Simulacion Mc

Simulación de Monte Carlo con Excel

SIMULACIÓN DE MONTE CARLO CON EXCEL
Autores: Javier Faulín (ffaulin@uoc.edu), Ángel A. Juan (ajuanp@uoc.edu).

ESQUEMA DE CONTENIDOS ________________________

La función ¿Qué es la
ALEATORIO() simulación MC?

Simulación
Monte Carlo
con Excel

Simulación MC
Simulación MC con v.a. continuas
con v.a. discretas
Generación de
v.a. con Excel

INTRODUCCIÓN ___________________

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 Stan Ulam y John Von
Neumann a finales de los 40 en el laboratorio de Los Alamos, cuando investigaban el movimiento
aleatorio de los neutrones [W1]. En años posteriores, la simulación de Monte Carlo se ha venido
aplicando a una infinidad de ámbitos como alternativa a los modelos matemáticos exactos o incluso
como único medio de estimar soluciones para problemas complejos. Así, en la actualidad es posible
encontrar modelos que hacen uso de simulación MC en las áreas informática, empresarial,
económica, industrial e incluso social [5, 8]. En otras palabras, la simulación de Monte Carlo está
presente en todos aquellos ámbitos en los que el comportamiento aleatorio o probabilístico
desempeña un papel fundamental -precisamente, el nombre de Monte Carlo proviene de la famosa
ciudad de Mónaco, donde abundan los casinos de juego y donde el azar, la probabilidad y el
comportamiento aleatorio conforman todo un estilo de vida.

Son muchos los autores que han apostado por utilizar hojas de cálculo para realizar simulación MC
[1, 6, 7]. La potencia de las hojas de cálculo reside en su universalidad, en su facilidad de uso, en su
capacidad para recalcular valores y, sobre todo, en las posibilidades que ofrece con respecto al
análisis de escenarios (“what-if anaylisis”). Las últimas versiones de Excel incorporan, además, un
lenguaje de programación propio, el Visual Basic for Applications, con el cual es posible crear
auténticas aplicaciones de simulación destinadas al usuario final. En el mercado existen de hecho
varios complementos de Excel (Add-Ins) específicamente diseñados para realizar simulación MC,
siendo los más conocidos: @Risk, Crystall Ball, Insight.xla, SimTools.xla, etc. [W2 – W5].

Proyecto e-Math 1
Financiado por la Secretaría de Estado de Educación y Universidades (MECD)


OBJETIVOS ________________________

• Introducir los conceptos e ideas clave de la simulación MC.
• Introducirse en las capacidades que ofrece Excel en los campos de modelado y simulación.
• Conocer algunas aplicaciones de la simulación MC.

CONOCIMIENTOS PREVIOS ___________________________________

Este math-block supone ciertos conocimientos básicos de estadística (inferencia y probabilidad), así
como conocimientos -a nivel de usuario- de la hoja de cálculo Excel.

CONCEPTOS FUNDAMENTALES ______________________________

La función ALEATORIO() de Excel

Las hojas de cálculo como Excel (y cualquier lenguaje de programación estándar) son capaces
de generar números pseudo-aleatorios provenientes de una distribución uniforme entre el 0 y el 1.
Este tipo de números pseudo-aleatorios son los elementos básicos a partir de los cuales se
desarrolla cualquier simulación por ordenador.

En Excel, es posible obtener un número pseudo-aleatorio -proveniente de una distribución
uniforme entre el 0 y el 1- usando la función ALEATORIO:

Los números generados mediante la función ALEATORIO tienen dos propiedades que los hacen
equiparables a números completamente aleatorios:

1. Cada vez que se usa la función ALEATORIO, cualquier número real entre 0 y 1 tiene la
misma probabilidad de ser generado (de ahí el nombre de distribución uniforme).

2. Los diferentes números generados son estadísticamente independientes unos de otros
(es decir, el valor del número generado en un momento dado no depende de los
generados con anterioridad).

La función ALEATORIO es una función volátil de Excel. Esto significa que cada vez que
pulsamos la tecla F9 o cambiemos alguno de los inputs del modelo, todas las celdas donde
aparezca la función ALEATORIO serán recalculadas de forma automática.

Se pueden encontrar ejemplos del uso de ALEATORIO en el propio menú de ayuda de Excel.

Proyecto e-Math 2


¿Qué es la simulación de Monte Carlo?

La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la estadística y los
ordenadores para imitar, mediante modelos matemáticos, el comportamiento aleatorio de
sistemas reales no dinámicos (por lo general, cuando se trata de sistemas cuyo estado va
cambiando con el paso del tiempo, se recurre bien a la simulación de eventos discretos o bien a
la simulación de sistemas continuos).

