Integrantes del equipo:

Chávez Martín Monserrat

Hernández Díaz Jorge Luis
Mendoza Navas Félix Alfredo
Pérez Tovar Marvin Orlando
Valencia Mérida Kevin Alberto

Docente:
Hernández Castillo Jehiely Belem:

Materia:
Simulación
Carrera: Ingeniería Industrial Semestre y grupo: 6-A

Trabajo:
Practica de simulación de Montecarlo en Excel

Numero de equipo

Equipo 4
Fecha de entrega:
01 de junio de 2020
 Índice
Resumen......................................................................................................................................3

Marco teórico..............................................................................................................................5

Objetivos.....................................................................................................................................8

Métodos.......................................................................................................................................9

Resultados.................................................................................................................................12

Conclusión.................................................................................................................................13

Referencias................................................................................................................................14
Resumen
Simulación Montecarlo

El modelo de Monte Carlo, llamado también método de ensayos estadísticos, es una técnica
de simulación de situaciones inciertas que permite definir valores esperados para variables no
controlables, mediante la selección aleatoria de valores, donde la probabilidad de elegir entre
todos los resultados posibles está en estricta relación con sus respectivas distribuciones de
probabilidades.

El método se llamó así en referencia al Casino de Monte Carlo (Principado de Mónaco) por ser
“la capital del juego de azar”, al ser la ruleta un generador simple de números aleatorios. El
nombre y el desarrollo sistemático de los métodos de Monte Carlo datan aproximadamente de
1944 y se mejoraron enormemente con el desarrollo de la computadora.

De esta manera, el programa selecciona un valor aleatorio al azar para cada variable elegida,
el cual está acorde con la distribución de probabilidades asignada a cada una. Al pedirle que
ejecute, por ejemplo, mil iteraciones, permite obtener valores actuales netos, los cuales
presenta en un resumen gráfico con los resultados de la simulación. Además de entregar
información estadística, indica el porcentaje de escenarios en que el VAN es igual o superior
a cero.

Durante una simulación Monte Carlo, los valores se muestrean aleatoriamente a partir de las
distribuciones de probabilidad introducidas. Cada grupo de muestras se denomina
iteración, y el resultado correspondiente de esa muestra queda registrado. La simulación
Monte Carlo realiza esta operación cientos o miles de veces, y el resultado es una distribución
de probabilidad de posibles resultados. De esta forma, la simulación Monte Carlo proporciona
una visión mucho más completa de lo que puede suceder. Indica no sólo lo que puede suceder,
pág. 2
sino la probabilidad de que suceda.

La simulación Monte Carlo proporciona una serie de ventajas sobre el análisis determinista o
“estimación de un solo punto”:

Resultados probabilísticos. Los resultados muestran no sólo lo que puede suceder, sino lo
probable que es un resultado.
Resultados gráficos. Gracias a los datos que genera una simulación Monte Carlo, es fácil
crear gráficos de diferentes resultados y las posibilidades de que sucedan. Esto es importante
para comunicar los resultados a otras personas interesadas.

pág. 3
Análisis de sensibilidad. Con sólo unos pocos resultados, en los análisis deterministas es
más difícil ver las variables que más afectan el resultado. En la simulación Monte Carlo,
resulta más fácil ver qué variables introducidas tienen mayor influencia sobre los resultados
finales.
Análisis de escenario. En los modelos deterministas resulta muy difícil modelar diferentes
combinaciones de valores de diferentes valores de entrada, con el fin de ver los efectos de
situaciones verdaderamente diferentes. Usando la simulación Monte Carlo, los analistas
pueden ver exactamente los valores que tienen cada variable cuando se producen ciertos
resultados. Esto resulta muy valioso para profundizar en los análisis.
Correlación de variables de entrada. En la simulación Monte Carlo es posible modelar
relaciones interdependientes entre diferentes variables de entrada. Esto es importante para
averiguar con precisión la razón real por la que, cuando algunos factores suben, otros suben
o bajan paralelamente.
MODELO UNIDIMENSIONAL DE LA SENSIBILIZACIÓN DEL VAN

El análisis unidimensional de la sensibilización del VAN determina hasta dónde puede

modificarse el valor de una variable para que el proyecto siga siendo rentable. Si en la
evaluación del proyecto se concluyó que en el escenario proyectado como el más probable
el VAN era positivo, es posible preguntarse hasta dónde puede bajarse el precio o caer la
cantidad demandada o subir un costo, entre otras posibles variaciones, para que ese VAN
positivo se haga cero. Se define el VAN de equilibrio como cero por cuanto es el nivel
mínimo de aprobación de un proyecto. De aquí que al hacer el VAN igual a cero se busca
determinar el punto de quiebre o variabilidad máxima de una variable que resistiría el
proyecto.
Como su nombre lo indica, y aquí radica la principal limitación del modelo, sólo se puede
sensibilizar una variable por vez.
Marco teórico
Simulación de Montecarlo.

