetivamente

la distribucin de la variable aleatoria

cuando todo lo que puede precisarse
de la misma es el valor mnimo, el
valor ms probable y el valor mximo.

Parmetros: Triang (min, +prob,

max)

Triangular
(cont.)
Sus propiedades estadsticas se derivan de su

forma, no de una teora subyacente.

Es de definicin intuitiva y de gran flexibilidad
en cuanto a geometras posibles.
La forma de la distribucin usualmente lleva a
sobreestimar la densidad de las colas y a
subestimar la densidad en el tronco de la
distribucin.

Histograma

Histograma

Aplicaciones: representar la forma de la

distribucin de una serie de datos o la

opinin de un experto acerca de la forma
de la distribucin de una variable.

Parmetros: Histogram (min, max, {pi})

Todos los intervalos de la distribucin
tienen el mismo ancho.

Discreta

Discreta

Aplicaciones:
1. Describir una variable aleatoria que puede

tomar uno de entre un conjunto de valores

discretos.
2. Describir probabilidades condicionales para
distintos estados de la naturaleza, donde cada
estado de la naturaleza tiene una probabilidad de
ocurrencia p.
3. Armar distribuciones de probabilidad
compuestas a partir de la opinin de dos o ms
expertos, donde a la opinin de cada experto se le
otorga una ponderacin p.

Parmetros: Discrete ({xi},{pi})

DISTRIBUCIONES
PARAMETRICAS

Normal
Aplicaciones: una variedad de

situaciones, como se desprende del

Teorema Central del Lmite.

Es til en finanzas pues la suma o

diferencia de distribuciones Normales

resulta tambin en una distribucin
Normal con parmetros que pueden ser
determinados a partir del TCL.

Parmetros: Normal (mu,sigma)

Normal
La mayora de las variables aleatorias que se
presentan en los estudios relacionados con las
ciencias sociales, fsicas y biolgicas, son
continuas y se distribuyen segn la distribucin de
probabilidad Normal, que tiene la siguiente
expresin analtica :
2

1
f ( x, , )
2

1 x

Donde es la media de la variable aleatoria y

es su desviacin tpica.

Normal
La distribucin de probabilidad
Normal, tiene forma de
campana
Para una variable aleatoria X, que
se distribuye normalmente con
media : y desviacin tpica :
, la probabilidad de que la
variable X est comprendida
entre los valores a y b es el
rea teida de rojo en la
siguiente figura

Esta probabilidad
analticamente se puede
calcular as:

1
p ( a X b)
a
2
b

Como el clculo de esta

integral es laborioso, para
calcular el rea se realiza
el siguiente cambio de
variable:

1 x

Este cambio origina una distribucin

normal estndar de media = 0 y
desviacin tpica = 1 cuya funcin
de densidad es :

Estimacin
subjetiva de los
parmetros de
una Normal
Media: Valor ms probable
Desvo: el intervalo +/- 2*sigma

contiene el 95% de los valores, por lo

tanto:
Sigma: (mximo - ms probable) / 2

Lognormal
Aplicaciones: modelar variables que son el

producto de una cantidad de otras variables

aleatorias que ocurren naturalmente.

Generalmente brinda una buena representacin

de variables que se extienden de 0 a +inf y
que tienen un sesgo positivo.

Parmetros: Lognormal (mu,sigma)

Se usan como parmetros la media aritmtica y
el desvo standard de los datos disponibles.

Condiciones
subyacentes de una
distribucin
Lognormal

La variable aleatoria puede tomar valores

que aumentan sin lmites pero no puede
tomar valores negativos.

La variable aleatoria tiene un sesgo

positivo (modo < media) con la mayor

parte de los valores cerca del lmite
inferior.

El logaritmo natural de la variable se

ajusta a una distribucin Normal.

Distribuciones de
probabilidad para
Procesos estocasticos
Discretos
Un Proceso Discreto se caracteriza por

una probabilidad p de ocurrencia de un

evento discreto en cada prueba.

