Sie sind auf Seite 1von 214

FACULTAD DE MATEMTICAS

DEPARTAMENTO DE ESTADSTICA E
INVESTIGACIN OPERATIVA I

MODELOS Y MTODOS DE SIMULACIN:


Tcnicas de Monte Carlo.
APLICACIONES EN FINANZAS

Begoa Vitoriano
bvitoriano@mat.ucm.es
Universidad Complutense de Madrid

NDICE

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN ................................... 5


I.1 SISTEMAS, MODELOS Y SIMULACIN ...................................................................................5
I.2 VENTAJAS E INCONVENIENTES DE LA SIMULACIN .............................................................8
I.3 TIPOS DE SISTEMAS Y DE SIMULACIN ................................................................................9
I.4 ELEMENTOS DE UN MODELO DE SIMULACIN DINMICO ..................................................11
I.4.1 El reloj de simulacin ............................................................................................... 11
I.4.2 Mecanismo de transicin .......................................................................................... 12
I.5 ORGANIZACIN DE UN MODELO DE SIMULACIN DINMICO ............................................13
I.6 ALGUNAS APLICACIONES DE SIMULACIN ........................................................................18
I.6.1 Disponibilidad dinmica de un sistema paralelo ..................................................... 18
I.6.2 Fiabilidad esttica de un sistema de generacin de energa elctrica..................... 19
I.6.3 Fiabilidad dinmica de un sistema de energa elctrica .......................................... 21
I.7 ETAPAS EN EL DESARROLLO DE UN ESTUDIO DE SIMULACIN ..........................................23
II MODELADO DE LA ALEATORIEDAD EN SIMULACIN ............................... 27
II.1 REVISIN DE PROBABILIDAD Y ESTADSTICA ...................................................................27
II.1.1 Variables aleatorias y sus propiedades .................................................................. 27
II.1.2 Procesos estocsticos .............................................................................................. 33
II.1.3 Estimacin puntual.................................................................................................. 35
II.1.4 Estimacin por intervalos de confianza .................................................................. 37
II.1.5 Contrastes o tests de hiptesis ................................................................................ 38
II.2 IDENTIFICACIN DE PATRONES .........................................................................................40
II.2.1 Distribuciones empricas ........................................................................................ 41
II.2.2 Distribuciones tericas ........................................................................................... 43
II.3 GENERACIN DE VARIABLES ALEATORIAS .......................................................................51
II.3.1 Generacin de muestras uniformes ......................................................................... 51

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

II.3.2 Generacin de variables aleatorias discretas ......................................................... 56


II.3.2.1 Mtodo general o estndar ............................................................................................................ 56
II.3.2.2 Binomial (n,

p) ........................................................................................................................... 58

II.3.2.3 Geomtrica ( p) ........................................................................................................................... 58

II.3.3 Generacin de variables aleatorias absolutamente continuas ................................ 59


II.3.3.1 Mtodo de la transformada inversa............................................................................................... 59
II.3.3.2 Mtodo de aceptacin - rechazo.................................................................................................... 60
II.3.3.3 Aplicacin a una discreta: Poisson( ) ....................................................................................... 63
II.3.3.4 Normal ( , ) ............................................................................................................................ 64
II.3.3.5 Lognormal ( , ) ...................................................................................................................... 66
II.3.3.6

( p, a)

II.3.3.7

n2 ................................................................................................................................................ 68

II.3.3.8

tn

II.3.3.9

Fm,n

y Beta ( , ) ............................................................................................................. 66

de Student ................................................................................................................................ 68
de Fisher-Snedecor ............................................................................................................. 69

II.3.4 Generacin de variables aleatorias mixtas ............................................................. 69


II.3.5 Generacin de variables aleatorias multidimensionales ........................................ 70
II.3.5.1 Nociones de clculo matricial ....................................................................................................... 70
II.3.5.2 Normal Multivariante N( , ) ................................................................................................... 72
II.3.5.3 Multinomial ................................................................................................................................... 74
II.3.5.4

Tn

de Student multivariante ......................................................................................................... 75

III SOFTWARE DE SIMULACIN DE MODELOS DINMICOS ........................ 77


III.1 LENGUAJES DE SIMULACIN VERSUS LENGUAJES DE PROPSITO GENERAL .................. 77
III.2 TIPOS DE SOFTWARE DE SIMULACIN Y CARACTERSTICAS ........................................... 78
III.3 ENFOQUES O ESTRATEGIAS............................................................................................. 80
IV ANLISIS DE RESULTADOS ..................................................................... 85
IV.1 COMPORTAMIENTOS TRANSITORIO Y ESTACIONARIO DE UN PROCESO ESTOCSTICO ... 85

FACULTAD DE MATEMTICAS

ii

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

IV.2 TIPOS DE SIMULACIN SEGN EL ANLISIS DE RESULTADOS .........................................87


IV.3 ESTIMACIN DE VARIABLES RESPUESTA: PRECISIN Y TAMAO MUESTRAL .................88
IV.4 ESTIMACIN DE PARMETROS ESTACIONARIOS: EL PROBLEMA DEL ESTADO INICIAL
TRANSITORIO ...........................................................................................................................90
IV.5 ESTIMACIN DE INTEGRALES POR MONTE CARLO .........................................................93
IV.5.1 Mtodo Monte Carlo de acertar o fallar................................................................ 93
IV.5.2 Mtodo de Monte Carlo crudo ............................................................................... 94
IV.6 TCNICAS DE REDUCCIN DE LA VARIANZA ...................................................................94
IV.6.1 Muestreo correlado (nmeros aleatorios comunes) .............................................. 95
IV.6.2 Variables antitticas .............................................................................................. 96
IV.6.3 Variables de control ............................................................................................... 97
IV.6.4 Condicionamiento .................................................................................................. 98
IV.6.5 Muestreo estratificado ........................................................................................... 99
IV.6.6 Muestreo por importancia ................................................................................... 100
IV.7 DISEO DE EXPERIMENTOS ...........................................................................................101
IV.7.1 Principios del diseo experimental ...................................................................... 101
IV.7.2 Diseo con un factor ............................................................................................ 104
IV.7.3 Diseo en bloques aleatorizados ......................................................................... 106
IV.7.4 Modelos factoriales: con dos factores y con interaccin ..................................... 108
IV.7.5 Modelos factoriales con ms de dos factores ...................................................... 110
IV.7.6 Cuadrados latinos ................................................................................................ 110
IV.7.7 Modelos con efectos aleatorios: Diseos jerrquicos ......................................... 114
IV.7.8 Diseos factoriales a dos niveles ( 2k ) ................................................................. 116
IV.7.9 Modelo de regresin ............................................................................................ 124
V CONSTRUCCIN DE MODELOS DE SIMULACIN VLIDOS Y CREBLES . 127
V.1 DEFINICIONES .................................................................................................................127
V.2 METODOLOGA DE VALIDACIN Y CREDIBILIDAD .........................................................129
V.2.1 Comparacin entre datos reales y simulados ....................................................... 130

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

iii

VI APLICACIONES DE LA SIMULACIN EN FINANZAS ............................... 133


VI.1 NOCIONES BSICAS SOBRE DERIVADOS FINANCIEROS ................................................. 133
VI.1.1 Contratos de futuros ............................................................................................. 134
VI.1.2 Opciones ............................................................................................................... 135
VI.1.2.1 Opciones vainilla (vanilla options)......................................................................................... 135
VI.1.2.2 Opciones exticas (exotic options) ......................................................................................... 138

VI.2 VALORACIN DE OPCIONES Y FUTUROS ....................................................................... 140


VI.2.1 Conceptos bsicos en valoracin de derivados.................................................... 140
VI.2.2 Estimacin del valor de opciones sin posibilidad de ejercicio anticipado mediante
simulacin ....................................................................................................................... 146
VI.2.3 Estimacin del valor de opciones con posibilidad de ejercicio anticipado mediante
mtodos numricos .......................................................................................................... 149
VI.2.3.1 Mtodo binomial ........................................................................................................................ 152

VII REFERENCIAS....................................................................................... 157


VIII BIBLIOTECA DE PROBLEMAS .............................................................. 159
VIII.1 PROBLEMAS DE MTODOS DE MONTE CARLO .......................................................... 159
VIII.2 RESULTADOS DE LOS PROBLEMAS DE MTODOS DE MONTE CARLO ........................ 163
VIII.3 PROBLEMAS DE SIMULACIN DE SISTEMAS DINMICOS............................................ 169
VIII.4 RESULTADOS DE LOS PROBLEMAS DE SIMULACIN DE SISTEMAS DINMICOS ......... 181
IX PRCTICAS PROPUESTAS PARA FINANZAS ........................................... 209

FACULTAD DE MATEMTICAS

iv

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

I Modelado de sistemas mediante simulacin


I.1 Sistemas, modelos y simulacin
La primera vez en la historia que se habl de simulacin fue en el ao 1949 cuando John
Von Neumann y Stanislaw Ulam presentaron el denominado mtodo de Monte Carlo. Desde
entonces la simulacin ha sufrido un crecimiento muy fuerte y, especialmente en las dos ltimas
dcadas, este crecimiento ha sido vertiginoso gracias al desarrollo de los ordenadores.
Dar una definicin exacta de la simulacin no es una tarea fcil dada la amplitud de las
aplicaciones y sistemas a los que se aplica. Sin embargo, una buena definicin sera la dada por
Shannon en 1975, segn la cual, simulacin es el proceso de disear un modelo de un sistema
real y llevar a cabo experiencias con l, con la finalidad de aprender el comportamiento del
sistema o de evaluar diversas estrategias para el funcionamiento del sistema.
Varios conceptos son utilizados en esta definicin y deben ser precisados.

Sistema: Conjunto de objetos o ideas que estn interrelacionadas entre s como una unidad
para la consecucin de un fin. Forma parte de la vida real.

Modelo: Representacin simplificada de un sistema. Es una abstraccin del sistema.

El objetivo es crear un modelo del sistema a partir de la observacin. Sin embargo, esto no
es particular de la simulacin ya que en todo anlisis de sistemas ste es un paso necesario, lo
que es particular es el tipo de modelo y el uso que se hace de l.
As, se dice que existen dos procedimientos para obtener modelos de sistemas:

Anlisis terico o mtodo deductivo: con este procedimiento se lleva a cabo un estudio
cualitativo de los fenmenos que caracterizan el comportamiento del sistema, que son
plasmados en relaciones matemticas concretas que definen las ecuaciones descriptivas del
proceso. Para dar una respuesta con este tipo de modelos hay que resolver las ecuaciones
descriptivas del proceso, tarea que en ocasiones es especialmente difcil.
Como ejemplo, supngase un objeto que se mueve con una cierta trayectoria, una velocidad
en cada momento y una aceleracin, que a su vez dependen de otras condiciones externas
como las caractersticas del terreno en que se encuentre o la cercana de otros objetos
similares. Para dar respuesta, por ejemplo al punto en que se encontrar pasado un
determinado tiempo con este tipo de modelo, hay que resolver las ecuaciones del
movimiento del objeto, lo cual no es inmediato si el objeto cambia su trayectoria y

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

aceleracin con el tiempo, las caractersticas de la posicin, el movimiento de otros objetos,


etc.

Anlisis experimental o mtodo inductivo: consiste en construir un modelo matemtico a


partir de medidas realizadas sobre el sistema, dando una descripcin detallada de cmo
evoluciona a lo largo del tiempo, con el fin de observar el comportamiento del modelo y
llevar a cabo experiencias con l: simulacin del modelo.
Con el mismo ejemplo del objeto mvil, se puede ir representando en pequeos intervalos
de tiempo las variaciones de velocidad, aceleracin, posicin, mediante la definicin directa
que relaciona a estas variables, tanto del mvil observado como de los cercanos,
modificando en cada momento los parmetros segn la posicin en que est l y los dems
objetos, hasta llegar a cumplir el tiempo que se desea observar. Con este modelo es posible
ensayar diversas respuestas ante distintas situaciones.
As pues, con este procedimiento el objetivo no es conocer el sistema en s, sino su
comportamiento ante diversas situaciones Los modelos de simulacin no se resuelven, se
hacen funcionar!

