UNIVERSIDAD PRIVADA DE TACNA

FACULTAD DE INGENIERÍA
Escuela Profesional de Ingeniería Industrial

1. CONCEPTOS
 SIMULACION: La Simulación es un acto que consiste en imitar o
fingir que se está realizando una acción cuando en realidad no se
está llevando a cabo.
 SIMULACION EN LA INDUSTRIA: En la empresa se utiliza la
simulación para predecir las consecuencias que tendrá la toma de
una decisión determinada. Control de Inventarios, Planes de
Mantenimiento, Localización de Recursos, Predicción de Ventas o
Demanda, etc. La simulación permite resolver problemas
complejos, aunque lo que obtendremos será una aproximación de
la solución. No todos los problemas son abordables mediante
simulación.

2. ORIGEN DE LA SIMULACIÓN MONTE CARLO

El origen de esta técnica se remonta a la década de 1940 y hace referencia
al Casino de Monte Carlo, considerada tradicionalmente la capital “del
azar”. En 1940, los matemáticos Neuman y Ulam aplicaron el método de
simulación aleatoria al campo de experimentación de las armas nucleares.
La importancia de este hecho reside en que por primera vez se hace
patente que esta técnica, además de para el azar y los juegos, también
era aplicable a otras áreas del conocimiento. Tan es así que fue 1964
cuando Hertz aplica esta práctica técnica de simulación al análisis de las
inversiones. La utilización del método Monte Carlo como vía de
investigación procede del trabajo realizado en la creación y desarrollo de
la bomba atómica en el contexto de la Segunda Guerra Mundial en el
Laboratorio de los Álamos en Estados Unidos. Lo que se realizó en aquel
momento fue la simulación de cuestiones de probabilidad con respecto a
la difusión de neutrones. La ruleta es el juego de casino más famoso y
también el ejemplo más sencillo de mecanismo que permite generar
números aleatorios.

3. ¿QUÉ ES LA SIMULACIÓN MONTE CARLO?

La simulación Monte Carlo es una técnica matemática computarizada que
permite tener en cuenta el riesgo en análisis cuantitativos y tomas de
decisiones. s poder realizar valoraciones con respecto a determinados
proyectos de inversión teniendo en cuenta que las variables que se utilizan
para el estudio no son ciertas, sino que en ocasiones pueden referirse a
varios valores. Su principal valor, que ha hecho de esta técnica un aspecto
UNIVERSIDAD PRIVADA DE TACNA
FACULTAD DE INGENIERÍA
Escuela Profesional de Ingeniería Industrial

clave para la gestión de proyectos en las empresas, es que permite

incorporar el concepto de riesgo a la hora de entrar a valorar una inversión.
Como se ha referido con anterioridad, la prevención es un punto crucial a
la hora de tomar decisiones en el seno de las empresas, ya que permite
estar preparados para contratiempos o riesgos inesperados. Esta técnica
es utilizada por profesionales de campos tan dispares como los de
finanzas, gestión de proyectos, energía, manufacturación, ingeniería,
investigación y desarrollo, seguros, petróleo y gas, transporte y medio
ambiente. La simulación Monte Carlo ofrece a la persona responsable de
tomar las decisiones una serie de posibles resultados, así como la
probabilidad de que se produzcan según las medidas tomadas. La clave
de este método está en entender el término ‘simulación’. Realizar una
simulación consiste en repetir o duplicar las características y
comportamientos de un sistema real. Así pues, el objetivo principal de la
simulación de Montecarlo es intentar imitar el comportamiento de variables
reales para, en la medida de lo posible, analizar o predecir cómo van a
evolucionar. A través de la simulación se pueden resolver desde
problemas muy sencillos, hasta problemas muy complejos. Algunos
problemas pueden solucionarse con papel y bolígrafo. Sin embargo, la
mayoría requieren el uso de programas informáticos como Excel, R
Studio o Matlab. Sin estos programas, resolver determinados problemas
llevaría muchísimo tiempo.

4. ¿PARA QUÉ SIRVE LA SIMULACIÓN MONTE CARLO?