Binomial
Aplicaciones: estimar la distribucin de la
cantidad s de ocurrencias de un evento
en n pruebas, cuando hay una
probabilidad p de ocurrencia del evento
en cada prueba.

Parmetros: Binomial (n,p)

Para n>30 o cuando p es alta, la

distribucin Binomial puede ser

aproximada por una distribucin Normal
((np),(npq)1/2).

Condiciones
subyacentes a
una distribucin
En cada prueba slo hay dos resultados
Binomial
posibles

Las pruebas son independientes (lo que

ocurre en la primera prueba no afecta a la

segunda, y sucesivamente).

La probabilidad de ocurrencia del evento

se mantiene constante a travs de las
pruebas (no hay un proceso de
aprendizaje)

Geomtrica
Aplicaciones: estimar la cantidad n de

pruebas necesarias hasta la ocurrencia

del primer evento, cuando la probabilidad
p de ocurrencia de un evento se mantiene
constante en el tiempo.

Parmetros: n = 1 + Geometric (p)

La distribucin Geomtrica es anloga a la
distribucin Exponencial: Geomtrica se
aplica a variables discretas, Exponencial
se aplica a variables continuas.

Condiciones
subyacentes de
una distribucin
Geomtrica
La cantidad de eventos no est
prefijada.

Se contina con las pruebas hasta

lograr el primer xito.

La probabilidad de xito p es

constante a travs de las pruebas.

Binomial
Negativa
Aplicaciones: estimar la distribucin
de la cantidad n de pruebas hasta
que ocurran s eventos, cuando la
probabilidad p de ocurrencia de un
evento es constante en el tiempo.

Parmetros: n = s + Negbin (s,p)

s es el parmetro que le da la forma a
la distribucin.

Condiciones
subyacentes de
una distribucin
Binomial Negativa
La cantidad de pruebas no est
prefijada.

Se contina con las pruebas hasta

que se observa la cantidad de
eventos (s) buscada.

La probabilidad de xito p es

constante de prueba a prueba.

Distribucin
Hipergeomtrica
Al igual que la distribucin Binomial, esta

distribucin describe la cantidad de

ocurrencias de un evento en una cantidad
de pruebas.

La diferencia con la distribucin Binomial

es que a medida que se avanza con las
pruebas cambia la probabilidad de
ocurrencia del evento: pruebas sin
reemplazo.

Condiciones
subyacentes de
una distribucin
Hipergeomtric
La cantidad total de elementos de una
a
poblacin es finita.

La muestra representa una porcin de la

poblacin.

La probabilidad de ocurrencia del evento

en la poblacin es conocida y cambia
ligeramente luego de cada prueba.

Distribuciones de
probabilidad para
Procesos Continuos
Un Proceso Continuo se caracteriza por un
Intervalo Medio de Tiempo entre Eventos
(beta).

Estimacin del Intervalo

Medio de Tiempo entre
beta es el intervalo
Eventos
(betade) exposicin
promedio entre n eventos observados.
El verdadero valor de beta puede ser
estimado a partir de n eventos
observados valindose del TCL:

beta = Normal (t,sigma/(n-1)1/2)

t = promedio de los n-1 intervalos contiguos
sigma = desvo standard de los ti intervalos.

La precisin de la estimacin de beta

aumenta a medida que aumenta n.

Poisson
Aplicaciones: estimar la cantidad N de

ocurrencias de un evento en un
intervalo de tiempo T cuando el tiempo
medio entre eventos sucesivos (beta)
se ajusta a un proceso tipo Poisson.

Parmetros: N = Poisson (lambda * t)

lambda = 1 / beta
Lambda se puede interpretar como la
cantidad promedio de ocurrencias del
evento por unidad de exposicin.

Condiciones
subyacentes a
una distribucin
Poisson
La cantidad de eventos por unidad de

exposicin no est limitada a un valor

discreto.