Ejemplo 1: Se desea construir una carretera y para ello se ha de hacer un tnel a travs de
una montaa. Existen dos puntos posibles donde hacer el tnel, correspondientes a dos
montaas distintas M1 y M2 cercanas. Supongamos que se tiene que decidir si hacerlo en un
punto o en otro. Mediante estudios preliminares se sabe que en el punto M1 la longitud del tnel
habra de ser L1 y en la montaa M2, L2. En la primera de ellas, por las caractersticas del
terreno, se perforara a razn de x1 unidades por jornada de trabajo, mientras que en la otra
montaa sera a razn de x2 unidades.
La empresa debe recibir una maquinaria nueva con una probabilidad 0.71. La probabilidad
de que la nueva maquinaria se avere en M1 es 0.14 y en M2 es 0.16. Para la maquinaria vieja
estas probabilidades son, respectivamente, 0.28 y 0.19.
Las averas pueden ser de dos tipos: graves con probabilidad 0.35 y 4 jornadas de trabajo de
reparacin o leves con 1 jornada de trabajo de reparacin.
La pregunta es: dnde se debe perforar el tnel para tardar lo menos posible en la
construccin de la carretera?
Un modelo de simulacin desarrollado para la perforacin en el punto M1 sera, por
ejemplo, el de la figura 1.

FACULTAD DE MATEMTICAS

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Perforacin M1

Llega
maquinaria
nueva?

0.71
SI

0.29
NO

p=0.14

p=0.28

p
SI
Grave
0.35

DA=4

Tipo avera

Avera

1-p
NO

Leve
0.65

DA=1

DA=0

DT=L1/x1+DA

Figura 1. Modelo de simulacin de perforacin montaa M1.

Anlogamente, se hara otro para el punto M2. Este modelo se programa en un lenguaje
general y luego es simulado en el ordenador varias veces de modo que se obtenga una muestra
simulada de la duracin de la perforacin en cada uno de los puntos. Una vez obtenida la
muestra la decisin puede ser tomada eligiendo el punto que tenga un menor valor de la
duracin esperada. Sin embargo, este clculo tambin puede ser obtenido mediante el mtodo
terico, es decir, mediante clculo de probabilidades. A modo de ejemplo, con el mtodo terico
se obtuvo una duracin esperada en M1 de 19.37023 jornadas y en M2 de 20.345835 y despus
de 50 simulaciones se obtuvo una duracin media en M1 de 19.34 jornadas y en M2 de 20.22
jornadas.
De este ejemplo, tambin se deduce la necesidad de un mecanismo eficaz para generar
variables aleatorias que sea rpido, dado que hay que repetir la simulacin un nmero elevado
de veces para dar por vlidos los resultados obtenidos.

Ejemplo 2: A Pepe, su mejor amigo Juan le propone un juego: lanzar un dado hasta que la
diferencia entre las veces que han salido nmeros pares e impares sea tres. Pepe pagar 100

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

monedas en cada tirada y cobrar 1000 al final. Cmo puede comprobar Pepe si Juan es
realmente un buen amigo?
Para comprobarlo, Pepe puede hacer los clculos necesarios para calcular la esperanza de la
ganancia o de la prdida o puede simular las tiradas del dado y observar los resultados.

I.2 Ventajas e inconvenientes de la simulacin


Puesto que existen dos mtodos para obtener modelos, cabe preguntarse cundo es
ventajoso utilizar la simulacin y qu inconvenientes puede tener.
Cundo puede ser ventajosa la simulacin:

Si no existe formulacin matemtica del modelo o los mtodos de resolucin. Por ejemplo,
cuando se va a construir un aeropuerto para prever las necesidades de infraestructuras
necesarias no existe un modelo matemtico que pueda contemplar todo conjuntamente. Otro
ejemplo son los sistemas de lneas de espera para los que se puede plantear un modelo, pero
para muchos de ellos no existen mtodos matemticos para resolver las ecuaciones
resultantes.

S existen, pero resulta ms barato y sencillo simular, ya que en muchas ocasiones el


modelo y su resolucin resultan ms sencillos.

Si se desea experimentar con el sistema antes de su uso o construccin. El ejemplo ms


conocido son los simuladores de vuelo, pero no es el nico, ya que cada vez es ms habitual
la implantacin de puestos de formacin para operadores de sistemas, de modo que puedan
practicar con el modelo como si lo hicieran con el sistema.

Si es imposible experimentar sobre el sistema y se desean prevenir eventualidades. ste es


uno de los usos ms habituales, la prevencin de eventualidades, de modo que si
posteriormente se da alguna de ellas se tenga identificada la respuesta ptima ante la
eventualidad. Uno de los casos ms representativos es el de la simulacin de vuelos
espaciales, de modo que antes de lanzarlo se ha simulado el sistema para tener respuestas en
caso de fallo de algn mecanismo o similar. Obviamente, el xito de este uso pasa por una
buena identificacin de las posibles eventualidades.

Si hay razones ticas que impiden la experimentacin, como en el caso de sistemas


biolgicos humanos.

FACULTAD DE MATEMTICAS

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Si se desea reducir escalas de tiempo, pues la evolucin del sistema es muy lenta. Por
ejemplo en el estudio de diferentes polticas de talas de rboles no es viable esperar a ver
cul es la evolucin del bosque con una determinada poltica, no slo por las consecuencias
que pueda tener, sino porque para observarlas habra que esperar numerosos aos.

Por ltimo, una caracterstica importante de la simulacin es que permite estudiar sistemas
dinmicos en tiempo real.

Sin embargo, tambin tiene ciertos inconvenientes la simulacin:

La construccin del modelo puede ser compleja y costosa. Por ejemplo, la construccin de
un buen modelo socioeconmico mundial puede llevar unos cinco aos de trabajo a un
equipo.

Es frecuente despreciar elementos o relaciones sin importancia aparente y obtener


resultados falsos, aunque este peligro existe en cualquier proceso de desarrollo de un
modelo, no slo en los modelos de simulacin.

Es difcil establecer el grado de precisin de los resultados, ya que se obtienen muestras y


como tales han de ser analizadas, con sus limitaciones. Es decir, cuando existe aleatoriedad
los resultados han de verse como tales, aleatorios, y analizados con sumo cuidado y
rigurosidad mediante tcnicas estadsticas.

I.3 Tipos de sistemas y de simulacin


A la hora de obtener un modelo de simulacin de un sistema dinmico es fundamental
definir el estado del sistema. Se llama estado de un sistema al conjunto de variables necesarias
para describir un sistema en un instante particular de tiempo relativo a los objetivos de un
estudio.
Los sistemas se clasifican a partir de sus variables de estado:

Sistemas continuos: Las variables de estado cambian de forma continua con el tiempo. Por
ejemplo, el movimiento de un tren por una va, las variables de estado son posicin,
velocidad y aceleracin.

Sistemas discretos: Las variables de estado cambian en ciertos instantes de tiempo. Por
ejemplo, un sistema de atencin a clientes atendido por un solo servidor, la variable de
estado es el nmero de clientes que hay en el centro de servicio.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

Los modelos de simulacin a su vez pueden ser clasificados atendiendo a varios criterios:

Segn la evolucin del tiempo


o

Estticos: representan un sistema en un instante particular. A menudo, a este tipo de


simulacin se la denomina simulacin de Monte Carlo.

Dinmicos: representan un sistema que evoluciona con el tiempo.

Segn la aleatoriedad
o

Deterministas: no incluyen variables aleatorias. Dados unos datos de entrada, existe un


nico conjunto posible de datos de salida.

Probabilistas o estocsticos: contienen variables aleatorias, las salidas son aleatorias


(estimaciones de las verdaderas caractersticas).

Segn las variables de estado


o

Continuos: si todas las variables de estado cambian de forma continua con el tiempo.

Discretos: si todas las variables de estado cambian en determinados instantes de tiempo.


Se definen como eventos aquellos sucesos que pueden producir un cambio en el estado
del sistema. A estos modelos tambin se les llama modelos de simulacin de eventos
discretos.
Hay que tener en cuenta, sin embargo, que no siempre de un sistema discreto se hace un
modelo discreto, hay casos en que por simplificar es mejor tratarlo como un sistema
continuo. Un caso muy habitual son los modelos de trfico, en que aunque los cambios
son discretos, modelarlos como flujos continuos da mucho mejor resultado.

Hbridos o combinados: si incluyen variables de estado continuas y discretas.

Un ejemplo de un modelo continuo es el clsico modelo presa - depredador de Lotka


Volterra. En l se supone una poblacin (grande) y cerrada (no hay migraciones) de presas y
depredadores. El objetivo es estudiar cmo vara el nmero de cada uno de ellos en el tiempo.
El modelo propuesto por LotkaVolterra sera el siguiente:

X (t ) : nmero individuos presa en el instante t

Y (t ) : nmero de individuos depredador en el instante t

FACULTAD DE MATEMTICAS

10

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

dX
rX (t ) aX (t )Y (t ),
dt
dY
sY (t ) bX (t )Y (t ),
dt

a0
b0

donde r es la tasa de crecimiento de la poblacin presa en ausencia de depredadores, s la tasa


de decrecimiento de los individuos depredador en ausencia de presas, y a y b son parmetros
para ponderar la presencia de los otros individuos en la variacin de poblacin. Este modelo se
puede intentar resolver mediante mtodos clsicos, sin embargo, es mucho ms sencillo
simularlo tomando pequeos intervalos de tiempo y actualizando las variables de estado en esos
intervalos mediante las ecuaciones descritas (directamente al ser pequeos intervalos).
Obsrvese que desde un punto de vista terico el sistema presentado sera discreto. Sin
embargo, cuando las poblaciones son suficientemente grandes, el modelo apropiado es un
modelo continuo.
En este documento nos vamos a centrar en los modelos de simulacin dinmicos,
estocsticos (el caso determinista es considerado un caso particular) y discretos: modelos de
simulacin de eventos discretos.

I.4 Elementos de un modelo de simulacin dinmico


I.4.1 El reloj de simulacin
En un modelo de simulacin dinmico el elemento caracterstico es el tiempo y su avance.
Para ello se utiliza una variable que registra la cantidad de tiempo que ha sido simulada: el reloj
de simulacin. Esta variable no representa tiempo real, no es tiempo de ejecucin, sino que es
un contador interno del modelo.
El reloj de simulacin hay que moverlo, incrementar su valor. Para ello hay dos mtodos:

Incremento en tiempo fijo (time step): el reloj de simulacin se incrementa en exactamente

t unidades de tiempo ( t elegido apropiadamente). Cada vez que se incrementa el


tiempo se actualizan las variables de estado, si es un modelo de eventos discretos
comprobando si algn evento ha ocurrido en ese intervalo de tiempo. Los eventos que
hayan podido ocurrir en ese intervalo se considera que ocurren al final de ste, momento en
que se actualizan las variables. Este mtodo es oportuno para simulacin continua o cuando
el momento en que ocurren los eventos es fijo o para animacin grfica. Sin embargo, para
otros casos presenta algunos inconvenientes, fundamentalmente, la simultaneidad de
eventos cuando ms de un evento ocurre en un intervalo y el error que se comete de

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

11

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

redondeos al considerar que los eventos ocurren al final del intervalo y que para disminuirlo
hace que se tomen incrementos muy pequeos que ralentizan enormemente la simulacin
comprobando muchos intervalos en los que no ocurre nada.

Incremento al prximo evento (event step): slo es vlido para modelos de eventos
discretos, donde el reloj de simulacin se inicializa a cero y se determinan los instantes en
que sucedern los futuros eventos (todos o los ms inmediatos que puedan ocurrir). El reloj
de simulacin se avanza hasta el instante del suceso ms inminente de los futuros eventos
(el primero de ellos), actualizando en ese instante el estado del sistema dependiendo del
evento de que se trate. Este procedimiento tiene como ventajas respecto al anterior que no
tiene errores al considerar tiempos exactos de ocurrencia de los eventos y que es ms rpido
ya que los periodos en que no hay eventos son saltados.