La simulación Monte Carlo realiza el análisis de riesgo con la creación de
modelos de posibles resultados mediante la sustitución de un rango de
valores una distribución 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 número de incertidumbres y de los rangos
especificados, para completar una simulación Monte Carlo puede ser
necesario realizar miles o decenas de miles de re cálculos. La simulación
Monte Carlo produce distribuciones de valores de los resultados posibles.
El análisis de riesgo se puede realizar cualitativa y cuantitativamente. El
análisis de riesgo cualitativo generalmente incluye la evaluación instintiva
o “por corazonada” de una situación, y se caracteriza por afirmaciones
como “Eso parece muy arriesgado” o “Probablemente obtendremos
buenos resultados”. El análisis de riesgo cuantitativo trata de asignar
valores numéricos a los riesgos, utilizando datos empíricos o cuantificando
evaluaciones cualitativas. Vamos a concentrarnos en el análisis de riesgo
cuantitativo. Mediante el uso de distribuciones de probabilidad, las
variables pueden generar diferentes probabilidades de que se produzcan
diferentes resultados. Las distribuciones de probabilidad son una forma
UNIVERSIDAD PRIVADA DE TACNA
FACULTAD DE INGENIERÍA
Escuela Profesional de Ingeniería Industrial

mucho más realista de describir la incertidumbre en las variables de un

análisis de riesgo. Las distribuciones de probabilidad más comunes son:
 Normal O “curva de campana”. El usuario simplemente define la
media o valor esperado y una desviación estándar para describir la
variación con respecto a la media. Los valores intermedios
cercanos a la media tienen mayor probabilidad de producirse. Es
una distribución simétrica y describe muchos fenómenos naturales,
como puede ser la estatura de una población. Ejemplos de
variables que se pueden describir con distribuciones normales son
los índices de inflación y los precios de la energía.
 Lognormal: Los valores muestran una clara desviación; no son
simétricos como en la distribución normal. Se utiliza para
representar valores que no bajan por debajo del cero, pero tienen
un potencial positivo ilimitado. Ejemplos de variables descritas por
la distribución lognormal son los valores de las propiedades
inmobiliarias y bienes raíces, los precios de las acciones de bolsa y
las reservas de petróleo.
 Uniform: Todos los valores tienen las mismas probabilidades de
producirse; el usuario sólo tiene que definir el mínimo y el
máximo. Ejemplos de variables que se distribuyen de forma
uniforme son los costos de manufacturación o los ingresos por las
ventas futuras de un nuevo producto.
 Triangular: El usuario define los valores mínimo, más probable y
máximo. Los valores situados alrededor del valor más probable
tienen más probabilidades de producirse. Las variables que se
pueden describir con una distribución triangular son el historial de
ventas pasadas por unidad de tiempo y los niveles de inventario.
 PERT: El usuario define los valores mínimo, más probable y
máximo, como en la distribución triangular. Los valores situados
alrededor del más probable tienen más probabilidades de
producirse. Sin embargo, los valores situados entre el más
probable y los extremos tienen más probabilidades de producirse
que en la distribución triangular; es decir, los extremos no tienen
tanto peso. Un ejemplo de uso de la distribución PERT es la
descripción de la duración de una tarea en un modelo de gestión de
un proyecto.
 Discrete: El usuario define los valores específicos que pueden
ocurrir y la probabilidad de cada uno. Un ejemplo podría ser los
resultados de una demanda legal: 20% de posibilidades de obtener
un veredicto positivo, 30% de posibilidades de obtener un veredicto
negativo, 40% de posibilidades de llegar a un acuerdo, y 10% de
posibilidades de que se repita el juicio.
UNIVERSIDAD PRIVADA DE TACNA
FACULTAD DE INGENIERÍA
Escuela Profesional de Ingeniería Industrial

