HECTOR EDUARDO ROMERO MAGDONEL

620218020
MODELADO Y SIMULACION DE SISTEMAS

Actividad 3. Ejercicio

PROFESOR: SERGIO SANTANA

 EJERCICIO
GENERACIÓN DE NÚMEROS PSEUDOALEATORIOS MÉTODO
DE MONTE CARLO

Fecha: 02/08/2024
Nombre del estudiante: HECTOR EDUARDO ROMERO
MAGDONEL
Nombre del docente:Sergio Casasola

1. Con base en el material consultado en la unidad, resuelve el ejercicio que se plantea a

continuación acerca de los siguientes temas:
➢ Generación de números aleatorios

Ejercicio. Simulación de Monte Carlo

Marco teórico del ejercicio

Los métodos de Monte Carlo abarcan una colección de técnicas que permiten obtener
soluciones de problemas matemáticos o físicos por medio de pruebas aleatorias repetidas.
En la práctica, las pruebas aleatorias se sustituyen por resultados de ciertos cálculos
realizados con números aleatorios.
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
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 pseudoaleatorio 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.
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:
1. Determinar la/s Variables aleatorias y sus distribuciones acumuladas(F).
2. Generar un número aleatorio uniforme (0,1).
3. Determinar el valor de las variables aleatorias para el número aleatorio generado de
acuerdo con las clases que tengamos.
4. Calcular media, desviación estándar error y realizar el histograma.
5. Analizar resultados para distintos tamaños de muestra.

Iterar los pasos 2, 3 y 4 tantas veces como muestras se requieran para el problema.
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:
1. Diseñar el modelo lógico de decisión.
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 según los valores del muestreo (iteración) y registrar
el resultado.
6. Repetir el proceso hasta tener una muestra estadísticamente representativa.
7. Obtener la distribución de frecuencias del resultado de las iteraciones.
8. Calcular media, desvío.
9. Analizar los resultados

Las principales características a tener en cuenta para la implementación o utilización del

algoritmo son:
o El sistema debe ser descrito por 1 o más funciones de distribución de probabilidad
(fdp).
o Generador de números aleatorios: cómo se generan los números aleatorios es
importante para evitar que se produzca correlación entre los valores muestrales.
o Establecer límites y reglas de muestreo para las fdp: conocemos que valores pueden
adoptar las variables.
o Definir Scoring: Cuando un valor aleatorio tiene o no sentido para el modelo a simular.
o Estimación Error: ¿Con qué error trabajamos? ¿Cuánto error podemos aceptar para
que una corrida sea válida?
o Técnicas de reducción de varianza.
o Paralelización y vectorización: En aplicaciones con muchas variables se estudia
trabajar con varios procesadores paralelos para realizar la simulación.
 La función ALEATORIO() de Excel
Las hojas de cálculo como Excel (y cualquier lenguaje de programación estándar) son
capaces de generar números pseudoaleatorios provenientes de una distribución uniforme
entre el 0 y el 1. Este tipo de números pseudoaleatorios son los elementos básicos a partir
de los cuales se desarrolla cualquier simulación.
En Excel, es posible obtener un número pseudoaleatorio proveniente de una distribución
uniforme entre el 0 y el 1 usando la función ALEATORIO():

2. Datos del problema

Se tiene la siguiente distribución de probabilidades para una demanda aleatoria y se

debe determinar el efecto del promedio de la demanda en varias iteraciones:

Utilizando la distribución acumulada F(x) es decir, la probabilidad que la variable aleatoria

tome valores menores o iguales a (x) se determina cuál 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.
Generando los valores aleatorios se obtiene el valor de la demanda para cada día,
interesándonos en este caso, cómo 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 ser 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 buscar en las acumuladas, para poder emplear la función BUSCARV(),
para 42 sería 0, para 43 0,100001 y así sucesivamente).

Por ejemplo, si el número aleatorio generado sea 0,52, ¿a qué valor de unidades
corresponde? observamos en la columna de frecuencias acumuladas, ese valor exacto
no aparece, el siguiente mayor es 0,70 y corresponde a 48 unidades. Se puede apreciar
mejor en el gráfico, trazando una recta desde el eje de la frecuencia hasta que intercepta
con la línea de la función acumulada, luego se baja a la coordenada de unidades y se
obtiene el valor correspondiente; en este caso 47.

Cuando trabajamos con variables discretas la función acumulada tiene un intervalo o

salto 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.
 En la siguiente tabla, se aprecia como a medida que aumenta el número de
simulaciones, el valor simulado se acerca al valor original de la media y desviación
estándar, además de la disminución del error típico.

3. Ahora genera números aleatorios, sigue el procedimiento que a continuación se detalla:

a. Para los datos del problema presentado sobre la demanda, realiza en Excel,
números aleatorios utilizando la función ALEATORIO() para una distribución
uniforme de 0 a 1. Por lo menos 30 números aleatorios.

Nota: La función ALEATORIO es una función volátil de Excel. Esto significa

que cada vez que pulsamos la tecla F9 o cambiemos alguno de los inputs
del modelo, todas las celdas donde aparezca la función ALEATORIO serán
recalculadas de forma automática.

b. Determina el valor de las variables aleatorias para el número aleatorio generado

de acuerdo con las clases del problema, puedes generar una tabla de
distribuciones de frecuencia para este paso.
c. Calcula la media, desviación estándar error y realiza el histograma
correspondiente.

4. Presenta tus resultados en un documento en .PDF, para lo cual puedes utilizar las tablas
generadas en Excel e incluye portada, desarrollo, conclusión y referencias estilo APA 7.

