INSTITUTO TECNOLOGICO DE LAZARO
CARDENAS
3.2 EJEMPLO DE UNA
SIMULACIÓN TIPO
MC
INTEGRANTES DE EQUIPO:
CEBRERO SOLORIO MISAEL ALEJANDRO
CANO CORTES HIRAM ABI
VEGA MONJARAS ANDREA
NAVARRO CARMONA EDAGAR EDUARDO
INTRODUCCION
• La simulación de Monte Carlo es una técnica que combina
conceptos estadísticos (muestreo aleatorio) con la
capacidad que tienen los ordenadores para generar
números pseudo-aleatorios y automatizar cálculos.
OBJETIVOS
• Introducir los conceptos e ideas clave de la simulación MC. •
Introducirse en las capacidades que ofrece Excel en los
campos de modelado y simulación.
• Conocer algunas aplicaciones de la simulación MC.
CONOCIMIENTOS PREVIOS
• Este math-block supone ciertos conocimientos básicos de
estadística (inferencia y probabilidad), así como
conocimientos -a nivel de usuario- de la hoja de cálculo
Excel.
CONCEPTOS FUNDAMENTALES
• Las hojas de cálculo como Excel (y cualquier lenguaje de
programación estándar) son capaces de generar números
pseudo-aleatorios provenientes de una distribución
uniforme entre el 0 y el 1. Este tipo de números pseudo-
aleatorios son los elementos básicos a partir de los cuales
se desarrolla cualquier simulación por ordenador. En
Excel, es posible obtener un número pseudo-aleatorio -
proveniente de una distribución uniforme entre el 0 y el 1-
usando la función ALEATORIO:
• Los números generados mediante la función ALEATORIO tienen dos propiedades que los hacen equiparables a
números completamente aleatorios:
• 1. Cada vez que se usa la función ALEATORIO, cualquier número real entre 0 y 1 tiene la misma probabilidad
de ser generado (de ahí el nombre de distribución uniforme).
• 2. Los diferentes números generados son estadísticamente independientes unos de otros (es decir, el valor del
número generado en un momento dado no depende de los generados con anterioridad).
• 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. Se pueden encontrar ejemplos del uso de ALEATORIO en el propio menú de
ayuda de Excel.
¿Qué es la simulación de Monte Carlo?
• La simulación de Monte Carlo como técnica cuantitativa
que hace uso de la estadística y cuáles son los procesos en
los ordenadores para imitar, mediante modelos
matemáticos, el comportamiento aleatorio de sistemas
reales no dinámicos. Concretamente haciendo uso de la
planilla de cálculo de Microsoft Excel, se describe cómo es
posible obtener un número pseudo-aleatorio -proveniente
de una distribución uniforme entre el 0 y el 1- usando la
función ALEATORIO. Avanzando en ejemplos mas
complejos se construyen modelos de simulación Monte
Carlo cuando las variables aleatorias son discretas o
continuas.
• La clave de la simulación MC consiste en crear un modelo
matemático del sistema, proceso o actividad que se quiere
analizar, identificando aquellas variables (inputs del modelo)
cuyo comportamiento aleatorio determina el comportamiento
global del sistema. Una vez identificados dichos inputs o
variables aleatorias, se lleva a cabo un experimento consistente
en (1) generar – con ayuda del ordenador- muestras aleatorias
(valores concretos) para dichos inputs, y (2) analizar el
comportamiento del sistema ante los valores generados. Tras
repetir n veces este experimento, dispondremos de n
observaciones sobre el comportamiento del sistema, lo cual nos
será de utilidad para entender el funcionamiento del mismo –
obviamente, nuestro análisis será tanto más preciso cuanto
mayor sea el número n de experimentos que llevemos a cabo.