Los eventos son independientes entre s

(el nmero de eventos en un intervalo de

exposicin no afecta al nmero de eventos
en otro intervalo de exposicin).

La cantidad promedio de eventos se

mantiene constante de intervalo a

Exponencial
Aplicaciones: estimar la distribucin del

(tiempo) entre ocurrencias sucesivas de un

evento que tiene una probabilidad de
ocurrencia p constante por unidad de (tiempo).
Parmetros: Expon (beta)
Si la probabilidad p de ocurrencia del evento
es constante a travs del tiempo, la
estimacin del tiempo que medie hasta la
ocurrencia del prximo evento es
independiente del tiempo que haya
transcurrido desde la ltima ocurrencia.

Gamma
Aplicaciones: estimar la distribucin del

(tiempo) entre ocurrencias sucesivas de

un evento n veces cuando el evento
tiene una probabilidad de ocurrencia p
constante por unidad de (tiempo).
Parmetros: Gamma (n, beta)

Beta
Aplicaciones: estimar la probabilidad de

ocurrencia p de un evento, a partir de la

observacin de s eventos en n pruebas.
Parmetros: Beta (alfa1,alfa2)
alfa 1 : s+1
alfa2: n-s+1
La distribucin Beta puede tomar muchas
formas, segn los valores de alfa1 y alfa2.
A medida que aumenta n, se gana
precisin en la estimacin de p (la
distribucin de p se comprime)

Dada la gran variedad de formas que puede

asumir segn los valores asignados a los
parmetros, la distribucin Beta tambin se
usa para describir datos empricos.

Si los valores de ambos parmetros son

iguales, Beta es simtrica.

Si alfa1 es menor que alfa2, la distribucin

est sesgada hacia la derecha.

Si alfa1 es mayor que alfa2, la distribucin

est sesgada hacia la izquierda

Fundamentos de
probabilidad para
simulacin.
Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes
nmeros.
Teorema del lmite central.

Ley de los Grandes Nmeros

(desigualdad de Tschebycheff)
Cuanto mayor sea el tamao de la

muestra, mayor ser el ajuste entre la

distribucin muestral y la distribucin
terica sobre la que se basa la muestra.

la frecuencia relativa de los resultados de

un cierto experimento aleatorio, tienden a

estabilizarse en cierto nmero, que es
precisamente la probabilidad , cuando el
experimento se realiza muchas veces

Ley de los Grandes

Nmeros (desigualdad de
Tschebycheff)

Ver simulacin del experimento

Fundamentos de
probabilidad para
simulacin.
Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes nmeros.

Teorema central del

lmite.

Teorema Central del

Lmite (TCL)
La media muestral de un conjunto de n

variables muestreadas en forma

independiente a partir de una misma
distribucin f(x) se ajusta a una distribucin
aprox. Normal con los siguientes parmetros:
x = Normal ( mu, sigma / n1/2 )
En otras palabras, la distribucin del
promedio de un conjunto de variables
aleatorias depende tanto de la cantidad de
variables aleatorias promediadas como de la
incertidumbre aportada por cada variable.

Teorema Central del

Lmite (cont.)
La suma de n variables aleatorias

La suma de n variables aleatorias

independientes da como resultado una
distribucin aproximadamente Normal,
sin importar la forma de la distribucin
de las variables sumadas.
El producto de n variables aleatorias
independientes da como resultado una
distribucin aproximadamente
Lognormal, independientemente de la
forma de la distribucin de las variables
intervinientes.

Teorema Central del

Lmite (cont.)

Ver simulacin del experimento

Simulacin Monte Carlo

1. Disear el modelo matemtico que representa

el problema.
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 segn los
valores del muestreo y registrar el resultado.
6. Repetir el proceso iterativamente hasta tener
una muestra estadsticamente representativa.
7. Obtener la distribucin de frecuencias del
resultado de las iteraciones.
8. Calcular media, desvo y curva de percentiles
acumulados.