Obsrvese que en ambos casos es necesario tener definidos cules son los eventos futuros y
en qu instantes se van a dar, al menos los ms inmediatos, lo que se ver en el siguiente
captulo.

I.4.2 Mecanismo de transicin


Con cualquiera de los mtodos propuestos, cuando se produce un avance del reloj de
simulacin hay que actualizar las variables de estado. Se define el mecanismo de transicin
como el mecanismo que muestra los cambios que se producen en el estado del sistema y que
permite actualizar su valor.
En el caso de los modelos continuos, hay que mostrar los cambios de las variables de estado
cuando ha pasado un intervalo de tiempo fijo t . Por ejemplo, en el caso de querer hacer un
modelo de simulacin para el modelo de Lotka-Volterra las variables de estado seran

X (t ) : nmero individuos presa en el instante t


Y (t ) : nmero de individuos depredador en el instante t
y el mecanismo de transicin sera de la forma:

X ' X rX (t ) aX (t )Y (t ) t ,
Y ' Y sY (t ) bX (t )Y (t ) t
actualizando posteriormente X X ' Y Y ' (una simplificacin inmediata es no pasar por
las variables X ' e Y ' , pero se pueden cometer pequeos errores por la actualizacin de la
variable Y con un valor ya actualizado de X )

FACULTAD DE MATEMTICAS

12

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

En el caso de un modelo de eventos discretos, el mecanismo de transcin va asociado con


cada evento mostrando los cambios que se producen en el estado del sistema cuando se produce
ese evento. Por ejemplo, en un sistema de colas con un servidor, la variable de estado es el
nmero de clientes que hay en el centro de servicio y, por lo tanto, los eventos son la llegada de
un cliente y el final de un servicio, y el mecanismo de transicin se puede definir como

N (t ) 1 si llegada cliente
N (t )
N (t ) 1 si final de servicio cliente
siendo N (t ) el nmero de clientes en el sistema en el instante t .

I.5 Organizacin de un modelo de simulacin dinmico


En el desarrollo de un modelo de simulacin de eventos discretos hay otros elementos que
intervienen, adems del estado del sistema y del reloj de simulacin:

Lista de eventos: es la lista de instantes en que van a ocurrir los prximos eventos de cada
tipo. Esta lista puede ser generada desde el principio y almacenada (o al menos los valores
de las variables aleatorias que los determinan) o puede ir generndose a medida que los
valores son necesitados. Como ya se ha dicho en el siguiente captulo se ver cmo
obtenerlos.

Contadores estadsticos: son variables utilizadas para almacenar informacin sobre el


comportamiento del sistema y que al final, mediante algn clculo matemtico, darn
respuesta al objetivo del estudio.
Adems, un modelo de simulacin se estructura en distintas partes, cada una de ellas con un
cometido:

Rutina de tiempo: determina el siguiente evento y avanza el reloj de simulacin al instante


en que va a ocurrir

Rutina de evento: actualiza las variables cuando ha ocurrido un evento. Hay una por cada
tipo de evento.

Generador de informes o resultados: realiza los clculos o estimaciones de las


caractersticas que se desean medir, cuando la simulacin acaba.

Programa principal: enlaza todas las rutinas anteriores.

Plasmado en un diagrama de flujo, ste sera el siguiente (donde no hay numeracin es que
el orden no es relevante):

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

13

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

Rutina
inicializacin

Reloj simulacin = 0
Inicializar estado y contadores
Inicializar lista de eventos

Determinar tipo prximo evento i


1 Llamar
rutina tiempo

Avanzar reloj de simulacin


Rutina tiempo

Programa principal

Actualizar estado
Actualizar contadores

2 Llamar
rutina evento

Generar futuros eventos y


actualizar lista de eventos
Rutina evento i

Regla de parada

Fin de
simulacin?

NO

SI
Generador
resultados

Clculos finales (estimaciones)


Imprimir informe

Figura 2. Organizacin de un modelo de simulacin de eventos discretos.

Veamos un ejemplo de un sistema de una lnea de espera con un servidor. El objetivo es


estimar el nmero medio de clientes en el sistema.
Se suponen las siguientes hiptesis y datos:

Tiempos entre llegadas de clientes segn distribucin F

Tiempos de servicio segn distribucin G

Distribuciones de tiempos independientes entre s

T tiempo mximo de simulacin


La variable de estado es N el nmero de clientes en el sistema. Los eventos posibles son:

Llegada de un cliente al sistema

Final de servicio de un cliente


El mecanismo de transicin se define como

FACULTAD DE MATEMTICAS

14

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

N (t )

N (t )

1 si es llegada de un cliente

N (t )

1 si es final de servicio

Otras variables auxiliares son:

TM reloj de simulacin

DL tiempo entre llegadas


D

DS tiempo de servicio

TL instante de la prxima llegada

TS instante del prximo final de servicio

SUMA contador acumulando suma de productos de clientes en el sistema por tiempo de

permanencia

TANT variable auxiliar (instante de ltimo evento)

El diagrama del modelo se presenta en la figura 3.

Inicializar
N=0, TM=0
SUMA=0, TS=
Generar DL
TL=DL

TM=min(TL,TS)

Servicio

NO

TL<TS?

SI

Llegada

TANT=TM
SUMA/TM
Parar

NO

TM<T?

SI

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

15

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

Llegada

N=N+1

Servicio

NO

N=N-1

NO

N>0?

TS=

SI

N>1?

Generar DS
TS=TM+DS

SI
Generar DS
TS=TM+DS

Generar DL
TL=TM+DL

SUMA=SUMA+(N+1)(TM-TANT)

SUMA=SUMA+(N-1)(TM-TANT)

Volver

Volver

Figura 3. Diagrama del modelo de simulacin de una cola con un servidor.

A continuacin, se presenta la traza del modelo. La traza es una tabla en la que se recogen
los valores de las variables que intervienen en el modelo en varias iteraciones. Es til obtener
una traza manualmente para ayudar a obtener el modelo, de modo que se vean las variables que
intervienen, los clculos, etc. Gracias a ella es posible detectar la necesidad de variables
auxiliares. Adems, es una forma de verificar la programacin posterior, de modo que una vez
programado el modelo, con los mismos datos de entrada debe ejecutar lo que se recoge en la
traza. En caso de que no sea as, puede ser por una programacin errnea o incluso un modelado
errneo.
Veamos la ejecucin del modelo de simulacin. Se obtienen muestras de los tiempos entre
llegadas DL dando lugar a estos valores: 3, 2, 5, 1, 2, 6, 6, 2, 8 y de los tiempos de servicio DS
que resultan: 4, 1, 3, 1, 3, 2, 3, 5. Se simula durante T=35 obtenindose la siguiente traza.

N evento

Reloj Simulacin

Tipo evento

TL

TS

SUMA

Inicio

Llegada

0+03=0

Llegada

10

0+12=2

Servicio

10

2+22=6

FACULTAD DE MATEMTICAS

16

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Servicio

10

6+11=7

10

Llegada

11

14

7+0=7

11

Llegada

13

14

7+11=8

13

Llegada

19

14

8+22=12

14

Servicio

19

15

12+31=15

15

Servicio

19

18

15+21=17

10

18

Servicio

19

17+31=20

11

19

Llegada

25

21

20+0=20

12

21

Servicio

25

20+12=22

13

25

Llegada

27

28

22+0=22

14

27

Llegada

35

28

22+12=24

15

28

Servicio

35

33

24+21=26

16

33

Servicio

35

26+15=31

17

35

Final

31+02=31

Figura 4. Traza del modelo.

7 8

10 11

13 14 15

18

Figura 5. Nmero de clientes en el sistema a lo largo del tiempo.

Grficamente el nmero de clientes en el sistema a lo largo del tiempo se representa en la


figura 5. Para el tiempo de simulacin T=35 el nmero medio de clientes en el sistema resulta
ser E[N ]

31 35

0.89 . Si el tiempo de simulacin hubiera sido reducido a 18 en lugar de

35 el nmero medio de clientes en el sistema resultara E[N ]

20 18

1.11 , lo cual pone de

manifiesto la importancia de la condicin de finalizacin del proceso de simulacin y su posible


influencia en los resultados obtenidos.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

17

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

I.6 Algunas aplicaciones de simulacin


I.6.1 Disponibilidad dinmica de un sistema paralelo
Se trata de un sistema formado por varios componentes en paralelo. El sistema est
indisponible cuando todos los componentes estn indisponibles. Se supone que cuando se repara
un componente vuelve a funcionar como nuevo.
Se consideran los siguientes datos:

Distribucin de probabilidad de tiempo entre fallos del componente i , TFi (t )

Distribucin de probabilidad de tiempo de reparacin del componente i , TRi (t )

Tiempo mximo de simulacin T


La variable de estado de cada componente es x i

sistema ES

1 en funcionamiento
0 en reparacin

y la del

1 sistema en funcionamiento
0 sistema en fallo

Los eventos que se consideran son:

Fallo de un componente x i

Fin de reparacin de un componente xi

Otras variables auxiliares son:

TM reloj de simulacin

TFi muestra de la distribucin de tiempo entre fallos del componente i

TRi muestra de la distribucin de tiempo de reparacin del componente i

TPi tiempo del siguiente evento del componente i

TPS tiempo de parada del sistema


TI tiempo en que se inici la ltima parada

El proceso de simulacin consta de las siguientes etapas descritas mediante pseudocgido:

1.

Inicializacin:

TM
TPS

0
0

FACULTAD DE MATEMTICAS

18

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Definir estado inicial:

xi

ES 1
Generar muestra de distribucin de tiempo entre fallos TFi

TPi

TFi

2. Rutina de tiempo: Determinar mnimo de TPi (cundo), actualizar el tiempo de simulacin

TM

TPi , determinar el evento de fallo o reparacin (qu) y el componente al que afecta

(a quin)
3. Rutina de evento de fallo del componente i

xi

Si estn en fallo el resto de componentes se declara indisponible el sistema ES

se registra el instante de la parada TI

TM

Generar muestra de distribucin de tiempo de reparacin TRi

TPi

TPi

0 y

TRi

4. Rutina de evento de fin de reparacin del componente i

xi

Si el sistema est indisponible () se contabiliza el tiempo de parada del sistema

TPS

TPS

TM

TI y se declara disponible el sistema ES

Generar muestra de distribucin de tiempo entre fallos TFi

TPi

TPi

TFi

5. Regla de parada: Comprobar que TM


6. Final. ndice de disponibilidad

T , en cuyo caso ir a 2. En caso contrario ir a 6


1 TPS /TM

I.6.2 Fiabilidad esttica de un sistema de generacin de


energa elctrica
Calcular los ndices de fiabilidad estticos de un sistema de generacin, denominados
probabilidad de prdida de carga LOLP

EENS

E (D

G )d | D

P D

y energa esperada no suministrada

G , siendo G la variable aleatoria potencia de generacin

disponible en el sistema, D la demanda y d la duracin de la misma.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

19

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

Grupo
1
2
3
4
5
6
7

Potencia [MW]
1000
1500
750
500
350
250
200

Tasa de fallo equivalente (EFOR) [%]


8
10
7
6
5
3
2

Cada generador tiene dos estados posibles: disponible e indisponible. La potencia


disponible se modela mediante una distribucin de Bernoulli, es decir, ser igual a la nominal
con una probabilidad (1-EFOR/100) e igual a 0 con probabilidad (EFOR/100). Por consiguiente,
el nmero total de estados del sistema ser 27

128 .

Para calcular estos ndices de manera exacta para un sistema con un nmero reducido de
generadores se construye la tabla de estados del sistema y para cada uno se evala la potencia
disponible, la potencia deficitaria con respecto a la demanda y la probabilidad de ocurrencia.
Luego, la LOLP ser simplemente la suma de las probabilidades de los estados donde la
potencia deficitaria es estrictamente mayor que 0 y la EENS ser la suma ponderada de la
potencia deficitaria por su probabilidad. En la tabla se presentan algunos de los 128 estados del
sistema (representando con 1 a cada generador disponible y con 0 en caso contrario) y sus
parmetros suponiendo una demanda de 3000 MW con una duracin de 680 h.