EJEMPLO
• En la imagen inferior se muestra un análisis histórico de 200
días sobre el número de consultas diarias realizadas a un
sistema de información empresarial (EIS) residente en un
servidor central. La tabla incluye el número de consultas
diarias (0 a 5) junto con las frecuencias absolutas (número de
días que se producen 0, 1, ..., 5 consultas), las frecuencias
relativas (10/200 = 0,05, ...), y las frecuencias relativas
acumuladas.
• Podemos interpretar la frecuencia relativa como la probabilidad
de que ocurra el suceso asociado, en este caso, la probabilidad
de un determinado número de consultas (así, p.e., la
probabilidad de que se den 3 consultas en un día sería de 0,30),
por lo que la tabla anterior nos proporciona la distribución de
probabilidad asociada a una variable aleatoria discreta (la
variable aleatoria es el número de consultas al EIS, que sólo
puede tomar valores enteros entre 0 y 5). Supongamos que
queremos conocer el número esperado (o medio) de consultas
por día. La respuesta a esta pregunta es fácil si recurrimos a la
teoría de la probabilidad: Denotando por X a la variable
aleatoria que representa el número diario de consultas al EIS,
sabemos que:
• Cuando se conozca la distribución de probabilidad asociada a
una variable aleatoria discreta, será posible usar la columna de
frecuencias relativas acumuladas para obtener los llamados
intervalos de números aleatorios asociados a cada suceso. En
este caso, los intervalos obtenidos son:
• [0,00 , 0,05) para el suceso 0
• [0,05 , 0,15) para el suceso 1
• [0,15 , 0,35) para el suceso 2
• [0,35 , 0,65) para el suceso 3
• [0,65 , 0,85) para el suceso 4
• [0,85 , 1,00) para el suceso 5
• El gráfico siguiente nos muestra cada una de las
probabilidades sobre el número de consultas. En él, se aprecia
claramente la relación existente entre probabilidad de cada
suceso y el área que éste ocupa.
• Esto significa que, al generar un número pseudo-aleatorio
con el ordenador (proveniente de una distribución uniforme
entre 0 y 1), estaremos llevando a cabo un experimento
cuyo resultado, obtenido de forma aleatoria y según la
distribución de probabilidad anterior, estará asociado a un
suceso. Así por ejemplo, si el ordenador nos proporciona el
número pseudo-aleatorio 0,2567, podremos suponer que ese
día se han producido 2 consultas al EIS.
Asignamos pues la función ALEATORIO a una casilla (la G1 en el caso de la imagen):
• Seleccionando la celda y “arrastrando” con el ratón desde el
borde inferior derecho de la misma podemos obtener un listado
completo de números pseudo-aleatorios:
• A continuación, podemos usar la función SI de Excel para asignar
un suceso a cada uno de los números pseudo-aleatorios
generados (como veremos, otra forma de hacer esta asignación
será usando la función BUSCARV):
• Repitiendo el proceso de seleccionar y “arrastrar” obtendremos
algo similar a:
• Finalmente, usando la función PROMEDIO será posible calcular la media de los
valores de la columna H:
En este caso, hemos obtenido un valor estimado que corresponde exactamente con el valor
real anteriormente calculado vía la definición teórica de la media. Sin embargo, debido a la
componente aleatoria intrínseca al modelo, normalmente obtendremos valores “cercanos”
al valor real, siendo dichos valores diferentes unos de otros (cada simulaci ón proporcionar á
sus propios resultados). Se puede comprobar este hecho pulsando repetidamente sobre la
función F9 (cada vez que se pulsa dicha tecla, Excel genera nuevos valores aleatorios y, por
tanto, nuevos valores para la columna H y la casilla I1).
Si en lugar de usar una muestra aleatoria formada por 100 observaciones hubi ésemos
usado una formada por 10, los valores que obtendríamos al pulsar repetidamente F9 no
serían estimaciones tan buenas al valor real. Por el contrario, es de esperar que si
hubiésemos usado 1.000 (o mejor aún 10.000) observaciones, los valores que obtendr íamos en
la casilla I1 estarían todos muy cercanos al valor real.