La clave de la simulación MC consiste en crear un modelo matemático del sistema, proceso o
actividad que se quiere analizar, identificando aquellas variables (inputs del modelo) cuyo
comportamiento aleatorio determina el comportamiento global del sistema. Una vez identificados
dichos inputs o variables aleatorias, se lleva a cabo un experimento consistente en (1) generar –
con ayuda del ordenador- muestras aleatorias (valores concretos) para dichos inputs, y (2)
analizar el comportamiento del sistema ante los valores generados. Tras repetir n veces este
experimento, dispondremos de n observaciones sobre el comportamiento del sistema, lo cual nos
será de utilidad para entender el funcionamiento del mismo –obviamente, nuestro análisis será
tanto más preciso cuanto mayor sea el número n de experimentos que llevemos a cabo.

Veamos un ejemplo sencillo:

En la imagen inferior se muestra un análisis histórico de 200 días sobre el número de consultas
diarias realizadas a un sistema de información empresarial (EIS) residente en un servidor central.
La tabla incluye el número de consultas diarias (0 a 5) junto con las frecuencias absolutas
(número de días que se producen 0, 1, ..., 5 consultas), las frecuencias relativas (10/200 = 0,05,
...), y las frecuencias relativas acumuladas.

Podemos interpretar la frecuencia relativa como la probabilidad de que ocurra el suceso asociado,
en este caso, la probabilidad de un determinado número de consultas (así, p.e., la probabilidad de
que se den 3 consultas en un día sería de 0,30), por lo que la tabla anterior nos proporciona la
distribución de probabilidad asociada a una variable aleatoria discreta (la variable aleatoria es el
número de consultas al EIS, que sólo puede tomar valores enteros entre 0 y 5).

Supongamos que queremos conocer el número esperado (o medio) de consultas por día. La
respuesta a esta pregunta es fácil si recurrimos a la teoría de la probabilidad:

Denotando por X a la variable aleatoria que representa el número diario de consultas al EIS,
sabemos que:

5
E [X ] = ∑ x ⋅ P( X = x
i =0
i i ) = 0 ⋅ 0 ,05 + 1 ⋅ 0 ,10 + ... + 5 ⋅ 0 ,15 = 2 ,95

Por otra parte, también podemos usar simulación de Monte Carlo para estimar el número
esperado de consultas diarias (en este caso se ha podido obtener el valor exacto usando teoría
de probabilidad, pero ello no siempre será factible). Veamos cómo:

Proyecto e-Math 3


Cuando se conozca la distribución de probabilidad asociada a una variable aleatoria discreta,
será posible usar la columna de frecuencias relativas acumuladas para obtener los llamados
intervalos de números aleatorios asociados a cada suceso. En este caso, los intervalos
obtenidos son:

• [0,00 , 0,05) para el suceso 0
• [0,05 , 0,15) para el suceso 1
• [0,15 , 0,35) para el suceso 2
• [0,35 , 0,65) para el suceso 3
• [0,65 , 0,85) para el suceso 4
• [0,85 , 1,00) para el suceso 5

El gráfico siguiente nos muestra cada una de las probabilidades sobre el número de consultas. En
él, se aprecia claramente la relación existente entre probabilidad de cada suceso y el área que
éste ocupa.

nº Consultas EIS

0,05 0,20
0
0,20 0,30 0,15 1
2
0,10 3
4
0,00 0,20 0,40 0,60 0,80 1,00
5
Probabilidad

Esto significa que, al generar un número pseudo-aleatorio con el ordenador (proveniente de una
distribución uniforme entre 0 y 1), estaremos llevando a cabo un experimento cuyo resultado,
obtenido de forma aleatoria y según la distribución de probabilidad anterior, estará asociado a un
suceso. Así por ejemplo, si el ordenador nos proporciona el número pseudo-aleatorio 0,2567,
podremos suponer que ese día se han producido 2 consultas al EIS.

Asignamos pues la función ALEATORIO a una casilla (la G1 en el caso de la imagen):

Seleccionando la celda y “arrastrando” con el ratón desde el borde inferior derecho de la misma
podemos obtener un listado completo de números pseudo-aleatorios:

Proyecto e-Math 4


A continuación, podemos usar la función SI de Excel para asignar un suceso a cada uno de los
números pseudo-aleatorios generados (como veremos, otra forma de hacer esta asignación será
usando la función BUSCARV):

Repitiendo el proceso de seleccionar y “arrastrar” obtendremos algo similar a:

Finalmente, usando la función PROMEDIO será posible calcular la media de los valores de la
columna H:

En este caso, hemos obtenido un valor estimado que corresponde exactamente con el valor real
anteriormente calculado vía la definición teórica de la media. Sin embargo, debido a la
componente aleatoria intrínseca al modelo, normalmente obtendremos valores “cercanos” al valor
real, siendo dichos valores diferentes unos de otros (cada simulación proporcionará sus propios
resultados). Se puede comprobar este hecho pulsando repetidamente sobre la función F9 (cada
vez que se pulsa dicha tecla, Excel genera nuevos valores aleatorios y, por tanto, nuevos valores
para la columna H y la casilla I1).

