1.

Antecedentes
Dentro de problemas matemticos se pueden englobar tanto la estimacin de
constantes o parmetros, como la derivacin de funciones de densidad de
variables aleatorias que son funcin de otras variables aleatorias. Los primeros
problemas son puramente matemticos, mencionando como ejemplo la estimacin
del numero pi. Los segundos entran dentro de la estdistica matemarica, como la
derivacin de distribuciones en el muestreo, o incluso de la matemtica-logica, si
se habla de la resolucin de problemas mas complejos mediante la modelizacin
de un sistema complejo (por ejemplo, los sistemas con lneas de espera)
El muestreo de varialbes aleatorias implica la generacin de valores
independientes de las variables de forma que cada iteracin sea diferecnte. Para
ello, se ha se disponer de un elemento fsico del qu se conozca la variabilidad de
sus resultados. La evolucin de estos elementos ha sido decisisva en las erapas
de evolucin de Montecarlo. Asi, los primeros elementos son monedas(que
producen 0 1 con igual probabilidad), dados(la misma pribabilidad segn el
numero de caras), la rulera(con 37 o 38 posibilidades) hasta llegar a los
ordenadores. Es la utilizacin de estas maquinas de calculo para generar
muestras el momento de explosin del mtodo dad su rapidez y posibilidad de
repeticin, representada por la generacin de cadenas de nmeros
pseudoaleatorios
2. Objetivo
Poder resolver un problema estadstico-matemtico usando la simulacin de
Montecarlo
3. Marco terico
La importancia actual del mtodo Montecarlo se basa en la existencia de
problemas que tienen difcil solucin por mtodos exclusivamente analticos o
numricos, pero que dependen de factores aleatorios o se pueden asociar a un
modelo probabilstica artificial (resolucin de integrales de muchas variables,
minimizacin de funciones, etc.). Gracias al avance en diseo de los ordenadores,
clculos Montecarlo que en otro tiempo hubieran sido inconcebibles, hoy en da se
presentan como asequibles para la resolucin de ciertos problemas. En estos
mtodos el error ~ 1/N, donde N es el nmero de pruebas y, por tanto, ganar una
cifra decimal en la precisin implica aumentar N en 100 veces. La base es la
generacin de nmeros aleatorios de los que nos serviremos para calcular
probabilidades. Conseguir un buen generador de estos nmeros as como un
conjunto estadstico adecuado sobre el que trabajar son las primeras dificultades
con la nos vamos a encontrar a la hora de utilizar este mtodo.

La simulacin de Monte Carlo es una tcnica cuantitativa que hace uso de la

estadstica y los ordenadores para imitar, mediante modelos matemticos, el
comportamiento aleatorio de sistemas reales no dinmicos (por lo general, cuando
se trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre
bien a la simulacin de eventos discretos o bien a la simulacin de sistemas
continuos).
La simulacin Monte Carlo ofrece a la persona responsable de tomar las
decisiones una serie de posibles resultados, as como la probabilidad de que se
produzcan segn las medidas tomadas. Muestra las posibilidades extremas
(arriesgadas y conservadoras) as como todas las posibles consecuencias de las
decisiones intermedias.
Ventajas:

Resultados probabilsticos. Los resultados muestran no slo lo que

puede suceder, sino lo probable que es un resultado.
Resultados grficos. Gracias a los datos que genera una simulacin
Monte Carlo, es fcil crear grficos de diferentes resultados y las
posibilidades de que sucedan. Esto es importante para comunicar los
resultados a otras personas interesadas.
Anlisis de sensibilidad. Con slo unos pocos resultados, en los anlisis
deterministas es ms difcil ver las variables que ms afectan el resultado.
En la simulacin Monte Carlo, resulta ms fcil ver qu variables
introducidas tienen mayor influencia sobre los resultados finales.
Anlisis de escenario. En los modelos deterministas resulta muy difcil
modelar diferentes combinaciones de valores de diferentes valores de
entrada, con el fin de ver los efectos de situaciones verdaderamente
diferentes. Usando la simulacin 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
anlisis.
Correlacin de variables de entrada. En la simulacin Monte Carlo es
posible modelar relaciones interdependientes entre diferentes variables de
entrada. Esto es importante para averiguar con precisin la razn real por
la que, cuando algunos factores suben, otros suben o bajan paralelamente.
Uso del muestreo Latino Hipercbico: Muestrea con mayor precisin a
partir de un rango completo de funciones de distribucin.

4. Marco Practico
La simulacin Monte Carlo realiza el anlisis de riesgo con la creacin de modelos
de posibles resultados mediante la sustitucin de un rango de valores una
distribucin de probabilidad para cualquier factor con incertidumbre inherente.
Luego, calcula los resultados una y otra vez, cada vez usando un grupo diferente
de valores aleatorios de las funciones de probabilidad. Dependiendo del nmero
de incertidumbres y de los rangos especificados, para completar una simulacin
Monte Carlo puede ser necesario realizar miles o decenas de miles de clculos. La
simulacin Monte Carlo produce distribuciones de valores de los resultados
posibles.

4.1. Pasos para realizar el mtodo:

4.1.1. Disear el modelo lgico de decisin
4.1.2. Especificar distribuciones de probabilidad para las variables
aleatorias relevantes.
4.1.3. Incluir posibles dependencias entre variables.
4.1.4. Muestrear valores de las variables aleatorias
4.1.5. Calcular el resultado del modelo segn los valores del muestreo
(iteracin) y registrar el resultado 6. Repetir el proceso hasta tener una
muestra estadsticamente representativa
4.1.6. Obtener la distribucin de frecuencias del resultado de las iteraciones
4.1.7. Calcular media, desvo y curva de percentiles acumulados
5. Aplicacin
Resolver el siguiente problema:
Considere una casa de juegos en la cual un jugador apuesta sucesivamente y la
casa gana el 51% de veces. La pregunta es Cuntos juegos deben darse antes
de que la casa este realmente segura de ir adelante?

6. Diseo

Primero utilizamos una expresin que calcule el conjunto de renta o ganancia de la

casa para un juego, basados en un numero aleatorio entre 0 y 1. MATLAB posee
la funcin rand. Si el numero aleatorio es menor o igual que 0.51, la casa gana
una unidad, de otro modo si el numero excede 0.51 la casa pierde una unidad.

Para simular un conjunto de jugadas, por ejemplo 10 juegos, debemos crear un

arreglo de 10 nmeros aleatorios usando la funcin sign
Creamos un arreglo de vectores de almacenamiento de los valores que
obtengamos de la simulacin
Usamos la funcin hist para graficar un histograma de los valores que obtengamos
para asi facilitarns el anlisis de la infomacion

7. Bibliografa
Lpez, S. M. (s.f.). www.expansion.com. Obtenido de
http://www.expansion.com/diccionario-economico/simulacion-de-montecarlo.html
Ortega, S. H. (s.f.). es.slideshare.net. Obtenido de
http://es.slideshare.net/CrypticHernndezOrtega/resumen-simulacion-demontecarlo
Palomino, T. (s.f.). es.scribd.com. Obtenido de
https://es.scribd.com/doc/40917536/Metodo-de-Monte-Carlo-y-SusAplicaciones#download
www.uam.es. (s.f.). www.uam.es. Obtenido de
https://www.uam.es/personal_pdi/ciencias/carlosp/html/pid/montecarlo.ht
ml