Estado
sistema

Pot Disp
[MW]

Dficit
[MW]

Probab

LOLP

EENS

1111111

4550

0.6537

0.0000

0.0

1111110

4350

0.0133

0.0000

0.0

1111101

4300

0.0202

0.0000

0.0

1111100

4100

0.0004

0.0000

0.0

1111011

4200

0.0344

0.0000

0.0

1111010

4000

0.0007

0.0000

0.0

1011111

3050

0.0726

0.0000

0.0

...

...

...

...

...

...

1011110

2850

150

0.0015

0.0015

151.2

1011101

2800

200

0.0022

0.0022

305.5

FACULTAD DE MATEMTICAS

20

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

1011100

2600

400

0.0000

0.0000

12.5

1011011

2700

300

0.0038

0.0038

779.8

1011010

2500

500

0.0001

0.0001

26.5

1011001

2450

550

0.0001

0.0001

44.2

1011000

2250

750

0.0000

0.0000

1.2

...

...

...

...

...

...

0000110

600

2400

0.0000

0.0000

1.0

0000101

550

2450

0.0000

0.0000

1.6

0000100

350

2650

0.0000

0.0000

0.0

0000011

450

2550

0.0000

0.0000

2.8

0000010

250

2750

0.0000

0.0000

0.1

0000001

200

2800

0.0000

0.0000

0.1

0000000

3000

0.0000

0.0000

0.0

Para calcular estos mismos ndices mediante simulacin se muestrea cada variable aleatoria
(potencia disponible de cada generador) segn su distribucin y se calculan las variables
potencia disponible del sistema y dficit. La probabilidad de ocurrencia de cada muestra es la
inversa del nmero total de muestras.

I.6.3 Fiabilidad dinmica de un sistema de energa elctrica


Determinar los ndices de fiabilidad LOLP y EENS y el coste medio de la energa mediante
simulacin cronolgica durante al menos 156 semanas consecutivas.
Los datos de la demanda de cada da de una semana caracterstica expresados en MW y los
del sistema de generacin se dan a continuacin.
Hora

10

11

12

2936

2893

2675

2676

2533

2652

2546

2794

2848

2623

2616

2811

2789

2770

2879

2695

2644

2710

2792

2706

2839

2518

2942

2788

2971

2875

2538

2893

2695

2837

2716

2606

2702

2893

2738

2598

2689

2894

2685

2718

2742

2954

2675

2985

2714

2646

2615

2660

2846

2988

2516

2686

2601

2544

2815

2916

2506

2558

2606

2531

2967

2633

2906

2582

2778

2518

2859

2798

2904

2541

2867

2818

2959

2500

2575

2957

2975

2824

2792

2766

2744

2686

2958

2861

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

21

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

Hora

13

14

15

16

17

18

19

20

21

22

23

24

2951

2638

2712

2506

2617

2551

2507

2962

2898

2902

2930

2800

2605

2740

2530

2845

2524

2654

2845

2709

2747

2840

2732

2646

2638

2757

2607

2534

2949

2734

2692

2792

2621

2720

2739

2866

2697

2908

2503

2573

2771

2970

2582

2831

2552

2820

2602

2861

2515

2531

2717

2557

2541

2645

2703

2522

2587

2674

2567

2839

2641

2944

2554

2510

2963

2859

2851

2867

2638

2707

2879

2652

2624

2797

2914

2738

2791

2771

2933

2841

2920

2638

2507

2668

Grupo

Coste variable
[/MWh]

MTTF
[h]

MTTR
[h]

10

115

10

15

54

25

93

30

141

35

95

50

97

70

98

Las distribuciones de probabilidad de fallo de los grupos son normales con media

MTTF y desviacin tpica


media m

MTTF /5 . Las de reparacin son triangulares con

2MTTR / 3 , valor mnimo a

MTTR / 3 y mximo b

2MTTR . Los

grupos se despachan por orden creciente de coste variable. El coste de la ENS se estima en 1
/kWh. Por razones de soporte de tensin en la red el grupo 6 debe funcionar si est disponible
y por limitacin en la evacuacin de energa no pueden funcionar simultneamente el 3 y el 5
teniendo prioridad el de menor coste variable. En el instante inicial todos los grupos estn
disponibles.
En este ejemplo el tipo de simulacin ms adecuado es el de avance de tiempo fijo con
intervalo unitario de 1 hora (aunque no se hayan producido eventos de fallo o reparacin de un
grupo), ya que la demanda cambia en cada hora y esto influye en el clculo del coste medio de
produccin.

FACULTAD DE MATEMTICAS

22

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

I.7 Etapas en el desarrollo de un estudio de simulacin


Al llevar a cabo un estudio de simulacin hay algunos pasos que se deben seguir para lograr
el xito, entendindose ste como un correcto anlisis del problema, la obtencin de un modelo
que sirva para los fines para los que se desarrolla y que sea creble por parte del destinatario
final.
Por otra parte, hay que diferenciar si el fin del estudio es slo el desarrollo del modelo
(obtener un programa que otro usuario va a utilizar finalmente) o si el anlisis de resultados
forma parte tambin del estudio.
A continuacin, se muestra el caso ms general que incluye el anlisis de resultados como
ayuda en la toma de decisiones.
FORMULAR EL PROBLEMA
En esta fase se plantean los objetivos del estudio, las hiptesis bsicas que pueden ser
asumidas, los parmetros que intervienen, cules son las variables de estado del sistema y por
tanto del modelo, etc. Es una fase clave, denominada fase de especificacin, que, a menudo, es
infravalorada en tiempo, ya que aparentemente el problema est formulado, pero, concretar
exactamente lo que se quiere obtener y de lo que se dispone, no es tan obvio como pueda
parecer.
REUNIR DATOS Y CREAR UN MODELO
En esta fase en primer lugar hay que reunir los datos. ste puede ser el cuello de botella del
proyecto total ya que la recogida de stos puede ser una tarea larga y tediosa. Una vez
obtenidos, mediante un anlisis estadstico, hay que modelar la aleatoriedad para ser incluida en
el modelo de simulacin.
PROGRAMAR EL MODELO
Cuando se conocen los datos de que se dispone y su naturaleza, se desarrolla el modelo en s
mismo. La programacin del modelo, como ya se ha comentado, se puede hacer con un lenguaje
de programacin de propsito general o con un lenguaje especfico de simulacin (GPSS,
AutoMod, Witness, Arena, ...). Las ventajas e inconvenientes de unos y otros sern analizadas
en otra seccin. En cualquier caso, la decisin ha de ser tomada previamente, ya que influye no
slo en la programacin sino tambin en el modelo desarrollado. Para el primer caso ste ser
un diagrama de flujo.
VERIFICAR LA PROGRAMACIN

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

23

I MODELADO DE SISTEMAS MEDIANTE SIMULACIN

Este paso consiste en verificar que lo que se ha programado coincide con lo que se haba
modelado. Para ello hay que llevar a cabo ejecuciones de prueba y compararlas con el modelo,
para ello una traza bien elegida y desarrollada puede ser una valiosa ayuda. En el caso de ser
detectados errores, habr de volver a la fase anterior.
VALIDAR EL MODELO
Consiste en comprobar la validez del modelo diseado y para ello hay que ejecutar el
modelo y comparar con el propio sistema o con soluciones tericas de casos sencillos que se
hallen bien resueltos. La comparacin con el propio sistema sugiere comparacin de datos
reales y datos simulados. Cuando existe aleatoriedad no es fcil hacer tal comparacin y un
procedimiento habitual para llevarla a cabo consiste en alimentar el modelo con los mismos
datos con los que se alimenta al sistema real para obtener los resultados que se van a comparar.
Por ejemplo, si es un sistema de colas con un servidor, se le da al modelo los tiempos entre
llegadas y de servicio observados y se compara lo que ocurre en el sistema real con esos
tiempos con lo que el modelo simula (no se generan aleatoriamente, en este caso para la
validacin).
DOCUMENTAR EL MODELO O SIMULADOR
sta es una etapa fundamental del desarrollo de un modelo para garantizar su amplia
difusin. La documentacin ha de ser clara, precisa y completa. El manual de usuario debe
incluir la especificacin tcnica funcional, matemtica e informtica. El propio cdigo debe
incluir una buena documentacin para facilitar la tarea del mantenimiento. Pinsese que la
mayor parte del ciclo de vida de un modelo no est en el desarrollo sino en la fase de uso y
mantenimiento.

Hasta aqu, sera el desarrollo del modelo de simulacin, es decir, la construccin de una
herramienta que simule un sistema. Slo faltara para dar por terminada esta parte documentar
el modelo con instrucciones al usuario, descripcin de hiptesis y datos, etc., y la puesta en
servicio para otros usuarios, si es el caso, que sean, al fin y al cabo, los usuarios finales. Esa fase
de finalizacin, puede ser tambin muy larga y costosa, dependiendo de dnde haya de ser
instalado, de la documentacin que haya que entregar, de la formacin que haya que dar a los
usuarios, etc.
Sea quien sea el usuario final (es decir, tanto si es quien ha desarrollado el modelo como si
no), el modelo se usar para ayudar en la toma de decisiones y para ello habr que llevar a cabo
ejecuciones con distintas configuraciones, etc. Tambin para esta parte, existe una metodologa
con el fin de hacer crebles los resultados obtenidos y obtener la mayor informacin posible de
forma eficaz.

FACULTAD DE MATEMTICAS

24

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

DISEAR EL EXPERIMENTO
Hay que disear las estrategias a evaluar, las pruebas que se van a llevar a cabo, el nmero
de simulaciones de cada una de ellas, etc. Un buen diseo de experimentos puede ser
fundamental para obtener la informacin eficientemente. Tambin las tcnicas de reduccin de
la varianza que permiten obtener estimadores ms precisos con el mismo esfuerzo
computacional, o igual de precisos con menor esfuerzo computacional, son una buena ayuda
para resolver el problema de forma eficiente. Algunas de estas tcnicas estn especialmente
diseadas para simulacin (variables antitticas, variables de control, muestreo correlado, ...) y
otras provienen de la teora general de muestreo (muestreo estratificado, muestreo por
importancia, ...).
En esta fase tambin hay que tener en cuenta los periodos transitorios a la hora de disear
las pruebas, ya que si nuestro objetivo es obtener medidas de un sistema en estado estacionario,
habr que determinar la longitud del periodo transitorio (periodo de tiempo hasta que se puede
considerar que el rgimen de funcionamiento del sistema es estacionario o permanente) y
utilizar procedimientos para eliminar o atenuar su influencia en las medidas que se pretenden
obtener.
LLEVAR A CABO LAS EJECUCIONES DE SIMULACIN
Se ejecutan todas las pruebas que han sido diseadas en la fase anterior.
ANALIZAR LOS RESULTADOS
Hay que tener muy en cuenta que lo que se tiene de cada ejecucin es una muestra simulada
y, por lo tanto, hay que recurrir al anlisis estadstico para sacar las conclusiones, igual que si la
muestra no fuera simulada.
DECIDIR SI DAR POR TERMINADA LA SIMULACIN
A la vista de los resultados, hay que decidir si dar por terminada la simulacin y pasar a la
ltima fase del estudio o, por el contrario, si se requieren nuevas pruebas, en cuyo caso habra
que volver al paso de disear un nuevo experimento.
DOCUMENTAR Y ORGANIZAR LAS EJECUCIONES
Es importante recopilar y mostrar bien la informacin obtenida de las simulaciones, con el
fin de hacer crebles las conclusiones y decisiones que se propongan. Para ello una buena
documentacin es un punto fundamental que forma parte del propio estudio.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

25

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

II Modelado de la aleatoriedad en simulacin


Como ya se ha comentado, los modelos de simulacin habitualmente incluyen aleatoriedad,
hasta el punto de que en muchos casos cuando el modelo es determinista se considera un caso
particular de un modelo estocstico ms general. Por tanto, es necesario modelar correctamente
la aleatoriedad incluida y disponer de procedimientos rpidos y eficientes para generar valores
de variables aleatorias con una distribucin determinada y conocida.
Este captulo incluye una breve revisin estadstica de los conceptos bsicos utilizados en el
resto del documento, una seccin dedicada a identificar modelos para representar la aleatoriedad
a partir de datos conocidos, lo que se ha llamado identificacin de patrones y, por ltimo, una
seccin dedicada a cmo simular esos modelos, es decir, a cmo generar variables aleatorias
para ser utilizadas en el proceso de simulacin.

