Escolar Documentos
Profissional Documentos
Cultura Documentos
MONTE CARLO
CON MS EXCEL
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.
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
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
Fundamentos de
probabilidad para
simulacin.
Variables Aleatorias
Distribuciones de
probabilidad
Distribucin de
probabilidad
Distribuciones de
probabilidad
Discretas
Distribuciones de
probabilidad
Continuas
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 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
DISTRIBUCIONES NO
PARAMETRICAS
Uniforme
Todos los valores dentro del rango factible
Triangular
Aplicaciones: estimar subjetivamente
Triangular
(cont.)
Sus propiedades estadsticas se derivan de su
Histograma
Histograma
Discreta
Discreta
Aplicaciones:
1. Describir una variable aleatoria que puede
DISTRIBUCIONES
PARAMETRICAS
Normal
Aplicaciones: una variedad de
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
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
1 x
Estimacin
subjetiva de los
parmetros de
una Normal
Media: Valor ms probable
Desvo: el intervalo +/- 2*sigma
Lognormal
Aplicaciones: modelar variables que son el
Condiciones
subyacentes de una
distribucin
Lognormal
Distribuciones de
probabilidad para
Procesos estocasticos
Discretos
Un Proceso Discreto se caracteriza por
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.
Condiciones
subyacentes a
una distribucin
En cada prueba slo hay dos resultados
Binomial
posibles
Geomtrica
Aplicaciones: estimar la cantidad n de
Condiciones
subyacentes de
una distribucin
Geomtrica
La cantidad de eventos no est
prefijada.
La probabilidad de xito p es
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.
Condiciones
subyacentes de
una distribucin
Binomial Negativa
La cantidad de pruebas no est
prefijada.
La probabilidad de xito p es
Distribucin
Hipergeomtrica
Al igual que la distribucin Binomial, esta
Condiciones
subyacentes de
una distribucin
Hipergeomtric
La cantidad total de elementos de una
a
poblacin es finita.
Distribuciones de
probabilidad para
Procesos Continuos
Un Proceso Continuo se caracteriza por un
Intervalo Medio de Tiempo entre Eventos
(beta).
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.
Condiciones
subyacentes a
una distribucin
Poisson
La cantidad de eventos por unidad de
Exponencial
Aplicaciones: estimar la distribucin del
Gamma
Aplicaciones: estimar la distribucin del
Beta
Aplicaciones: estimar la probabilidad de
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.
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.