5. Al finalizar esta actividad, vuelve a la plataforma y sigue los pasos que se indican para enviar
tu trabajo.
numero de simulacion números aleatorios valor de la demanda

1 0.23657766 45
2 0.01937271 42
3 0.27059503 45
4 0.84619111 51
5 0.33241734 48
6 0.46508011 48
7 0.65869991 48
8 0.02534335 42
9 0.02499606 42
10 0.82969174 51
11 0.65677103 48
12 0.54654758 48
13 0.20520055 45
14 0.40380676 48
15 0.82929623 51
16 0.27991878 45

17 0.50606218 48 14
12
18 0.07674283 42 10
8
19 0.48065147 48
6
20 0.92501733 54 4
21 0.65305716 48 2
0
22 0.27452328 45
23 0.14131064 45
24 0.4859736 48
25 0.30184538 48
26 0.28753903 45
27 0.75292995 51
28 0.15042205 45
29 0.38761885 48
30 0.01651817 42
 frecuencia
unidades frecuencia
acumulada
42 0.00 0.10
45 0.20 0.30
48 0.40 0.70
51 0.20 0.90
54 0.10 1.00

desviación
unidades frecuencia 3.05941171
estándar
42 5 media 48
45 8 error 0.5585696
48 12
51 4
54 1

DESVIACION ESTANDAR

desviación estándar

14
12
10
8
6
4
2
0

42 45 48 51 54
 CONCLUSION

Las simulaciones de Monte Carlo son una herramienta poderosa en el análisis y la toma de decisiones en situaciones de
incertidumbre. Aquí tienes una conclusión general sobre su uso y efectividad:
Conclusión sobre las Simulaciones de Monte Carlo
Las simulaciones de Monte Carlo son fundamentales en la evaluación y gestión de riesgos en una variedad de campos,
incluyendo finanzas, ingeniería, ciencias físicas y más. Su capacidad para modelar sistemas complejos y variables
inciertas las convierte en una herramienta invaluable para prever posibles resultados y tomar decisiones informadas.
Ventajas:
1. Flexibilidad: Permiten modelar problemas con múltiples variables y distribuciones probabilísticas, adaptándose a una
amplia gama de situaciones.
2. Evaluación de Riesgos: Ayudan a cuantificar la incertidumbre y los riesgos asociados a diferentes decisiones o
escenarios, proporcionando una perspectiva más clara de las posibles variaciones en los resultados.
3. Visualización de Resultados: Facilitan la generación de distribuciones de probabilidad y la representación gráfica de
posibles resultados, lo que facilita la interpretación y comunicación de la información.
4. Optimización: Ayudan a identificar las mejores estrategias o soluciones al simular diferentes escenarios y evaluar
sus impactos potenciales.
Desventajas:
1. Dependencia de Datos: La precisión de las simulaciones depende en gran medida de la calidad de los datos y
supuestos iniciales. Datos incorrectos o supuestos poco realistas pueden llevar a conclusiones erróneas.
2. Requerimientos Computacionales: Pueden ser intensivas en términos de recursos computacionales,
especialmente cuando se requieren un gran número de simulaciones para obtener resultados precisos.
3. Interpreción Compleja: Los resultados pueden ser difíciles de interpretar sin un análisis adecuado, y la complejidad
de los modelos puede requerir un nivel alto de especialización.
Conclusión General:
Las simulaciones de Monte Carlo son una herramienta esencial para la toma de decisiones en condiciones de
incertidumbre, proporcionando un marco robusto para evaluar el riesgo y prever resultados. Aunque tienen
limitaciones y requieren una gestión cuidadosa de los datos y los recursos computacionales, su capacidad para
ofrecer una visión detallada de los posibles escenarios y resultados las hace extremadamente valiosas en muchos
contextos. La clave para su éxito radica en el diseño adecuado del modelo, la validación de los datos y la
interpretación efectiva de los resultados.
 REFERENCIAS

Books on Monte Carlo Simulations:

• Kroese, D. P., May, J. M., & Rubino, G. (2011). Statistical Analysis of Stochastic Processes in Time. Springer.
o Referencia APA: Kroese, D. P., May, J. M., & Rubino, G. (2011). Statistical analysis of stochastic processes
in time. Springer.
• Helton, J. C., & Davis, F. J. (2003). Latin Hypercube Sampling and the Propagation of Uncertainty in Analysis of
Complex Systems. Springer.
o Referencia APA: Helton, J. C., & Davis, F. J. (2003). Latin hypercube sampling and the propagation of
uncertainty in analysis of complex systems. Springer.
Articles on Monte Carlo Methods:
• Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association, 44(247),
335-341.
o Referencia APA: Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American
Statistical Association, 44(247), 335-341. https://doi.org/10.2307/2280232
• Rubinstein, R. Y., & Kroese, D. P. (2016). Simulation and the Monte Carlo Method (3rd ed.). Wiley.
o Referencia APA: Rubinstein, R. Y., & Kroese, D. P. (2016). Simulation and the Monte Carlo method (3rd ed.).
Wiley.
General References on Decision-Making and Uncertainty:
• Wang, H., & Meyer, M. (2002). Monte Carlo simulation for risk assessment and decision-making. Journal of Risk
Research, 5(3), 277-298.
o Referencia APA: Wang, H., & Meyer, M. (2002). Monte Carlo simulation for risk assessment and decision-
making. Journal of Risk Research, 5(3), 277-298. https://doi.org/10.1080/13669870220136793