II.1 Revisin de probabilidad y estadstica


Esta revisin estadstica comprende conocimientos estadsticos de aplicacin prctica en
simulacin. Se inicia con una seccin dedicada a una revisin de conceptos bsicos de
probabilidad, despus una revisin de estimacin puntual y por intervalos y una final de
contrastes de hiptesis.

II.1.1 Variables aleatorias y sus propiedades


Un experimento aleatorio es un proceso cuyo resultado no se conoce con exactitud. El
conjunto de resultados posibles de dicho experimento es lo que se conoce como espacio
muestral, S . Los resultados concretos de realizar el experimento se denominan muestras. Un
ejemplo puede ser el resultado de tirar un dado con seis caras. Su espacio muestral sera S
={1,2,3,4,5,6}.
Sin embargo, no todos los experimentos aleatorios tienen resultados numricos; por
ejemplo, al tirar una moneda el espacio muestral sera S cara, cruz .
Una variable aleatoria X es una funcin que asigna un valor a cada resultado del
experimento. As por ejemplo, si al resultado del lanzamiento de una moneda le asignamos el
valor 1 si es cara y 1 si es cruz, tendremos una variables aleatoria cuyos posibles valores o
soporte es el conjunto 1,1 . Las variables aleatorias son de gran importancia pues trasladan

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

27

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

la probabilidad de un espacio no numrico a uno numrico con todas las ventajas que ello
conlleva, entre otras las caracterizaciones y propiedades que se vern a continuacin.
Habitualmente se nota a las variables aleatorias con letras maysculas y a los valores
muestrales de dicha variable con letras minsculas. As por ejemplo se habla de la variable X y
de las muestras xi .
Para caracterizar la distribucin de probabilidad de una variable aleatoria hay distintas
formas segn sea sta, sin embargo una funcin que puede ser definida de forma general para
caracterizar la distribucin de una variable aleatoria es la funcin de distribucin.
La funcin de distribucin de una variable aleatoria, o tambin conocida como funcin de
distribucin acumulada, F ( x) , se define como la funcin que asigna a cada punto la
probabilidad

de

que

tome

un

valor

igual

inferior

x,

es

decir,

F ( x) P((, x]) P( X x) .
Las propiedades de esta funcin de distribucin son las siguientes:

Su valor est comprendido entre 0 y 1, es decir, 0 F ( x) 1

Es no decreciente

En los lmites, se cumple lim F ( x) 1 y lim F ( x) 0


x

Las variables aleatorias que pueden ser de nuestro inters, se clasifican en: discretas,
absolutamente continuas (en general, las llamaremos continuas) y mixtas. Las que no
corresponden a ninguno de estos grupos exceden al objetivo de esta revisin bsica.
Se dice que una variable aleatoria es discreta cuando puede tomar una cantidad numerable1
de valores.
Estas variables son caracterizadas, adems de por la funcin de distribucin, por la funcin
de masa de probabilidad, que es una funcin que asigna a los posibles valores su probabilidad y
al resto 0. Los valores de esta funcin han de estar entre 0 y 1 ya que son probabilidades y la
suma de todos ha de ser 1.

Es decir, una cantidad finita o infinita numerable (los nmeros naturales, los enteros, los

racionales,...)

FACULTAD DE MATEMTICAS

28

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

La funcin de distribucin F ( x) de este tipo de variables se calcula como la suma de la


funcin de probabilidad para valores iguales o inferiores al valor x , y resulta por lo tanto una
funcin escalonada:

F ( x) P( x xi ) ; x
xi x

Se dice que una variable aleatoria es absolutamente continua cuando existe una funcin,
denominada funcin de densidad, f ( x) , tal que su integral para un conjunto I determina la
probabilidad de ocurrencia de dicho conjunto.

P( x I ) f ( x) dx
I

Se ha de tener en cuenta que la integral de la funcin de densidad en todo el espacio ha de


ser la unidad.

f ( x) dx 1

En este tipo de variables la probabilidad de ocurrencia de un valor concreto es cero ya que


la integral en un punto es nula. Un concepto fsico que se asemeja a lo que representa la funcin
de densidad es precisamente la densidad de un cuerpo, en este caso referido a probabilidades.
La funcin de distribucin en este caso se calcula como la integral de la funcin de densidad
en el intervalo [, x] , y de aqu que su derivada constituye la funcin de densidad asociada a
la variable x . La funcin de distribucin en este caso es continua en todos los puntos, y es
derivable en todos excepto a lo sumo en una cantidad numerable de ellos.
x

F ( x) P( x [, x]) f ( y) dy ; x

F ( x) f ( x)
As por ejemplo para una variable aleatoria uniforme para el intervalo [0, 1] se tiene que:

1 0 x 1
f ( x)
resto
0
x

F ( x) f ( x) dx 1dx x

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

29

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

f(x)

F(x)

Las variables aleatorias mixtas son variables que en algunos intervalos se comportan como
variables absolutamente continuas, pero que adems concentran probabilidad en algn punto.
Para ellas no existe otra caracterizacin terica vlida que no sea la funcin de distribucin, que
es continua en todos los puntos excepto en los que acumulan probabilidad que tiene un salto.
Aunque las definiciones que se han dado son vlidas en general, hay algunas cuestiones
especficas cuando las variables estn definidas no en
, sino en n , siendo denominadas
variables multidimensionales. Las siguientes definiciones son las equivalentes a las anteriores
pero en este contexto, en el que una variable aleatoria es de la forma ( X 1 ,..., X n ) :

Funcin de distribucin conjunta:

F( X1 ,..., X n ) ( x1 ,..., xn ) P( X1 x1 ,..., X n xn )

Funcin de densidad conjunta (en su caso):

P( B) f ( x )dx

f ( X1 ,..., X n ) ( x1 ,..., xn ) /

Funcin de masa de probabilidad conjunta (en su caso):

P( B) p( x )

p( X1 ,..., X n ) ( x1 ,..., xn ) /

Funciones de densidad marginales (en su caso):

f X i ( xi )

xB

...

f ( X1 ,..., X n ) ( x1 ,..., xn ) dx1...dxi 1dxi 1...dxn

Funciones de masa de probabilidad marginales (en su caso):

pX i ( xi ) ... ... p( X1 ,..., X n ) ( x1 ,...xn )


x1

xi1 xi1

xn

Dentro del tratamiento conjunto de variables aleatorias, existe un concepto que es de


mxima importancia: el concepto de independencia. Se dice que un conjunto de variables

FACULTAD DE MATEMTICAS

30

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

aleatorias es independiente si y slo si la funcin de distribucin conjunta es producto de las


funciones de distribucin marginales. Esta caracterizacin para variables absolutamente
continuas puede darse diciendo que la funcin de densidad conjunta ha de ser el producto de las
funciones de densidad marginales, y para variables discretas que la funcin de masa conjunta es
el producto de las funciones de masa marginales.
Obsrvese que el concepto de independencia estadstica que se acaba de definir no implica
que no haya relacin alguna entre las variables, sino que el conocimiento de una no modifica la
distribucin de probabilidad de las otras. Por ejemplo, sea el experimento sacar una carta de una
baraja espaola y observar el palo y nmero de la carta que ha salido. As sea la variable X el
palo (numerando 1 a copas, 2 a oros, 3 a espadas y 4 a bastos), y la variable Y el nmero (sota
es 8, caballo 9 y rey 10). La funcin de masa de ambas variables conjuntamente es

p( x, y) 1/ 40, x 1, 2,3, 4 y 1,...,10 . Las funciones de masa marginales son


p( x) 1/ 4, x 1, 2,3, 4 y

p( y ) 1/10, y 1,...,10 . Evidentemente, la funcin

conjunta es producto de las marginales, luego, se puede decir que ambas variables son
estadsticamente independientes, es decir, si dada una carta se sabe cul es el palo no modifica
la probabilidad de cul ser su nmero.
Es importante tener presente este concepto de independencia pues en simulacin, y en
general en probabilidad, se maneja muy habitualmente.
A continuacin se presenta una revisin de las caractersticas que se consideran ms
relevantes de una variable aleatoria.
La esperanza o valor esperado o media de una variable X , denotada por o E ( X ) , es
una medida central de comportamiento de la variable que representa su centro de masas. Se
calcula de manera distinta dependiendo de si se trata de una variable discreta o continua.

xi P( xi ) siendo X i variable discreta

E[ X ] xi
xf ( x)dx siendo X i variable continua

La esperanza por su definicin es un operador lineal, es decir, E (

i 1

i 1

ci X i ) ci E ( X i ) .

Por otra parte, obsrvese que la esperanza de una variable puede ser un valor que no pertenezca
al soporte, especialmente en variables aleatorias discretas, aunque siempre se encontrar entre el
mnimo y el mximo de los posibles valores.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

31

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

Otra medida central de una variable aleatoria es la mediana. Se nota por x0.5 y se define
como el menor valor de la variable para el cual FX ( x) 0.5 . Cuando la variable tiene asimetra
es habitual dar este valor de medida central, ya que la media se suele ver muy afectada por los
valores ms extremos.
La varianza de una variable aleatoria es una medida para determinar el nivel de dispersin
que tienen los valores de la variable respecto de su media. Se nota por var( X ) o 2 , y se
define como la media de las desviaciones a la esperanza al cuadrado. As su definicin y un
mtodo alternativo de clculo son:

2 E[( X i i )2 ] E( X i2 ) i2
Por definicin, la varianza es siempre no negativa y es un operador cuadrtico, de modo que

var(cX ) c 2 var( X ) . Por otra parte, para transformaciones lineales, slo en el caso en que las
variables sean independientes o incorreladas (trmino que se explica a continuacin) se cumple
n

que var(

X ) var( X ) .
i 1

i 1

Obsrvese que la varianza va en unidades al cuadrado; para dar una medida relativa a las
unidades que se estn manejando se utiliza la desviacin tpica o estndar, que se define como
la raz cuadrada de la varianza de la variable y se denota por .
Calculando la media y la varianza de una variable aleatoria uniforme en el intervalo [0, 1] se
tiene:
1

x2
1
x1dx
0
2 0 2
1

3
1 x 1 1
x 1dx
0
2 3 0 4 12
2

Una medida de la dependencia lineal entre dos variables X i y X j viene dada por la
covarianza notada por Cij o cov( X i , X j ) . Se define como la esperanza o media de la
multiplicacin de las desviaciones de la variable X i con respecto a su media i por las
desviaciones de la variable X j respecto de su media j . As la definicin y un mtodo
alternativo de clculo son las siguientes:

cov( X i , X j ) E[( X i i )( X j j )] E( X i X j ) i j

FACULTAD DE MATEMTICAS

32

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Las covarianzas son medidas simtricas, es decir, Cij C ji . Si i j , entonces la


covarianza es igual a la varianza de la variable. Si el valor de la covarianza es positivo, ello
implica que X i y X j estn correladas positivamente, es decir, si el valor que se tiene de X i es
mayor que su media i , entonces el valor que se espera para X j ser mayor que su media j .
Por el contrario si el valor de la covarianza es negativo, ello implica que X i y X j estn
correladas negativamente, es decir, si el valor que se tiene de X i es mayor que su media i ,
entonces el valor que se espera para X j ser menor que su media j .
La covarianza tiene el inconveniente de que es una medida dimensional que no nos permite
cuantificar la correlacin entre variables de una forma directa. Para obtener una medida
adimensional de dicha correlacin se utiliza el coeficiente de correlacin lineal, ij . Dicho
factor adquiere un valor entre 1 y 1 y se calcula como cociente entre la covarianza entre dos
variables y el producto de sus desviaciones tpicas respectivas.

ij

Cij

i j

1 ij 1

Como puede observarse lleva el signo de la covarianza, y su interpretacin es por lo tanto la


misma.
An as, se suele utilizar otro factor para medir el grado de relacin lineal entre dos
2
variables: el coeficiente de determinacin, ij . Este coeficiente representa la proporcin de la

variabilidad (varianza) de una variable que es explicada por la variabilidad de la otra. Se calcula
como el cuadrado del coeficiente de correlacin lineal, con lo cual lo que no indica es el signo
de la relacin pero su interpretacin es mucho ms intuitiva.
Dos variables se dicen incorreladas si el coeficiente de correlacin lineal (o el de
determinacin o la covarianza) es cero. Si dos variables son independientes entonces son
incorreladas, al revs no es siempre cierto, excepto en distribuciones normales.

