You are on page 1of 5

Escuela de Ingeniería Biomédica

Sistemas de Simulación
Ciclo 02/2018

Fecha: Miércoles, 29 de agosto de 2018
Reporte de: TAREA SOBRE SIMULACIÓN DE MONTECARLO
Presentan: Carnet: Nombre:
MP120030 Eric Medina Portillo

INTRODUCCIÓN:

La simulación de Monte Carlo es una técnica matemática computarizada que permite considerar el riesgo en el análisis cuantitativo
para la toma de decisiones. La técnica es utilizada por profesionales en campos tan dispares como finanzas, gestión de proyectos,
energía, fabricación, ingeniería, investigación y desarrollo, seguros, petróleo y gas, transporte y medio ambiente.

La simulación de Monte Carlo proporciona al responsable de la toma de decisiones un rango de resultados posibles y las
probabilidades de que ocurran para cualquier opción de acción. La técnica fue utilizada por primera vez por científicos que trabajan
en la bomba atómica; fue nombrado por Monte Carlo, la ciudad turística de Mónaco famosa por sus casinos. Desde su introducción
en la Segunda Guerra Mundial, la simulación de Monte Carlo se ha utilizado para modelar una variedad de sistemas físicos y
conceptuales.

CONTENIDO:

La simulación de Monte Carlo realiza análisis de riesgos mediante el modela de resultados posibles sustituyendo un rango de valores;
es decir una distribución de probabilidad, por cualquier factor que tenga una incertidumbre inherente. Luego calcula los resultados
una cantidad considerable de veces utilizando un conjunto diferente de valores aleatorios de las funciones de probabilidad.
Dependiendo del número de incertidumbres y los rangos especificados para ellos, una simulación Monte Carlo podría implicar miles

Sistemas de Simulación 2018 1

Lognormal: en esta distribución los valores están positivamente sesgados. las variables pueden tener diferentes probabilidades y por lo tanto se pueden producir diferentes resultados. es decir. La distribución de probabilidad es una forma muy realista de describir la incertidumbre en variables para el análisis de riesgos. Uniforme: en esta distribución todos los valores tienen la misma probabilidad de ocurrir. La simulación Monte Carlo produce distribuciones de posibles valores como resultado. Los ejemplos de variables que podrían distribuirse uniformemente son los costos de fabricación o los ingresos por ventas futuras de un nuevo producto. al igual que la distribución triangular. Las variables que podrían describirse mediante una distribución triangular incluyen el historial de ventas anterior por unidad de tiempo y los niveles de inventario. no simétricos como una distribución normal. Un ejemplo del uso de una distribución PERT es describir la duración de una tarea en un modelo de gestión de proyectos. los valores entre los extremos más probables son más probables a ocurrir que los triangulares. Sistemas de Simulación 2018 2 . simplemente define el mínimo y el máximo. 40% de posibilidades de acuerdo y 10% de posibilidad de anulación de la demanda. Discreto: se definen los valores específicos que pueden ocurrir y la probabilidad de cada uno. Un ejemplo podría ser el resultado de un juicio: 20% de posibilidades de veredicto positivo. más probable y máximo. los extremos no están tan enfatizados. Ejemplos de variables descritas por distribuciones normales incluyen las tasas de inflación y los precios de la energía. más probable y máximo. Algunas de las distribuciones de probabilidad más comunes son: Normal o "curva de campana": se define el valor medio o esperado y una desviación estándar para describir la variación sobre la media. Los ejemplos incluyen los valores de las propiedades inmobiliarias. pero tienen un potencial positivo ilimitado. PERT: se definen los valores mínimo. Triangular: se definen los valores mínimo.Escuela de Ingeniería Biomédica Sistemas de Simulación Ciclo 02/2018 o decenas de miles de nuevos cálculos antes de que se complete. Se usa para representar valores que no van por debajo de cero. 30% de cambio de veredicto negativo. Mediante el uso de la distribución de probabilidad. los precios de las acciones y las reservas de petróleo. Sin embargo.

2: Sistemas de Simulación 2018 3 . El gestor presume de haber ganado 50% de rentabilidad durante el último año con una cuenta de valores de 50. sino qué tan probable es que suceda. La simulación de Monte Carlo lo hace cientos o miles de veces. 1 se muestra un ejemplo grafico de algunas distribuciones Fig. Te dice no solo lo que podría suceder. Vamos a suponer que disponemos de 10. los valores se muestrean al azar a partir de las distribuciones de probabilidad de entrada.000 dólares. y el resultado es una distribución de probabilidad de posibles resultados. Introducimos las variables correspondientes en nuestro programa informático y extraemos el siguiente gráfico de la Fig. Cada conjunto de muestras se denomina iteración. la simulación Monte Carlo proporciona una visión mucho más completa de lo que puede suceder.Escuela de Ingeniería Biomédica Sistemas de Simulación Ciclo 02/2018 En la Fig. De esta manera. 1 Representación de distribuciones de probabilidad Durante una simulación de Monte Carlo. Un ejemplo sencillo sobre el uso de la simulación Montecarlo es en el análisis de riesgo de la bolsa de valores. Para confirmar que el gestor realmente está en lo correcto se le solicita el registro de todas sus operaciones. Imaginemos que se quiere contratar a un gestor que realice operaciones por nosotros en la bolsa de valores.000 dólares. El gestor nos facilita toda la documentación y procedemos a valorar la cuenta de resultados. y el resultado resultante de esa muestra se registra.

CONCLUSIONES: • Con simulación de Montecarlo podemos simular varios escenarios de problemas financieros con el objetivo de conocer si las decisiones financieras que vamos a tomar son correctas y nos traen beneficios económicos. aunque aún existen probabilidades de perdida de dinero. • En el área de ingeniería la simulación Montecarlo permite la simulación de un sin numero de escenarios que implementados en un prototipo pueden ayudar a generar predicciones sobre partes o componentes del mismo que necesitaran un reemplazo a corto o largo plazo.000 escenarios diferentes para esos resultados durante una proyección para cuatro años. incluso determinar de una manera mas amplia el costo y beneficio del uso de diferentes materiales para la construcción de estos prototipos.000 escenarios posible En la imagen anterior se establecen 10. En la gran mayoría de escenarios se puede observar que la rentabilidad es positiva. Sistemas de Simulación 2018 4 .Escuela de Ingeniería Biomédica Sistemas de Simulación Ciclo 02/2018 Fig. 2 Simulación de 10.

Yamel Ungson. Vitalii Petranovski (2016). C.Sharper Insight. Métodos de simulación Monte Carlo y su empleo en ingeniería de materiales. Mexicali.com/risk/monte_carlo_simulation. establecer los posibles escenarios tanto positivos como negativos ayudaran a establecer planes de acciones efectivos y eficaces REFERENCIAS: Palisade.com/terms/m/montecarlosimulation.palisade. García. Universidad Autónoma de Baja California. (2018). Fernando González. Recuperado de https://www.Escuela de Ingeniería Biomédica Sistemas de Simulación Ciclo 02/2018 • Cada tipo de distribución de probabilidad esta construida o es compatible para un rango muy amplio de aplicaciones conocer cual es la que mejor se ajusta a nuestro campo de accione es de suma importancia.investopedia. Instituto de Ingeniería. (2015). B. Larysa Burtseva. Smarter Investing. Monte Carlo Simulation.asp Edwin R. Benjamín Valdez. Recuperado de http://www. Risk and Decision Analysis Solutions since 1984. México Sistemas de Simulación 2018 5 . Monte Carlo Simulation.asp Investopedia .