UNIVERSIDAD NACIONAL DEL CENTRO DEL PERÚ

ESCUELA DE POSGRADO

Unidad de Posgrado de la Facultad de Arquitectura

MÉTODO DE MONTE CARLO

CATEDRÁTICO:

M. Sc. BOZA CCORA, Fernando

ALUMNO:

LERMO ZÚÑIGA, Carlos

HUANCAYO-2019
ÍNDICE
MÉTODO DE MONTECARLO .......................................................................................................... 3
1. MARCO TEÓRICO ....................................................................................................................... 3
1.1 DEFINICIÓN.......................................................................................................................... 3
1.2 VENTAJAS ............................................................................................................................ 5
1.3 DESVENTAJAS ...................................................................................................................... 6
2. APLICACIÓN ............................................................................................................................... 7
3. CONCLUSIONES ......................................................................................................................... 8
BIBLIOGRAFÍA ................................................................................................................................ 9

2
 MÉTODO DE MONTECARLO

1. MARCO TEÓRICO

1.1 DEFINICIÓN

 El método de Monte Carlo, es un procedimiento numérico que permite aproximar

la resolución de expresiones matemáticas complejas con las que resulta o bien
difícil, o bien imposible (especialmente en el ámbito de la estadística) encontrar
resultados exactos. Al método se llegó en dos etapas. En la primera, los
brillantes matemáticos racionalistas del siglo XVIII abordan la búsqueda de
valores crecientemente precisos de número irracionales por distintas vías. Pero
es George Louis Leclerc, conde de Buffón, un conocido naturalista, botánico,
matemático y cosmólogo francés quien en 1777 aborda un método experimental
para la aproximación del número , lo que supone un ingenioso modo de plantear
la relación entre la realidad y las matemáticas. (Garrido, 2000)

La segunda etapa se produce 180 años después, cuando Stanislaw Ulam en

1946 jugando a los solitarios durante su colaboración en el proyecto Manhattan
en Los Álamos, concibió la idea de que fórmulas complejas sin solución aparente
sobre difusión de neutrones podían ser aproximadas mediante el establecimiento
de probabilidades a priori del fenómeno o, lo que significa lo mismo, darle forma
probabilística al proceso para luego reproducirlo mediante repeticiones al azar.
Para que el método fuera seguro se necesitaban muchas repeticiones y para eso
vino en su ayuda Von Neuman que, un año después, ya tenía a punto el método
y la herramienta: los ordenadores incipientes de la época.

El concepto básico de este método parte del concepto básico de probabilidad,

debido a que plantea conocer la probabilidad de ocurrencia de un evento,
realizando el experimento un número suficiente de veces, determinando la
variable aleatoria dependiente como una función de densidad de los resultados
obtenidos en los “experimentos” realizados. (Vargas, 2013)

Este método considera que la variable dependiente estudiada se da mediante:

𝐹 = 𝑓(𝑋1, 𝑋2, … , 𝑋𝑛)

Conociendo la distribución de probabilidad de las variables aleatorias de ingreso

(X1, X2, …..,Xn), se muestrean aleatoriamente valores de las variables aleatorias
de ingreso, y se evalúa determinísticamente la variable dependiente “F”. El
proceso previamente explicado se repite un número suficientemente grande de

3
 veces para conseguir la convergencia de la distribución de probabilidad de la
variable aleatoria dependiente. (Vargas, 2013)

Este método probabilístico que genera puntos aleatorios dentro de intervalos

puestos al inicio de estudio, permite calcular los puntos de éxito que hay por
debajo de la función.

Para hallar estos puntos se tiene las variables:

𝑥𝑖 = 𝑎 + 𝑟𝑎𝑛𝑑𝑜𝑚1 ∗ (𝑏 − 𝑎)

𝑦𝑖 = 𝑟𝑎𝑛𝑑𝑜𝑚2 ∗ 𝑀

𝑦𝑖 ≤ 𝑓(𝑥𝑖)

Las fórmulas utilizadas para el método de Monte Carlo son:

𝑏
𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑥𝑖𝑡𝑜𝑠
∫ 𝑓(𝑥). 𝑑𝑥 ≈ ∗ (𝑏 − 𝑎) ∗ 𝑀
𝑎 𝑁𝑢𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙
𝑏
0 ≤ ∫ 𝑓(𝑥). 𝑑𝑥 ≤ (𝑏 − 𝑎) ∗ 𝑀
𝑎

Donde:

- M = cota superior

- a, b = intervalos de estudio

Como esto es un método de simulación, para que funcione correctamente se

deben conocer todas las variables que definen el problema, relaciones lógicas e
interacciones para que el resultado sea confiable. Lo relevante del método es
que, como es una simulación, se puede hacer correr el modelo las veces que
sea necesario para generar diferentes escenarios modificando las variables
constituyentes del problema. (Vargas, 2013).