II.1.2 Procesos estocsticos


Un proceso estocstico,

X t tT ,

es un conjunto de variables aleatorias definidas todas

sobre un mismo espacio de probabilidad (intuitivamente se dira que miden lo mismo pero en
distinto instante de tiempo o punto espacial). Se denomina espacio de estados al conjunto de
posibles valores de las variables.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

33

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

Al conjunto T se le denomina conjunto de ndices, y si se trata de un conjunto numerable


de , el proceso es denominado proceso en tiempo discreto, mientras que si no es un conjunto
numerable se denomina proceso en tiempo continuo.
Un proceso en tiempo discreto se dice que es estacionario en covarianza o estacionario de
segundo orden si verifica que la media y varianza de todas las variables es la misma y la
covarianza entre dos variables del proceso solamente depende de la diferencia entre sus ndices
y no de sus valores absolutos:

i ; i

i2 2 ; i

cov( X i , X i j ) cov( X1 , X1 j ) C j independiente de i ; j


En este tipo de procesos a C j se le denomina autocovarianza de orden j, y a los

coeficientes de correlacin se les conoce como autocorrelaciones del proceso.


El arranque de cualquier simulacin no suele ser estacionario en covarianza. Si la
simulacin se avanza hasta un tiempo K suficientemente alejado es posible que el proceso
alcance un rgimen estacionario en el cual se cumplan los requisitos anteriormente descritos. El
tiempo que transcurre hasta que se alcanza dicho rgimen estacionario se conoce como perodo
transitorio o de calentamiento (warm up).
Los procesos en tiempo continuo tambin pueden ser estacionarios o no.
Hay procesos estocsticos que no son estacionarios en s mismos, pero que pueden serlo sus
incrementos. Un proceso markoviano es un proceso estocstico de incrementos independientes
y estacionarios, es decir, tal que
i) t , a 0 la variable aleatoria X t a X t es independiente de X s / 0 s t , es decir,
independiente de su historia (o que no tiene memoria).
d

ii) 0 t1 t2 t3 t4 X t2 X t1 X t4 X t3
Respecto a los procesos markovianos en tiempo continuo los ms conocidos son el Proceso
de Poisson (que es un proceso de conteo ya que el espacio de estados es
de Wiener o movimiento browniano (cuyo espacio de estados es
Se dice que un proceso estocstico

X t tI

0 ) y el Proceso

es un proceso de Poisson de parmetro si

T [0, ) con las siguientes propiedades

FACULTAD DE MATEMTICAS

34

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

i) X 0 0 c.s.
ii) t , a 0 la variable aleatoria X t a X t es independiente de

X s / 0 s t

(es

decir, que los incrementos son independientes de su historia)


d

iii) t , a 0 X t a X t ( a )

Se dice que un proceso estocstico

X t tI

es un proceso de Wiener o movimiento

Browniano si si T [0, ) con las siguientes propiedades


i) X 0 0 c.s.
ii) t , a 0 la variable aleatoria X t a X t es independiente de X s / 0 s t
d

iii) t , a 0 X t a X t N (0, a )
Se puede probar que con probabilidad uno X no es diferenciable en ningn punto del
intervalo [t , t a] .

II.1.3 Estimacin puntual


Esta seccin se dedica a la estimacin puntual, es decir, obtener estimadores para
parmetros desconocidos de una variable a partir de una muestra. Los estimadores en general se
denotan de una forma particular o con el parmetro que se desea estimar con un circunflejo, es
decir, de la forma a . La estimacin en general se hace a partir de una muestra aleatoria simple y
as se presentan los estimadores siguientes.
Sea una muestra aleatoria simple, es decir, X 1 , X 2 , X 3 ,

son v.a.i.i.d. con media y

varianza 2 , se define como media muestral a la suma de los valores muestrales de tamao n
dividido por el propio n . Se nota la media muestral para un tamao n como X (n) o .

X (n)

i 1 i

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

35

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

La media muestral es un estimador insesgado2 o centrado de la media de la variable, es

decir, E X (n) , y es en s una variable aleatoria.


As por ejemplo, en un sistema de espera de llamadas se producen los siguientes tiempos de
espera en segundos {45, 34, 66, 49, 87, 22, 54, 91}. La media muestral de estos tiempos resulta
de 56 segundos/llamada. Este valor es una realizacin de la variable X (n) .
La media muestral como tal variable tiene por esperanza la media de la variable y por
varianza la varianza de la variable partido por el tamao muestral, es decir, E[ X (n)] y

V [ X (n)] 2 / n (la varianza lo es slo si son variables independientes o incorreladas).


Para estimar la varianza de una variable si fuera conocida (no estimada) la esperanza de la
variable en cuestin el estimador utilizado es

n
i 1

( xi )2
n

. Sin embargo, no es habitual

que se conozca la media con certeza, sino que suele ser estimada con la media muestral. En tal
caso, el estimador utilizado es la cuasivarianza.
La cuasivarianza o varianza muestral es un estimador insesgado de la varianza de la

variable, es decir, E S 2 (n) 2 . La cuasivarianza para un tamao n de la muestra se nota


por S 2 ( n) o por 2 .

S (n)
2

n
i 1

( xi X (n)) 2
n 1

As por ejemplo para el conjunto de tiempos de espera la cuasivarianza muestral obtenida,


2

S ( n) , es igual a 585.714 segundos2 (calculado como 4100/7).


Por lo tanto, un estimador de la varianza de la media muestral, var X (n) , ser el

cociente entre la cuasivarianza muestral y el nmero de muestras.


n

var X (n)

S ( n)

( x X (n))

i 1

n(n 1)

Un estimador de un parmetro es insesgado o centrado cuando el valor esperado de dicho estimador

es el propio parmetro que se desea estimar

FACULTAD DE MATEMTICAS

36

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

As por ejemplo para la media muestral de 56 segundos/llamada obtenida para los tiempos
de espera se obtiene un estimador de la varianza de la media muestral de 73.214 segundos2
(calculada como 585.714/8).

II.1.4 Estimacin por intervalos de confianza


La estimacin puntual en general es insuficiente como nico resultado cuando se desea
estimar un parmetro ya que no proporciona ninguna informacin acerca de la precisin del
resultado. Por otra parte, cuando se hace una estimacin puntual se puede tener prcticamente la
seguridad de que el valor estimado no es el valor real. Por lo tanto, junto a una estimacin
puntual siempre se debe hacer una estimacin por intervalo.
Existen distintos mtodos para obtener intervalos de confianza, siendo el ms conocido el
de la cantidad pivotal. Sin embargo en esta seccin de repaso no se va a entrar en el
procedimiento para obtener intervalos de confianza sino que se van a presentar slo los
utilizados para la media que son los ms habituales para analizar los resultados de simulacin.
Si la varianza de la variable es conocida (que no estimada), lo que ocurre en muy pocas
ocasiones, el intervalo de confianza 1 para la media es

2
2
, X (n) z
X (n) z

2
2
n
n

donde z / 2 denota el valor que deja a su derecha un probabilidad / 2 en una distribucin


normal estndar (media 0 y desviacin 1).
Si la varianza de la variable es desconocida y estimada mediante la cuasivarianza, que suele
ser lo habitual, el intervalo de confianza 1 para la media es

S 2 ( n)
S 2 ( n)
, X (n) tn 1,
X (n) tn 1,

2
2
n
n

donde tn1, / 2 denota el valor que deja a su derecha una probabilidad / 2 en una distribucin
T de Student con n 1 grados de libertad. Obsrvese que para valores altos de n la normal y la
T de Student son prcticamente iguales.
La interpretacin que se ha de dar a los intervalos de confianza segn estn construidos es
que si se obtuvieran distintos intervalos en 100 1 % de ellos se encontrara el parmetro

, lo que no quiere decir que en un caso concreto se pueda asegurar que se encuentra el
parmetro.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

37

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

Obsrvese que para reducir el tamao del intervalo de confianza es necesario incrementar el
nmero de muestras n obtenidas o disminuir la cuasivarianza. La variacin del tamao del
intervalo con el nmero de muestras es cuadrtica. As, en el caso de que se quiera reducir el
tamao a la mitad es necesario incrementar en cuatro veces el nmero de muestras obtenidas.
As por ejemplo para los tiempos de espera de las llamadas se dispone de los valores
necesarios para establecer el intervalo de confianza del 99 % para la media, donde X (n) =56
segundos/llamada. Mirando en las tablas de la t de Student se busca el valor que deje una
probabilidad de 0.005 de probabilidad a su derecha. Este valor en tablas resulta 3.499. El
intervalo de confianza resultante se indica a continuacin. Este intervalo es muy grande debido
al poco nmero de muestras utilizado, al valor de la cuasivarianza y a la elevada confianza que
se pide en el intervalo.

585.714
585.714
,56 3.499
56 3.499
26.061,85.939
8
8

II.1.5 Contrastes o tests de hiptesis


Los contrastes de hiptesis se plantean cuando se quiere contrastar alguna hiptesis que se
tenga sobre la variable o la muestra. Hay contrastes sobre parmetros, sobre la propia
distribucin, sobre la aleatoriedad de la muestra, etc.
El planteamiento bsico que se va a presentar (no es el nico) es siempre el mismo. Se
formula una hiptesis, denominada hiptesis nula y denotada por H 0 , y lo contrario a ella ser
la hiptesis alternativa que se denota por H 1 .
A partir de la muestra se obtiene un estadstico, tal que si la hiptesis nula fuera cierta se
sabra su distribucin. As si el valor del estadstico para la muestra concreta es un valor raro
para esa distribucin se rechaza la hiptesis nula, mientras que si no es raro, no se puede
rechazar.
Bsicamente, la idea es esa, pero hay varias cosas que puntualizar.
La primera puntualizacin es que los tests no son simtricos, es decir, no tratan por igual a
la hiptesis nula y a la alternativa. Al realizar un test hay dos errores que se pueden cometer:
rechazar la hiptesis nula siendo verdadera o rechazar la hiptesis alternativa siendo verdadera.
Al primer error se le denomina Error de tipo I y al segundo Error de tipo II. Los tests se
realizan a un nivel de confianza que representa una cota para la probabilidad del error de tipo

FACULTAD DE MATEMTICAS

38

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

I, es decir, P( Error tipo I ) , mientras que no se tiene ningn control acerca de la


probabilidad del error de tipo II3. Por lo tanto, fijado un valor de pequeo, se sabe que la
probabilidad de cometer el error de rechazar H 0 siendo cierta es muy pequea, mientras que no
se sabe nada de la otra. sta es la razn por la que habitualmente en el resultado de un contraste
si se rechaza la hiptesis nula se hace con seguridad, mientras que cuando no se rechaza se suele
decir que no hay evidencia estadstica para rechazarla. Es importante tener esto en cuenta
cuando se disea un contraste.
La siguiente puntualizacin es acerca de lo raro de una distribucin. En general, se
considera raro la zona de las colas de las distribuciones, y se delimita lo raro por el nivel de
significacin . Veamos un ejemplo de contraste completo para definir conceptos.
Supngase que se quiere contrastar un valor 0 para la media de una variable. Entonces el
planteamiento del contraste sera