Durante una simulación Monte Carlo, los valores se muestrean

aleatoriamente a partir de las distribuciones de probabilidad
introducidas. Cada grupo de muestras se denomina iteración, y el
resultado correspondiente de esa muestra queda registrado. La
simulación Monte Carlo realiza esta operación cientos o miles de veces, y
el resultado es una distribución de probabilidad de posibles resultados. De
esta forma, la simulación Monte Carlo proporciona una visión mucho más
completa de lo que puede suceder. Indica no sólo lo que puede suceder,
sino la probabilidad de que suceda

5. ¿POR QUÉ ES ÚTIL EL MÉTODO MONTE CARLO DE CARA A

LOS PROYECTOS?
La idea de la que parte la aplicación del método Monte Carlo es que hay
aspectos, como el plazo o el coste, que no pueden ser determinados con
exactitud, ya que se trata de puntos variables. Se trata de una variabilidad
con una doble vertiente: por una parte, las estimaciones que se llevan a
cabo son en sí mismas variables, ya que una acción ni dura siempre igual
ni cuesta siempre lo mismo; y por otra parte, el riesgo en sí, ya que
presentan una probabilidad de ocurrir diferente en distintas situaciones, asi
como un impacto que varía de unas situaciones a otras. Lo que permite
efectuar este análisis es otorgar de forma conceptual un valor a un
proyecto, no de manera determinada, sino estableciendo un “valor medio”
y una determinada variabilidad. Permite determinar hasta qué punto las
determinadas valoraciones de un proyecto son realistas y arrojan
confianza con respecto a los objetivos perseguidos con una determinada
acción. Monte Carlo permite a los analistas encargados de llevar a cabo la
prevención de riesgos señalar en qué porcentaje de las simulaciones
aleatorias que se han llevado a cabo aspectos como el plazo y el coste
con menores que los objetivos que se persiguen con el propio proyecto.
De este modo, si este porcentaje es inferior al grado de confianza que una
determinada empresa o grupo considera mínimamente aceptable, se
estaría ante un caso en el que la planificación no es factible y habría que
modificarla.

6. VENTAJAS
La simulación Monte Carlo proporciona una serie de ventajas sobre el
análisis determinista o “estimación de un solo punto”:
 Resultados probabilísticos. Los resultados muestran no sólo lo que
puede suceder, sino lo probable que es un resultado.
UNIVERSIDAD PRIVADA DE TACNA
FACULTAD DE INGENIERÍA
Escuela Profesional de Ingeniería Industrial

 Resultados gráficos. Gracias a los datos que genera una simulación

Monte Carlo, es fácil crear gráficos de diferentes resultados y las
posibilidades de que sucedan. Esto es importante para comunicar
los resultados a otras personas interesadas.
 Análisis de sensibilidad. Con sólo unos pocos resultados, en los
análisis deterministas es más difícil ver las variables que más
afectan el resultado. En la simulación Monte Carlo, resulta más fácil
ver qué variables introducidas tienen mayor influencia sobre los
resultados finales.
 Análisis de escenario. En los modelos deterministas resulta muy
difícil modelar diferentes combinaciones de valores de diferentes
valores de entrada, con el fin de ver los efectos de situaciones
verdaderamente diferentes. Usando la simulación 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 análisis.
 Correlación de variables de entrada. En la simulación Monte Carlo
es posible modelar relaciones interdependientes entre diferentes
variables de entrada. Esto es importante para averiguar con
precisión la razón real por la que, cuando algunos factores suben,
otros suben o bajan paralelamente.
Una ventaja de la simulación Monte Carlo es el uso del muestreo Latino
Hipercúbico, que muestrea con mayor precisión a partir de un rango
completo de funciones de distribución.

