ensayo de sistemas de simulacion


Simulación de Monte Carlo
Tarea 3

Sistema de Simulación













Sistema Monte Carlo
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.
Los orígenes de esta técnica están ligados al trabajo desarrollado por StanUlam y John Von
Neumann a finales de los 40 en el laboratorio de Los Álamos, en la actualidad es posible encontrar modelos que hacen uso de simulación MC en las áreas informática, empresarial, económica, industrial e incluso social.

En otras palabras, la simulación de Monte Carlo está presente en todos aquellos ámbitos en los que el comportamiento aleatorio o probabilístico desempeña un papelfundamental -precisamente, el nombre de Monte Carlo proviene de la famosa ciudad de Mónaco, donde abundan los casinos de juego.

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 resultadosuna 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 recálculos. La simulación Monte Carlo produce distribuciones de valores de los resultados posibles.

El análisis de riesgose 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 empíricoso 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 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 estaturade 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 variablesdescritas 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.
Uniforme – 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 olos 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...