H 0 : 0

H1 : 0
En este caso, no habra duda, ya que los contrastes paramtricos obligan a que la igualdad
siempre se ponga en la hiptesis nula.
El estadstico que se utiliza ser:

X ( n) 0
S 2 ( n)
n

ya que este valor si la media es realmente 0 debera seguir una distribucin T de Student con

n 1 grados de libertad. Si el valor que resulta a partir de una muestra es muy grande en valor
absoluto resulta un valor raro. Para que adems sea cierto que la probabilidad de error de tipo
I est acotada por hay que definir una regin, denominada regin crtica, que siendo cierta la
hiptesis nula tenga esa probabilidad, es decir, una regin de la T de Student de probabilidad
y que sean valores raros de esta distribucin: los intervalos (, tn1, / 2 ) (tn1, / 2 , ) . As si

Los tests que se utilizan suelen ser de mxima potencia (mnima probabilidad error de tipo II) para

un valor de

, pero an as queda sin acotar y con un valor siempre desconocido. Aunque una cosa es

cierta, cuanto menor sea la cota del error de tipo I (

), mayor es la probabilidad de cometer el error de

tipo II:

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

39

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

el estadstico toma valores en esa regin la hiptesis nula es rechazada, si no es as, se dice que
no puede ser rechazada.
Obviamente, cada contraste vendr definido por un estadstico que calcular y una regin
crtica, y al llevarlo a cabo habr que definir cul es la hiptesis nula y la alternativa y el nivel
de significacin teniendo en cuenta lo que suponen al llevarlo a cabo.
Por otra parte, la decisin del nivel de significacin puede ser un poco drstica y adems
contrastes para distintas hiptesis nulas no pueden ser comparados si nos sale por ejemplo no
rechazar la hiptesis, as que se impone tener una medida del grado de seguridad con que se
acepta o rechaza una hiptesis. Esta medida es lo que se denomina p-valor, a veces tambin zvalue, etc. Este valor representa el nivel de significacin para el que con esa muestra sera
rechazada la hiptesis nula, es decir, el tamao que debera tener la regin crtica para que fuera
rechazada la hiptesis nula, o lo que es lo mismo, la probabilidad que habra que admitirse de
cometer el error de tipo I para rechazar la hiptesis nula.
Cmo trabajar con el p-valor? Una forma es sustituir la idea de ver si el estadstico est en
la regin crtica, y en lugar de ello, comparar el p-valor con el nivel de significacin: si el pvalor es menor que se rechaza la hiptesis nula, si no, no.
Otra posibilidad, y es la que justifica en mayor medida el uso del p-valor, es cuando se
hacen varios contrastes con distintas hiptesis pero hay que elegir una de ellas. Por ejemplo, en
un contraste de bondad de ajuste la hiptesis nula es que la variable sigue una determinada
distribucin frente a que no lo hace. Supngase que se busca una distribucin entre exponencial,
gamma y weibull. Los contrastes obligan a hacer uno cada vez, y supngase que para los tres se
obtiene que no se puede rechazar que la variable siga esa distribucin. Qu decisin tomar? O
lo que es lo mismo, cuando no rechazo la hiptesis nula, en qu caso lo hago con mayor
seguridad? La medida para comparar es justo el p-valor, en aqul contraste en que el p-valor sea
mayor ser en el que estoy aceptando la hiptesis nula con mayor seguridad.

II.2 Identificacin de patrones


Para generar valores de las variables de entrada de un modelo y poder desarrollar la
simulacin hay que modelar la aleatoriedad que rige a stas variables. Este modelado se puede
hacer mediante dos aproximaciones:

1. Ajustar una distribucin terica a los datos: lo que supone buscar una distribucin terica
que sea acorde a los datos disponibles, contrastando la bondad del ajuste para confiar en que

FACULTAD DE MATEMTICAS

40

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

el modelo es el apropiado, y usar esta distribucin para generar valores luego de esa
variable.
2. Definir la distribucin emprica de los datos: de modo que la distribucin de los datos es
utilizada directamente para generar valores de la variable posteriormente.
La aproximacin 2 debe usarse slo si no se puede usar la 1, por las siguientes razones:

Los datos son aleatorios, diferentes datos producen diferentes distribuciones empricas. Es
decir, el mtodo de la distribucin emprica est muy sujeto a fluctuaciones en los datos.

La distribucin emprica no permite generar valores fuera del rango en que se mueven los
datos con la que se ha obtenido. Habitualmente, no hay un rango claramente establecido y
por lo tanto, usar este mtodo fuerza a que los valores no puedan ser ni menores ni mayores
que los ya obtenidos, es una limitacin, en general, poco deseable.

Podemos tener razones para poner un modelo terico por las propiedades que el modelo
seleccionado pueda tener y que son conocidas de antemano.

En lo que sigue se supondr que se parte de una muestra aleatoria simple, es decir,
observaciones independientes de la variable a modelar obtenidas en las mismas condiciones.

II.2.1 Distribuciones empricas


En esta seccin se muestra como obtener la distribucin emprica a partir de unos datos. La
primera distincin es si se considera que la variable aleatoria es continua o discreta.
Variables aleatorias discretas
Si la variable aleatoria es discreta, la distribucin emprica se obtiene asignando a los
valores observados la frecuencia relativa con la que aparecen en la muestra. Este procedimiento
es muy habitual, por no decir el que ms se utiliza, para variables aleatorias discretas,
especialmente cuando no existen fundamentos para suponer que la distribucin pueda seguir un
modelo concreto del tipo Binomial, Poisson o relacionadas.
Variables aleatorias continuas
En el caso de las variables aleatorias continuas cabe destacar a su vez dos casos, que las
observaciones se den agrupadas por intervalos o que no sea as.

Variables continuas con observaciones no agrupadas: X 1 ,..., X n


El procedimiento para obtener la funcin de distribucin emprica es el siguiente:

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

41

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

1) Ordenar los valores de la muestra de menor a mayor: X (1) ,..., X ( n )


2) Obtener la funcin de distribucin segn la siguiente expresin:

x X (i )
i 1
F ( x)

n 1 (n 1)( X (i 1) X (i ) )
1

x X (1)
X (i ) x X (i 1) i 1,..., n 1
x X (n)

Por ejemplo, la funcin de distribucin correspondiente a las observaciones 12, 15, 9, 7, 3,


16, sera la correspondiente a la siguiente grfica:
0
3
7
0.8 9
12
15
0.6 16
20
0.4

0
0
0.2
0.4
0.6
0.8
1
1

Frecuencia acumulada

16

20

15
12
9

0.2

3
0

10

15

20

Valores

Figura 6. Funcin de distribucin emprica de datos no agrupados

Variables continuas con observaciones agrupadas en intervalos:


Sean n observaciones agrupadas en k intervalos

a0 , a1 , a1 , a2 ,..., ak 1 , ak , cuyas frecuencias absolutas observadas son ni

de modo que

n1 n2 ... nk n .
La funcin de distribucin emprica, donde G(a j ) denota la frecuencia relativa acumulada,
j

es decir, G (a j )

n
i 1

, sera la siguiente:

FACULTAD DE MATEMTICAS

42

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

0
x a0

x a j 1

G ( x) G (a j 1 )
(G (a j ) G (a j 1 )) a j 1 x a j , j 1,..., k
a

a
j
j

1
x ak

Por ejemplo, dada la siguiente tabla de valores, la grfica de la funcin de distribucin


emprica correspondiente es la que se muestra en la figura

Frecuencia acumulada

[2,4) 1
[4,8)
[8,10)
0.8
[10,15)

[2,4)

[4,8)

[8,10)

[10,15)

10

2
10
8
5
n=25

4
8
10
15

n 25

0.12
0.52
0.84
1

0.84

0.6
0.52

0.4
0.2
0.12
0

0
0

8
Valores

10

12

14

16

Figura 7. Funcin de distribucin emprica de datos agrupados

II.2.2 Distribuciones tericas


En esta seccin se presenta el procedimiento a seguir para identificar un modelo de
distribucin terico apropiado para las observaciones de que se dispone. El procedimiento
consta de una serie de pasos que son los siguientes:

a)

Proponer posibles familias de distribuciones a partir de un anlisis exploratorio de los


datos de tipo descriptivo. Los tres elementos que se utilizan fundamentalmente en este
anlisis son:

Valores caractersticos de los datos

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

43

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

Cuantiles y grficos Box-Plot

Histogramas

b)

Estimar los parmetros de las distribuciones propuestas

c)

Determinar cmo de representativas son las distribuciones ajustadas, mediante


procedimientos heursticos y mediante contrastes de hiptesis de bondad de ajuste
(Test de la 2 y Test de Kolmogorov-Smirnov).
Vamos a desarrollar ahora cada uno de estos pasos con ms detalle.

a) Proponer familias de distribuciones a partir de un anlisis descriptivo.


Esta fase consiste fundamentalmente en proponer familias de distribuciones que se
observe que son apropiadas para los datos a partir del anlisis descriptivo de stos, o lo
que ocurre en muchas ocasiones, ms que proponer, esta fase permite descartar
determinadas distribuciones.
Este anlisis puede apoyarse tambin en determinadas hiptesis que se puedan hacer
sobre los datos; por ejemplo, supongamos que nuestros datos son datos de tiempo entre
fallos de mquinas y sospechamos o suponemos que estos fallos no estn influenciados
por el desgaste, sino que son por causas aleatorias, parece razonable plantearse la
exponencial como una posible distribucin, ya que esta distribucin no tiene memoria.
Para poder plantear posibles distribuciones apropiadas para los datos disponibles se
deben analizar los valores caractersticos de los datos, los cuantiles y el grfico BoxPlot, y el histograma de los datos.
-

Valores caractersticos de los datos:

Los valores que suelen ser obtenidos y observados son media, varianza, disviacin
tpica, mediana, asimetra, curtosis, coeficiente de variacin, ... La razn es porque hay
familias de distribuciones para los que estos valores tienen un determinado valor. As,
por ejemplo, para una distribucin normal, la media y la mediana coinciden, y la
asimetra y curtosis son cero.
Otro valor caracterstico de una distribucin es el coeficiente de variacin, es decir, el
cociente entre la desviacin tpica y la media, que es 1, ya que ambos valores son
iguales para la exponencial.4

En ocasiones el coeficiente de variacin viene dado en porcentaje, siendo entonces 100 el

valor caracterstico de una exponencial.