Si en lugar de usar una muestra aleatoria formada por 100 observaciones hubiésemos usado una
formada por 10, los valores que obtendríamos al pulsar repetidamente F9 no serían estimaciones
tan buenas al valor real. Por el contrario, es de esperar que si hubiésemos usado 1.000 (o mejor
aún 10.000) observaciones, los valores que obtendríamos en la casilla I1 estarían todos muy
cercanos al valor real.

Proyecto e-Math 5


CASOS PRÁCTICOS CON SOFTWARE___________________________________

Simulación MC con variables discretas

Veamos un ejemplo algo más complejo del uso de Excel para construir modelos de simulación
MC cuando las variables aleatorias sean discretas:

Supongamos que trabajamos en un gran almacén informático, y que nos piden consejo para
decidir sobre el número de licencias de un determinado sistema operativo que conviene adquirir –
las licencias se suministrarán con los ordenadores que se vendan durante el próximo trimestre, y
es lógico pensar que en pocos meses habrá un nuevo sistema operativo en el mercado de
características superiores. Cada licencia de sistema operativo le cuesta al almacén un total de 75
Euros, mientras que el precio al que la vende es de 100 Euros. Cuando salga al mercado la
nueva versión del sistema operativo, el almacén podrá devolver al distribuidor las licencias
sobrantes, obteniendo a cambio un total del 25 Euros por cada una. Basándose en los datos
históricos de los últimos meses, los responsables del almacén han sido capaces de determinar la
siguiente distribución de probabilidades por lo que a las ventas de licencias del nuevo sistema
operativo se refiere:

Construimos nuestro modelo usando las fórmulas que se muestran en la figura inferior. En la
casilla H2 usaremos la función ALEATORIO para generar el valor pseudo-aleatorio que
determinará el suceso resultante; en la celda I2 usamos la función BUSCARV para determinar el
suceso correspondiente asociado al valor pseudo-aleatorio obtenido –notar que usamos también
la función MIN, ya que en ningún caso podremos vender más licencias que las disponibles. El
resto de fórmulas son bastante claras:

En la imagen anterior se muestra cómo construir el modelo con una observación (iteración). A fin
de generar nuevas observaciones, deberemos seleccionar el rango H2:N2 y "arrastrar" hacia
abajo (tantas casillas como iteraciones deseemos realizar):

Proyecto e-Math 6


Finalmente, es posible estimar el valor esperado de la variable aleatoria que proporciona los
beneficios sin más que hallar la media de las 100 observaciones que acabamos de realizar.
Asimismo, usaremos las funciones DESVEST e INTERVALO.CONFIANZA para hallar,
respectivamente, la desviación estándar de la muestra obtenida y el intervalo de confianza (a un
nivel del 95%) para el valor esperado:

La apariencia final de nuestro modelo será:

Proyecto e-Math 7


A partir del modelo anterior es posible también realizar “what-if” análisis (análisis de escenarios o
preguntas del tipo “¿qué pasaría si cambiamos tal o cual input?”). Para ello es suficiente con ir
cambiando los valores de las celdas con fondo amarillo o rojo (inputs del modelo en este
ejemplo). Asimismo, podemos ampliar fácilmente el número de iteraciones (observaciones
muestrales) sin más que repetir los procesos de seleccionar y “arrastrar”.

En el caso actual, hemos optado por tomar 1.000 iteraciones para cada una de los posibles inputs
asociados a la cantidad de pedido (estos posibles inputs son: 100, 150, 200, 250, y 300). Si se
realizase el experimento, se obtendrían unos resultados similares a los que se muestran a
continuación (ya que 1.000 es un número ya bastante considerable para este ejemplo):

Beneficio esperado

4.000
3.000
2.000
1.000
Euros

0
-1.000
-2.000
-3.000
100 150 200 250 300
Nº Licencias adquiridas

A partir de los resultados, parece claro que la decisión óptima es hacer un pedido de 150
unidades, ya que con ello se consigue el beneficio máximo.