La simulación numérica de sistemas es una herramienta de estudio que permite a veces el

salto que se da entre la formulación teórica de una modelo y las comprobaciones
experimentales, ya que permite:
 Evaluar la bondad de determinadas aproximaciones que se realizan en la
formulación de sistemas con muchas partículas.
 O investigar sistemas cuya formulación analítica resulta demasiado compleja.
Las propiedades observables que se miden experimentalmente en los sistemas de muchas
partículas, son el promedio estadístico de los estados de mínima energía por los que fluctúa
durante el tiempo de la media. Identificar teóricamente estos estados es difícil ya que
habitualmente el hamiltoniano de interacción que describe los sistemas de muchas
partículas presenta una serie de mínimos locales muy cercanos entre si que se convierte la
búsqueda del mínimo global en una tarea conflictiva. Numéricamente se intenta buscar el
mínimo global mediante métodos tan variados como:
 MONTE CARLO.
 DINAMICA MOLECULAR.
 ENTRE OTROS.
Y que se pueden clasificar en 2 grandes bloques, los métodos deterministas y estocásticos.
Entendemos por simulación la experimentación sobre un modelo de cierto sistema, de cara
a predecir el comportamiento del mismo.
El objetivo es encontrar los estados del sistema compatibles con el mínimo global de
energía para unas condiciones dadas, a partir de los que calculan los promedios estadísticos
de las propiedades físicas del sistema.
Uno precursor de simulación de nuestros días es la técnica de Monte Carlo, esquema
dirigido a hacia la estimación de parámetros estocásticos o determinísticos con base en el
muestreo aleatorio. La diferencia principal entre las dos técnicas es que en el método de
Monte Carlo el elemento tiempo no es factor pertinente.
En el segundo bloque, las simulaciones estocásticas o de Monte Carlo, lo que interesa, más
que la descripción dinámica completa, es el valor promedio de algunas magnitudes de
interés físico. Esto se consigue mediante la equivalencia que el teorema ergodico estable
entre los promedios temporales y los promedios estáticos en sistemas de equilibrio. En lugar
de promediar magnitudes obtenidas mediante la dinámica espacio-temporal del sistema se
calculan promedios obtenidos a partir del conjunto estadístico. Para obtener buenos
resultados con este método es fundamental generar un conjunto estadísticos de datos
generados bien seleccionados, que se encuentren dentro de un rango estadístico de estados
más probables, es el estado llamado “muestreado de importancias”. Un muestreo cuidadoso
permite además obtener información dinámica del sistema.
Los métodos de Monte Carlo en red han ayudado mucho a entender las propiedades
estáticas y dinámicas de los modelos poliméricos y reemplazan a menudo otras técnicas
más realistas, como las simulaciones de dinámica molecular o de Monte Carlo de modelos
continuos, pero computacionalmente más costosas.

Los inicios del método de Monte Carlo se remontan a 1777, cuando Buffon intentaba
calcular el número π a partir de ensayos con repetición, aunque, el desarrollo del método tal
y como hoy se conoce, empieza realmente con el uso de los primeros ordenadores en la
construcción de las primeras bombas atómicas, por el precursor del método. Ulam y
Metrópolis, durante la segunda Guerra mundial.

Se basa en el uso de una secuencia de números aleatorios capaces de generar una

trayectoria estocástica en el espacio de las fases del método considerado, lo que permite
calcular promedios termodinámicos o inclusive propiedades dinámicas en ciertas
situaciones.

En los problemas de mecánica estadística, las propiedades termodinámicas se calculan

haciendo promedios sobre el conjunto estadístico de los estados que configuran el estado
configuracional o de fases del Sistema. Cada estado colectivo constituye una configuración
o un punto del espacio de las fases, I y el promedio termodinámico de una magnitud
observable, viene dado por:

Donde la sumatoria de es la función densidad de probabilidad del conjunto estadístico

que describe el Sistema.

El conjunto canónico en un Sistema de n partículas contenidas en un volumen V que se

mantiene a temperatura T constante y a la función densidad de probabilidad viene dada por:

Con H hamiltoniano de las interacciones del Sistema y Z(H,T) la función de partición,

definida por
El promedio estadístico en el conjunto canónico se calcula mediante:

La dificultad estriba en calcular Z(H,T), tarea habitualmente ardua cuando no imposible.