 EI método de Monte Carlo es una técnica de análisis numérico que se basa en

el uso de secuencias de números aleatorios para muestrear los valores de las
variables de probabilidad de un problema determinado. En efecto, con mucha
frecuencia el número de estados posibles del sistema es tan elevado que hace
imposible calcular valores promedio sumando sobre todos los estados, por lo
que se opta por tomar una muestra y estimar los valores promedio a partir de
ella. Los valores muestreados se obtienen a partir de las distribuciones de
probabilidad de cada variable. La solución al problema planteado se estima
analizando los valores de la muestra a través de métodos estadísticos. (Alfonso,
2011).

4
 Si bien el nombre de "Método Monte Carlo" es relativamente reciente y fue
acuñado por John Von Neumann y Stanislaw Ulam cuando trabajaban en el
proyecto Manhatan durante la segunda guerra mundial, la idea del cálculo Monte
Carlo es mucho más antigua que la aparición de los computadores y era
conocido anteriormente por el nombre de "muestreo estadístico", cuando los
cálculos aún se realizaban con papel y lápiz. Inicialmente Monte Carlo no fue un
método para resolver problemas en física, sino para evaluar integrales que no
podían ser evaluadas de otra manera: el cálculo de integrales de funciones
pobremente comportadas y las integrales en espacios multidimensionales fueron
dos áreas en las que el método Monte Carlo probó ser muy provechoso.

Posteriormente, con el advenimiento de las maquinas mecánicas para realizar

cálculos a finales del siglo diecinueve, la posibilidad de realizar un enorme
número de operaciones aritméticas permitió aplicar la técnica de muestreo
estadístico a problemas físicos. EI primer ejemplo de un cálculo Monte Carlo del
movimiento y colisión de moléculas en un gas fue descrito por William Thomson
en 1901. La primera aplicación real del método de muestreo estadístico a un
problema físico parece haber sido hecha por Enrico Fermi en sus trabajos de
difusión de neutrones, a principios de 1930. Fermi nunca publico sus trabajos,
pero (de acuerdo con su estudiante y colaborador Emilio Segre) sus métodos
fueron precisamente los métodos Monte Carlo usados posteriormente por
Stanislaw Ulam, John von Neumann y Nick Metropolis para la construcción de la
bomba de hidrógeno en el computador electrónico ENIAC. (Alfonso, 2011).

1.2 VENTAJAS

 Herramienta poderosa para entender y cuantificar los efectos de los riesgos de

un proyecto.

 Muestra distribución de probabilidades de los resultados para cada nivel de

confianza escogido y no sólo un valor

 Permite al Project Manager calcular las contingencias del Proyecto

 Supera restricciones de los enfoques analíticos en la planificación de proyectos

que las hacen inutilizables en situaciones prácticas.

 Muestra gráficamente las distribuciones de duración o el costo de un proyecto,

que es una forma mucho más útil de visualización para responder a preguntas
sobre el nivel de confianza de las fechas de finalización y costos del proyecto.
 Simulación de Monte Carlo maneja miles de datos y por lo tanto miles de caminos
que pueden ser analizados.

5
  Posibilidad de variar valores que hagan cambiar la totalidad del proyecto y poder
analizar cada caso.

1.3 DESVENTAJAS

 Toma grandes cantidades de tiempo para procesar todos los datos. Depende
mucho del nivel de complejidad y la cantidad de actividades que se procesen.

 Falta de conocimiento de los Software, hace difícil de incorporar en la industria.

 Alto costo.

 La Simulación de Monte Carlo muestra una distribución de probabilidad de la

duración que es muy ancha en algunos proyectos. (Flores, 2003) explica que
esto se debe a que "las simulaciones se producen de forma poco inteligente, ya
que asume que no hay una acción en la gestión. En el Mundo real, es probable
que se tomen medidas para recuperar los proyectos que están severamente
retrasados, y algunas de estas acciones pueden (aunque no siempre) ayudar a
traer el proyecto de nuevo en un rango aceptable.

 El modelo que ejecuta Monte Carlo debe ser acorde a la realidad para que los
resultados sean coherentes.