Proyecto e-Math 8


Generación de números aleatorios provenientes de otras distribuciones

Las últimas versiones de Excel incorporan un Add-In llamado Análisis de datos. Este
complemento proporciona nuevas funcionalidades estadísticas a la hoja de cálculo. Entre ellas,
nos interesa destacar la de Generación de números aleatorios:

Con esta opción, es posible generar fácilmente observaciones provenientes de diversas
distribuciones de variable discreta (Bernoulli, Binomial, Poisson, Frecuencia relativa, y Discreta) o
de variable continua (Uniforme y Normal).

Independientemente del complemento Análisis de datos, es posible usar un resultado muy
conocido de la teoría estadística, llamado método de la transformada inversa, para derivar las
fórmulas que permiten obtener valores pseudo-aleatorios provenientes de distribuciones como la
Weibull o la Lognormal.

En la tabla siguiente se muestran algunas fórmulas que, implementadas en celdas de Excel, nos
permiten obtener valores pseudo-aleatorios de algunas de las distribuciones continuas más
usadas:

Proyecto e-Math 9


Distribución Parámetros Fórmula Excel
Exponencial Media = b = -LN(ALEATORIO())*b
Weibull Escala = b = b*(-LN(ALEATORIO())^(1/a)
Forma = a
Normal Media = μ = DISTR.NORM.INV(ALEATORIO(),μ,σ)
Desv. Estándar = σ
Lognormal Media de Ln(X) = μ = DISTR.LOG.INV(ALEATORIO(),μ,σ)
Desv. Estándar de Ln(X) =
σ
Uniforme entre a y b Extremo inferior = a = a+(b-a)*ALEATORIO()
Extremo superior = b

Añadir, finalmente, que es relativamente sencillo implementar funciones VBA que, haciendo uso
del método de la transformada inversa o de otros métodos similares, permitan la generación de
valores provenientes de casi cualquier distribución teórica.

Simulación MC con variables continuas

Como hemos comentado, es posible usar las fórmulas anteriores para generar, a partir de la
función ALEATORIO(), valores pseudo-aleatorios provenientes de otras distribuciones continuas.
En las páginas siguientes, veremos dos ejemplos de modelos que hacen uso de la distribución
normal (la distribución estadística más importante y utilizada):

Ejemplo 1: Tiempo de consultas a servidores en paralelo

Supongamos que desde un ordenador cliente se realiza consultas SQL a bases de datos situadas
en dos servidores distintos. Nuestro objetivo será estimar el tiempo esperado (tiempo medio) que
deberemos esperar para recibir la respuesta de ambos servidores. Dada la complejidad de la
consulta que queremos realizar, y basándonos en experiencias anteriores, se calcula que el
tiempo necesario para que cada uno de los servidores responda a la misma sigue una
distribución normal con los parámetros (media y desviación estándar, en minutos) que se indican
a continuación:

Pediremos a Excel que genere valores pseudo-aleatorios provenientes de dichas distribuciones.
Asimismo, usaremos la función MAX para obtener el tiempo de respuesta (que será el máximo de
los tiempos de respuesta de cada servidor), y la función SI para determinar qué servidor ha sido
el más rápido en responder:

Usaremos también las funciones CONTAR y CONTAR.SI para contar el número de iteraciones y
el número de veces que un servidor es más rápido que el otro:

Proyecto e-Math 10


Finalmente, las funciones PROMEDIO, DESVEST, e INTERVALO.CONFIANZA nos servirán para
obtener, respectivamente, el tiempo muestral medio (esperado) de respuesta, la desviación
estándar de la muestra (observaciones que generaremos), y un intervalo de confianza, a un nivel
del 95%, para el tiempo medio (este intervalo nos permitirá saber si nuestra estimación es buena
o si, por el contrario, necesitaremos más iteraciones).

Una vez introducidas las fórmulas anteriores, bastará con seleccionar y “arrastrar” hacia abajo el
rango de celdas G3:J3, con lo que se generarán nuevas iteraciones. En la imagen siguiente se
muestra el resultado obtenido al generar 2.077 iteraciones. Observar que el tiempo medio
estimado de respuesta es de 22,9 minutos, y podemos asegurar, con un nivel de confianza del
95%, que dicho tiempo medio estará entre 22,8 y 23,0 minutos.

Finalmente, se observa también que el servidor 1 ha respuesto más rápido que el servidor 2 en el
67% de las iteraciones.

Ejemplo 2: Inversión inicial y flujo de caja

Consideremos ahora un nuevo problema: supongamos que disponemos de un capital inicial de
250 Euros que deseamos invertir en una pequeña empresa. Supondremos también que los flujos
de caja -tanto los de entrada como los de salida- son aleatorios, siguiendo éstos una distribución
normal.