7. PROGRAMAS PARA DESARROLLAR EL MÉTODO MONTE

CARLO
 @Risk. Se trata de una aplicación empleada sobre Microsoft Excel
que permite incorporar el análisis del riesgo de un determinado
proyecto en el cronograma del mismo.
 Cristal Ball. Al igual que ocurre con la anterior, también está basada
en Excel y permite aplicar el análisis de Monte Carlo a la gestión
de proyectos. Es capaz de dilucidar modelos predictivos concretos
y aplicarle la mejor solución. Uno de sus mayores utilidades es que
permite considerar la correlación que existe entre distintas
variables.
 Gold Sim. Se trata de un programa de análisis muy aplicable al
sector de los negocios y de la ingeniería.
Además de estos, existen otros programas informáticos para aplicar el
método Monte Carlo para realizar valoraciones de riesgo, como Katmar,
UNIVERSIDAD PRIVADA DE TACNA
FACULTAD DE INGENIERÍA
Escuela Profesional de Ingeniería Industrial

Risky Project o Full Monte, todos ellos muy empleados en el ámbito de los
negocios para gestionar proyectos.
La tecnología ha ejercido una influencia fundamental en la implantación y
el desarrollo del método Monte Carlo, ya que gracias al avance de los
ordenadores y el software, proyectos de cálculo que en otro momento
hubieran sido del todo inconcebibles, hoy son perfectamente realizables
gracias a programas y aplicaciones novedosas.

8. EJEMPLO

General Motors, Procter and Gamble y Eli Lilly usan la simulación para
estimar tanto la rentabilidad media y el grado de riesgo de nuevos
productos. En GM, esta información es utilizada por el CEO Rick
Waggoner para determinar los productos que llegan al mercado. GM utiliza
la simulación para actividades tales como la previsión de los ingresos
netos de la corporación , la predicción de los costes de estructura y los
costos de compra , la determinación de su susceptibilidad a diferentes
tipos de riesgo (por ejemplo, cambios en las tasas de interés y las
fluctuaciones del tipo de cambio). Lilly utiliza la simulación para determinar
la capacidad óptima de la planta que debe ser construida para cada
fármaco. Firmas de Wall Street utilizan la simulación de precios derivados
financieros complejos y determinar el valor en riesgo (VAR) de sus
carteras de inversión. Los cuatro pasos del método de Monte Carlo:
Dependiendo del número de factores implicados, las simulaciones pueden
ser muy complejas. Pero en un nivel básico, todas las simulaciones de
Monte Carlo tienen cuatro sencillos pasos.

1.1. Identificar la función de transferencia:

Para hacer una simulación de Monte Carlo, se necesita un modelo

cuantitativo de la actividad empresarial, plan o proceso que desea
explorar. La expresión matemática de su proceso se llama la
“función de transferencia.” Esta puede ser una función de ingeniería
o fórmula de negocio, o puede basarse en un modelo creado a partir
de un experimento diseñado (DOE) o a partir de análisis de
regresión.
UNIVERSIDAD PRIVADA DE TACNA
FACULTAD DE INGENIERÍA
Escuela Profesional de Ingeniería Industrial

1.2. Definir los parámetros de entrada:

Para cada factor en la ecuación de transferencia, determinar cómo

se distribuyen los datos. Algunas entradas pueden seguir una
distribución normal, mientras que otros siguen una distribución
triangular o uniforme. A continuación, deberá determinar la
distribución de los parámetros para cada entrada. Por ejemplo,
tendremos que especificar la media y la desviación estándar para
las entradas que siguen una distribución normal.
UNIVERSIDAD PRIVADA DE TACNA
FACULTAD DE INGENIERÍA
Escuela Profesional de Ingeniería Industrial

1.3. Crear datos aleatorios:

Para hacer la simulación válida, es necesario crear un conjunto muy

grande de datos aleatorios para cada entrada, del orden de
10000 datos. Estos puntos de datos aleatorios simulan los valores
que se vería a lo largo de un largo período de tiempo para cada
entrada.

1.4. Simular y analizar el proceso de salida:

UNIVERSIDAD PRIVADA DE TACNA
FACULTAD DE INGENIERÍA
Escuela Profesional de Ingeniería Industrial

Con la simulación de datos en su lugar, utilizaremos la ecuación de

transferencia para calcular los resultados simulados. La ejecución de
una gran cantidad de datos de entrada simuladas a través del modelo
nos dará una indicación fiable de lo que será el proceso de salida con
el tiempo, dada la variación esperada en las entradas.