 Incapacidad de estimar correctamente los valores límites de distribución. La

estimación de la duración de las actividades del proyecto normalmente requiere
un conocimiento experto, o datos históricos de proyectos similares. La
experiencia previa y los datos detallados de proyectos anteriores del mismo tipo
son a la vez útiles para mitigar esta incertidumbre, sin embargo estos datos a
menudo no están disponibles. Por lo tanto, el gerente de proyecto debe tener
mucho cuidado en la revisión de ambos; las estimaciones de valores y la elección
de las distribuciones de probabilidad con la que modelar para evitar el síndrome
"Garbage in, Garbage Out"(basura entra, basura salen).

 Ningún resultado será exacto a cómo se de en la realidad. Solo se tendrán

valores aproximados

 Alto escepticismo en la industria por falta de conocimiento.

6
2. APLICACIÓN

- El método de Monte Carlo no es comúnmente usado hoy en día debido al poco

conocimiento que se tiene de este tipo de herramientas aplicadas al campo de la
ingeniería civil, sin embargo, sí es utilizada en el área financiera y es perfectamente
aplicable a la generación de presupuestos. En los plazos de un proyecto también es
aplicable ya que para las duraciones de las actividades existen distribuciones de
probabilidad que las definen, tales como la propia distribución, beta o triangular, según
la información disponible.
- La aplicación del Método Monte Carlo es eficiente solamente cuando se cuentan con
las herramientas computacionales para efectuar grandes volúmenes de cálculos
numéricos, debido a que se consigue una mejor aproximación cuando se incrementan
el número de simulaciones realizadas. Aproximadamente, de acuerdo a la teoría del
1
Límite Central, puede considerarse que el error es de , siendo “n” el número de
√𝑛
simulaciones.

- En la actualidad existen muchos softwares que implementan la aplicación del Método

Monte Carlo a hojas de cálculo convencionales, sin embargo, deben tomarse algunas
precauciones en el uso de estas. Algunas de las principales se listan a continuación:

Debido a que el método se basa en la gran generación de números aleatorios,

debe tomarse en cuenta que el proceso de generación de estos sea eficiente.

En muchos casos, cuando se adoptan distribuciones aleatorias para las

variables de ingreso, los límites se encuentran en valores infinitos, por lo que los
valores de la distribución adoptada deben truncarse en límites coherentes, para
evitar simulaciones que consideren pesos negativos.

Definir correlaciones adecuadas entre variables de ingreso cuando se tenga

datos acerca de estos.

Definir un número adecuado de simulaciones. Algunas publicaciones sugieren

que para estimativos preliminares se utilicen al menos 1000 simulaciones, y que,
para estudios finales, se utilicen al menos 5000 simulaciones. Cabe resaltar que
un número superior de simulaciones implica incrementar el tiempo de
simulaciones, el cual en muchos casos no es justificado, debido a que no se
encuentran variaciones significativas.

Si la simulación es muy grande, puede analizarse el caso de trabajar con

múltiples procesadores para reducir notoriamente los tiempos de simulación.

- También se encuentra la aplicación de la simulación de Monte Carlo para el estudio de

modelos económicos de empleos, problemas de transportes en semiconductores,
Geofísica, Meteorología, Biología, Química

7
3. CONCLUSIONES

- Con el método de Monte Carlo puede llevarse a cabo un ajuste del criterio de
aceptación suficientemente preciso y fundado en los intereses de las partes interesadas.
- Con la aplicación del método Monte Carlo, puede conocerse el margen entre el valor
especificado y el valor característico real de producción, así estableciendo la
probabilidad de rechazo aceptable.
- El empleo del Método Monte Carlo permite anticipar los efectos de posibles fallas de
una construcción mucho antes de su ejecución, lo cual mejora la calidad de la obra.

8
 BIBLIOGRAFÍA

GARRIDO, A. (2000) Simulación por el método de Monte Carlo para genera criterios
de aceptación en el control de calidad de productos de construcción. Escuela de
Arquitectura e Ingeniería, Universidad Politécnica de Cartagena-España.
VARGAS, R. (2013) Análisis de la influencia de la variabilidad de los parámetros
geotécnicos en el diseño geotécnico de muros de contención, utilizando el método
Monte Carlo.
FLORES, F. (2015) Aplicación del método de Monte Carlo en la planificación de
proyectos de Ingeniería Civil. Universidad de Chile – Chile.
ALFONSO, N. (2011) Simulación Monte Carlo.