Proyecto e-Math 11


Para el primer mes, el valor esperado del flujo de entrada es de 500 Euros, mientras que el valor
esperado para el flujo de salida es de 400 Euros. En meses posteriores, el valor esperado será el
valor obtenido para en el mes anterior. Por su parte, las desviaciones estándar valdrán, en todos
los casos, un 25% del valor medio (esperado) asociado. En base a lo anterior, podemos construir
un modelo como se muestra en las siguientes imágenes:

Seleccionando y “arrastrando” hacia abajo el rango G3:O3, hemos obtenido los siguientes
resultados para 5.859 iteraciones:

Observamos que el valor esperado para el capital final es de unos 544 Euros, y que podemos
afirmar, con un nivel de confianza del 95%, que dicho valor estará entre 528 y 560 Euros.

Proyecto e-Math 12


BIBLIOGRAFÍA ___________________________________

[1] Seila, A.F. (2001): Spreadsheet Simulation. Proceedings of the 2001 Winter Simulation
Conference, pp. 74 – 78.

[2] Savage, S.L. (1998): “Insight.xla: Business Analysis Software for Microsoft Excel”. Duxbury Press.

[3] Camm, J.D.; Evans, J.R. (1996): “Management Science: Modelling, Analysis and Interpretation”.
South – Western College Publishing.

[4] Winston, W.L.; Albright, S.C. (1997): “Practical Management Science: Spreadsheet Modeling and
Applications”. Duxbury Press.

[5] Gedam, S.G.; Beaudet, S.T. (2000): Monte Carlo Simulation using Excel Spreadsheet for
Predicting Reliability of a Complex System. Proceedings Annual Reliability and Maintainability
Symposium.

[6] Evans, J.R. (2000): Spreadsheets as a Tool for Teaching Simulation. Informs Transactions On
Education Volume 1, Number 1. http://ite.informs.org/Vol1No1/evans/evans.html

[7] Eckstein, J; Riedmueller, S.T. (2002): YASAI: Yet Another Add-in for Teaching Elementary Monte
Carlo Simulation in Excel. Informs Transactions On Education. Volume 2, Number 2.
http://ite.informs.org/vol2no2/EcksteinRiedmueller/

[8] Judge, G. (1999): Simple Monte Carlo studies on a spreadsheet. Computers in Higher Education
Economics Review (CHEER). Volume 13, Issue 2.
http://www.economics.ltsn.ac.uk/cheer/ch13_2/ch13_2p12.htm

[9] Hwarng, H.B. (2001): A Modern Simulation Course for Business Students. Interfaces, 31:3, Part
1 of 2, May-June 2001, pp. 66-75.

[10] Nance, R.E., Sargent, R.G. (2002): Perspectives on the Evolution of Simulation. Operations
Research, Vol. 50, No. 1, January-February 2002, pp. 161-172.

Proyecto e-Math 13


ENLACES ___________________________________

[W1] http://www.geocities.com/CollegePark/Quad/2435/index.html
Breve historia de los orígenes del método Monte Carlo.

[W2] http://www.palisade.com/
Página web de @Risk

[W3] http://www.crystalball.com/
Página web de Crystal Ball

[W4] http://www.kellogg.nwu.edu/faculty/myerson/ftp/addins.htm
Página web de SimTools.xla

[W5] http://analycorp.com/stan/
Página web de Insight.xla

[W6] http://www.projectware.com.au/tutorials/Tu08.pdf
Breve artículo sobre simulación MC con Excel

[W7] http://www.barringer1.com/MC.htm
Página web donde se comentan algunas aplicaciones de Excel y simulación MC para el
estudio de la fiabilidad de sistemas

[W8] http://random.mat.sbg.ac.at/links/index.html
Página web de la WWW Virtual Library dedicada a números aleatorios y simulación MC

[W9] http://csep1.phy.ornl.gov/mc/mc.html
Libro electrónico sobre simulación MC

[W10] http://www.geocities.com/WallStreet/9245/vba.htm
Página web donde se muestran algunos ejemplos de simulación MC con Excel y VBA

[W11] http://www.csun.edu/~vcmgt0j3/Ch12Notes.pdf
Apuntes sobre simulación MC con Excel

[W12] http://www.wabash.edu/depart/economic/EconExcel/home.htm
Modelos económicos y econométricos con Excel (algunos usan simulación MC)

Proyecto e-Math 14

Simulacion Mc

Más contenido relacionado

Destacado (17)

Similar a Simulacion Mc (20)

Último (20)

Simulacion Mc