UNIVERSIDAD NACIONAL DEL SANTA

ESCUELA PROFESIONAL DE INGENIERÍA CIVIL

“ ”

CURSO: Simulación de Ingeniería

PROFESOR:
CICLO: IV
ALUMNOS:
 Araujo Saucedo Jean Pier 02017130
 Cabello Lopez Jean Marco 0201713021
 Colchado Ircañaupa Brayan 0201713051
 Flores Utrilla Keneth 02017130

Nuevo Chimbote – Perú

2018 - II
INTRODUCCIÓN

El método Montecarlo es un método numérico que permite resolver problemas físicos y

matemáticos mediante la simulación de variables aleatorias. Lo vamos a considerar aquí
desde un punto de vista didáctico para resolver un problema del que conocemos tanto su
solución analítica como numérica. El método Montecarlo fue bautizado así por su clara
analogía con los juegos de ruleta de los casinos, el más célebre de los cuales es el de
Montecarlo, casino cuya construcción fue propuesta en 1856 por el príncipe Carlos III de
Mónaco, siendo inaugurado en 1861.
Los científicos que trabajaron con la bomba atómica utilizaron esta técnica por primera; y
le dieron el nombre de Monte Carlo, la ciudad turística de Mónaco conocida por sus
casinos. Desde su introducción durante la Segunda Guerra Mundial, la simulación Monte
Carlo se ha utilizado para modelar diferentes sistemas físicos y conceptuales.
La importancia actual del método Montecarlo se basa en la existencia de problemas que
tienen difícil solución por métodos exclusivamente analíticos o numéricos, pero que
dependen de factores aleatorios o se pueden asociar a un modelo probabilístico artificial.
Gracias al avance en diseño de los ordenadores, cálculos Montecarlo que en otro tiempo
hubieran sido inconcebibles, hoy en día se presentan como asequibles para la resolución
de ciertos problemas.
MARCO TEORICO
Que es la simulación Montecarlo
La simulación Monte Carlo es una técnica matemática computarizada que permite tener
en cuenta el riesgo en análisis cuantitativos y tomas de decisiones. 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. Muestra las posibilidades extremas los resultados de tomar la medida
más arriesgada y la más conservadora, así como todas las posibles consecuencias de las
decisiones intermedias

Variables Aleatorias
Se denomina una variable aleatoria, a una variable X que puede tomar un conjunto de
valores {x0, x1, x2, ... xn-1} con probabilidades {p0, p1, p2, ... pn-1}. El problema crucial de
la aplicación del método de Monte Carlo es hallar los valores de una variable aleatoria.
Existen diferentes tipos de variables aleatorias, a continuación, se explican las más
comunes:
 Discretas: una variable aleatoria representada mediante una distribución discreta
de probabilidad puede tomar un valor de entre un conjunto de valores, cada uno
de los cuales tiene asignada una determinada probabilidad de ocurrencia.
 Continuas: una variable aleatoria representada mediante una distribución continua
de probabilidad puede tomar cualquier valor dentro de un rango determinado.
 Paramétricas: la distribución de probabilidad se ajusta a la descripción matemática
de un proceso aleatorio que cumple con determinados supuestos teóricos. Los
parámetros que definen la distribución en general no guardan relación intuitiva con
la forma de la distribución.
Por lo tanto, para simular un proceso o hallar la solución de un problema matemático
usando esta metodología es necesario usar gran cantidad de estos números o variables
aleatorias, ya que este método consiste en tomar una solución válida, provocar una
pequeña variación aleatoria, y si la nueva configuración cumple con las restricciones, se
registra esa nueva solución; si no, se queda con la antigua.
Interpretación de resultados
La simulación de Monte Carlo se basa también en las iteraciones del modelo propuesto.
Cuantas más iteraciones se hagan, más preciso será. Sin embargo, el esfuerzo
computacional también será mayor. El número de iteraciones dependerá de la complejidad
del modelo propuesto.
El resultado obtenido después de todas las iteraciones e interpretadas por métodos
estadísticos puede tener diferentes significados dependiendo del objetivo y de lo que se
esté buscando.

Como funciona la Simulación de 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 recálculos. 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.
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.

Ventajas de la Simulación Montecarlo

 Resultados probabilísticos. Los resultados muestran no sólo lo que puede suceder,
sino lo probable que es un resultado.
 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.