La técnica de Monte Carlo consiste en realizar un muestreo discreto del espacio de las
fases, I, y sustituir el promedio integral en la ecuación anterior, por un sumatorio sobre un
conjunto discreto y aleatorio de puntos del espacio de fases:

En el límite M-> ∞ ambos promedios coinciden. Mediante métodos estáticos, en los que se
genera una secuencia estadísticamente independiente de puntos del espacio de la fase a
partir de la distribución y solamente se obtienen propiedades de equilibrio.

Mediante métodos dinámicos, en los que se genera los puntos del espacio de las fases
secuencialmente, uno a partir de otros a través de un proceso estocástico que tiene como
única distribución de equilibrio, la misma y permite obtener información dinámica.

Pero muestrear el espacio de fase de manera simplemente aleatoria presenta un

inconveniente crucial:

El factor Boltzmann, exp , varia rápidamente con H dentro del rango de las
temperaturas de interés en la simulación de polímeros y solo interesa la
configuración de las configuraciones con mayor peso estadístico, que contribuyan de
manera significativa al promedio de los observables físicos. Estas configuraciones
constituyen una región importante en el espacio de fases y efectuar un muestreo de
importancia en la región con mayor peso estadístico.
 Los puntos del espacio de fases con mayor densidad de probabilidad contribuyen
con mayor peso estadístico en el promedio del observable

Objetivos

 Conocer y aplicar los pasos en el procedimiento de simulación.

 Simulaciones a través del Excel.

 Escoger una política adecuada de inventarios que resulte en un buen servicio a los
clientes y a un costo razonable.

 Desarrollar un modelo que involucra el costo y nivel de servicio con entradas

probabilísticas, como la demanda del producto y el plazo de entrega de los
proveedores, y con entradas controlables, como la cantidad que se debe pedir y el
punto de pedido.

 Generar diversos valores posibles para las entradas probabilísticas y se calcularía el

costo y niveles de servicio resultantes.

 Someter un proyecto a una simulación de Montecarlo es hacer un análisis del riesgo,

examinar la robustez y aumentar la confianza que podemos tener en el sistema.
Métodos

El método utilizado en la practica de un ejemplo de Montecarlo fue el siguiente:

1. Se dijo que la ruleta tendrá ocho divisiones, que va hacer del número 1 al 8

2. Se obtuvo que probabilidad tendrá cada número mientras que la ruleta gire. Se utilizó la
siguiente formula
 3. Se obtuvo la probabilidad acumulada de cada número se utilizó la siguiente formula.

4. Se obtuvo los intervalos, que son los numero de la F(x).

Esto nos sirve para que cuando se generen numeros aleatoriso se pueda observar en que
intervalo cae ese numero aleatorio.
 5. Se genero los numeros aleatorios y se utilizo la siguiente formula.

Los 20 numeros aleatorios representan 20 personas que giraron la ruleta.

6. Se obtuvo el valor pertenciente de cada numero aleatorio para saber en que

intervalo cayo el numero aleatorio, se utilizo la siguiente formula.

Por ejemplo: el primero numero aleatorio que es 0.54 cae en el intervalo numero 5.
Resultados

En conclusion, de los 20 numeros generados aleatoriamente, la probabilidad de donde la ruleta

valla a parar, sera el numero que mas se repita, en este caso la ruleta va a parar en el numero 7.
Conclusión

Como pudimos observar en el presente trabajo, la técnica de Monte Carlo es una técnica
cuantitativa de usa la estadística y los ordenadores para poder simular, mediante modelos
matemáticos, el comportamiento aleatorio de los sistemas.

La simulación de Monte Calo nos ofrece una serie de resultados que nos ayudan para la
toma de decisiones y también la posibilidad de que se produzcan según las medidas
tomadas. También nos muestra las posibles consecuencias de las decisiones intermedias.

El objetivo de someter un proyecto a una simulación de Montecarlo es hacer un análisis del

riesgo, examinar la robustez y aumentar la confianza que podemos tener en el sistema.

Tendremos mayor confianza porque sabremos qué es lo que podemos esperar del sistema.

El análisis nos dirá con qué nivel de confianza estadística los resultados futuros estarán
dentro un rango X, y también nos indicará cuanto será el drawdown que posiblemente
tendremos que afrontar.
Referencias
Libros.
Sistemas expertos probabilísticos. José Antonio Gámez Martin y José miguel puerta
callejón.
Simulación de Monte Carlo de sistemas complejos en red. Por Yolanda Piñeiro redondo.
Investigación de operaciones. Por Hamdy A. Taha.

THIERAUF, Robert J y GROSSE, Richard., Toma de decisiones por medio de

Investigación de Operaciones, México: Editorial LIMOSA-NORIEGA, 1990