FACULTAD DE MATEMTICAS

44

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Una matizacin que realizar es que dado que los valores obtenidos son de la muestra,
cuyas observaciones son aleatorias, no se puede pretender que estos valores sean
exactos, es decir, aunque los datos provengan de una exponencial, lo habitual es que el
coeficiente de variacin calculado a partir de los datos no sea 1, pero s prximo a l.
-

Cuantiles y Box-Plot

Este anlisis suele ser razonable para distribuciones continuas, no para discretas.
Los cuantiles xq son los valores que dejan a su izquierda una probabilidad q , es decir,
un valor tal que F ( xq ) q . Es habitual obtener los denominados cuartiles ( x0.25 , x0.5
que es la mediana, y x0.75 ) de la muestra y compararlos con los de la distribucin
propuesta. Esta comparacin se suele hacer ms que numricamente por forma,
obteniendo el denominado grfico Box-Plot.
En el grfico Box-Plot, se representan los cuartiles en una caja central, con una lnea en
medio que es la mediana; a su vez se representan dos lneas a cada lado hasta el mnimo
de los datos la de la izquierda y hasta el mximo la de la derecha, siempre que la
longitud de las lneas no supere 1.5 veces el rango intercuartlico; en el caso en que esta
cantidad sea superada, los datos que quedan fuera se representan separadamente, siendo
denominados outliers u observaciones fuera de rango. Los que estn distanciados ms
de 3 veces el rango intercuartlico se denominan superoutliers.
Este grfico se utiliza para ver la asimetra y analizar esos posibles outliers. Los outliers
han de ser estudiados y eliminados del estudio si se concluye que pueden provenir de
errores. Sin embargo, ha de tenerse mucho cuidado al tomar la decisin de eliminarlos
del anlisis. El grfico Box-Plot considera que son outliers para una distribucin
normal, pero si trabajamos con una distribucin asimtrica a la derecha, por ejemplo, lo
normal es que aparezcan este tipo de datos sin que sea ningn tipo de error.
Un ejemplo de un grfico Box-Plot de una distribucin asimtrica a la derecha es el que
se muestra a continuacin

min

x0.25 Me

x0.75

max

outlier

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

45

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

Histogramas y diagrama de barras:

Los histogramas son una representacin de los datos provenientes de distribuciones


continuas que deben asemejarse a la funcin de densidad que se proponga. Los
diagramas de barras son para datos provenientes de una distribucin discreta que deben
parecerse a la funcin de masa de la distribucin discreta a proponer.
Los histogramas representan los datos agrupados por intervalos, as a la hora de hacer
esta representacin, la decisin fundamental es cmo agruparlos. El procedimiento para
construir un histogramas es el siguiente:

Dividir el rango en intervalos

El nmero de intervalos no es un nmero fijo sino que se puede probar con varios,
teniendo en cuenta que no pueden quedar intervalos de frecuencia nula. En general, los
intervalos se suelen hacer todos de igual amplitud, excepto, en todo caso, los extremos.
No hay que olvidar que con el histograma pretendemos ver grficamente si los datos
tienen una distribucin que se pueda parecer a alguna conocida, as que se debe probar
con distinto nmero de intervalos, y con distintas amplitudes, buscando la semejanza
con alguna distribucin.
Como orientacin para el nmero de intervalos, se suele probar con nmeros cercanos a
la raz cuadrada del nmero de datos o a la frmula de Sturgess:
N intervalos k 1 log 2 n 1 3.322 log10 n

Levantar sobre cada intervalo un rectngulo de rea proporcional a la


frecuencia, manteniendo la misma constante de proporcionalidad en todos los
intervalos.

Comparar con las funciones de densidad

Un posible histograma se muestra a continuacin. En general, las herramientas


informticas estadsticas construyen los histogramas con toda facilidad, representando
incluso la funcin de densidad de una distribucin propuesta a su lado. Sin embargo,
aunque se utilicen estas herramientas, la decisin de cmo agrupar los datos para lograr
una semejanza si es posible, sigue siendo una tarea a realizar por el usuario.

FACULTAD DE MATEMTICAS

46

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

8
datos

7
datos
16
datos
8 datos

10

Para el caso de distribuciones discretas, el diagrama de barras resulta mucho ms


sencillo, ya que consiste en levantar una barra sobre los valores observados de altura la
frecuencia relativa de stos.
8
datos

7
datos
4
datos
2
datos

b) Estimar los parmetros de las distribuciones propuestas


Propuestas unas distribuciones, se estiman los parmetros de stas que hacen que el
ajuste a los datos sea el mejor. La estimacin se puede hacer mediante distintos mtodos
de estimacin paramtrica, como el mtodo de mxima verosimilitud, el de los
momentos, etc. Actualmente, esta fase no se suele llevar a cabo de forma independiente,
ya que las herramientas informticas de estadstica realizan la estimacin al hacer los
contrastes de bondad de ajuste del paso siguiente.
c) Determinar cmo de representativas son las distribuciones ajustadas
Para determinar si son razonables las distribuciones propuestas, el primer paso es
comparar grficamente los histogramas con las funciones de densidad en el caso de
distribuciones continuas, y los diagramas de barras con las funciones de masa para el

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

47

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

caso de distribuciones discretas. Este paso a menudo se hace al principio, para hacer la
propuesta de distribuciones.
Sin embargo, no es suficiente con ver que grficamente hay una semejanza sino que
adems se debe cuantificar la bondad del ajuste para poder comparar cun bueno es ste
con distintas distribuciones, y tomar una decisin acerca de la distribucin a seleccionar.
Para ello se realizan contrastes de bondad de ajuste con el fin de descartar alguna de las
distribuciones propuestas, y para cuantificar la bondad del ajuste mediante el p-valor.

Tests de Bondad de Ajuste


Son contrastes de hiptesis donde el planteamiento es:
Sea X 1 ,..., X n una muestra aleatoria simple (v.a.i.i.d.) con distribucin F desconocida.
Sea F0 una distribucin particular.
El contraste que se plantea es:

H 0 : F F0

H1 : F F0

Observaciones:
1. Por la naturaleza de los contrastes en general, si el resultado es rechazar la hiptesis
nula se har con bastante seguridad; si el resultado es aceptarla se debe decir "no
rechazar H 0 ya que no hay evidencia estadstica para ello". En general, los tests
tienden a aceptar que los datos pueden provenir de la distribucin propuesta.
2. Para una cantidad grande de datos es habitual que el resultado sea rechazar H 0 , ya
que algunos contrastes son muy sensibles a pequeas variaciones.
3. Se debe utilizar el p-valor como medida del ajuste:
El p-valor es el nivel de significacin para el que se rechazara H 0 con los datos
utilizados para realizar el contraste, es una cota de la probabilidad de cometer el
error de tipo I (rechazar H 0 siendo cierta). Cuanto mayor sea el p-valor mejor es el
ajuste.
Sin embargo, no se ha de ser ciego a la hora de seleccionar una distribucin, ya que
puede ser preferible una distribucin ms sencilla aunque tenga un p-valor peor
(siempre que sea razonable) que otra que tenga un mejor valor pero sea muy
compleja.

FACULTAD DE MATEMTICAS

48

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Existen dos tipos de tests de bondad de ajuste que son los ms utilizados: el test de la

2 y el test de Kolmogorov-Smirnov. En general, estos tests estn incluidos en todas


las herramientas informticas de estadstica, pero, es recomendable saber en qu
consisten con el fin de dar los parmetros adecuados, saber cundo utilizarlos y saber
interpretarlos.
Test de la 2 (Pearson, 1900)
La idea bsica de este test es agrupar los datos en intervalos y comparar las frecuencias
de estos intervalos con las probabilidades que la distribucin terica les asigna,
midiendo la distancia entre ambas.
Este test es aplicable tanto a distribuciones discretas como continuas, aunque requiere
tener una muestra suficientemente grande ya que se basa en un resultado asinttico.
El procedimiento sera el siguiente:
a) Dividir el rango de la distribucin ajustada en k intervalos adyacentes:

a0 , a1 , a1 , a2 ,..., ak 1 , ak
b) Sea N j nmero de X i en intervalo j -simo = frecuencia absoluta observada
de intervalo a j 1 , a j

c) Calcular de la distribucin terica la probabilidad de cada intervalo:

p j P( a j 1 , a j ) , y a partir de ella la frecuencia esperada como n p j .


d) Calcular: X
2

( N j n p j )2

j 1

n pj

D
2
k2m1 , donde m es el nmero de
Si H 0 es cierta, se verifica que X
n

parmetros estimados.
2
2
e) Rechazar H 0 si X k m1,

Una consideracin a hacer es que el valor del estadstico X 2 vara segn los intervalos
elegidos. No hay normas claras al respecto, excepto que no puede haber intervalos de
frecuencia nula, pero, una idea es que sean de igual amplitud, que haya al menos 3
intervalos y que la frecuencia esperada sea al menos 5, es decir, n p j 5.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

49

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

Test de Kolmogorov-Smirnov
Este test compara la funcin de distribucin emprica de los datos con la funcin de
distribucin terica.
Este test es aplicable en la versin que se presenta slo para distribuciones continuas
(existe una versin para distribuciones discretas que no se presenta en este captulo), y
es vlido para cualquier tamao de muestra, incluso aunque se disponga de pocos datos.
El procedimiento para aplicarlo es el siguiente:
a) Calcular la funcin de distribucin emprica de los datos sin interpolacin, es decir:

Fn ( x)

nmero de X i ' s x
n

b) Obtener la mxima diferencia entre la funcin de distribucin emprica y la terica:


esta diferencia se alcanzar en los puntos observados, ya que son los puntos de salto de
la funcin emprica, pudiendo ser en el propio punto o justo antes. Por ello, se calcula

Dn max
1i n

valor

de

Dn max
1i n

i
F ( X (i ) ) que es la mxima diferencia en los puntos observados con el
n
la

distribucin

emprica

justo

en

el

punto,

se

calcula

i 1
F ( X (i ) ) que es la mxima diferencia tomando el valor de la
n

distribucin emprica justo antes (por la izquierda) del punto. As la mxima diferencia
entre la funcin de distribucin emprica y la terica ser el mximo de ambos valores,

es decir, Dn max Dn , Dn .
c) Rechazar H 0 si Dn d n,1 , donde dn,1 es el valor que se recoge para esa
significacin y tamao de muestra en las tablas de Kolmogorov-Smirnov.
En la siguiente figura se muestra grficamente el significado de los valores Dn y Dn .

FACULTAD DE MATEMTICAS

50

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Dn Dn

Dn
Dn

Figura 8. Representacin grfica de los valores Dn y Dn

II.3 Generacin de variables aleatorias


Una vez que se ha seleccionado una distribucin para modelar la aleatoriedad de una
variable de entrada, es necesario establecer procedimientos para obtener valores de esta
variable durante la simulacin del modelo. As pues esta seccin se dedica a la simulacin
de variables aleatorias con una distribucin determinada.
Se empieza por generar valores de variables aleatorias con distribucin uniforme en el
intervalo (0,1). La razn es que todos los mtodos para generar variables aleatorias no son
ms que transformaciones de variables aleatorias con esta distribucin y por ello el primer
paso es saber obtener sta.

II.3.1 Generacin de muestras uniformes


Los nmeros pseudoaleatorios son tan importantes que su generacin no se
puede dejar al azar.

Una secuencia de nmeros se dice que es aleatoria si cualquier secuencia finita,


seleccionada previamente a su diseo, es igualmente factible que est incluida en aqulla.
Los mejores mtodos para generar nmeros aleatorios son los fsicos y de entre ellos el
mejor es el de la ruleta. Este mtodo consiste en una ruleta dividida en 10 partes iguales, a
las que se les asignan los valores del 0 al 9, y una flecha fija en un punto fuera de la ruleta.
Si se la hace girar y posteriormente se la detiene bruscamente, se puede anotar el nmero
que seala la flecha. Repitiendo esta operacin n veces, se obtiene una secuencia de n
nmeros que obviamente constituye una secuencia de nmeros aleatorios.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

51

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

Estos valores se pueden considerar valores de una variable cuya distribucin sea una
uniforme discreta que toma los valores de 0 a 9 con probabilidad 1/10 cada uno de ellos.
Pero tambin los podemos agrupar de k en k y considerar que son valores de una uniforme
discreta que toma valores 0,

,10k 1 .

Si se desean generar valores de una uniforme en el intervalo (0,1), podemos agrupar los
valores de k en k y considerar que cada grupo son las cifras decimales de una realizacin
de una variable aleatoria con distribucin U (0,1) .
Obviamente, para considerar informativos los resultados obtenidos mediante la
simulacin de un modelo es necesario simularlo ms de una vez. De hecho, se debe hacer
una gran cantidad de veces, en general, ms cuanto ms complicado es el modelo, lo que
hace ver la necesidad del uso del ordenador.
Existen tablas de nmeros aleatorios obtenidos por el mtodo de la ruleta y otros
mtodos fsicos, pero no es un buen mtodo para su uso en ordenador. sta fue la razn por
la que se crearon mtodos aritmticos particulares adaptados al ordenador, aunque con un
cierto deterioro de la aleatoriedad, denominndose nmeros pseudoaleatorios.
Un generador ideal de nmeros pseudoaleatorios debe proporcionar secuencias de
nmeros con las siguientes propiedades:

Tener distribucin uniforme (son realizaciones de uniformes)

Ser estadsticamente independientes

Han de ser reproducibles

Capaces de producir diferentes secuencias de nmeros

Deben tener un ciclo no repetitivo tan largo como se desee

Ser generados rpidamente

Ocupar poca memoria o almacenamiento en el ordenador

Veamos algunos mtodos para generar nmeros pseudoaleatorios.


Mtodo de los cuadrados medios
Se toma un nmero al azar, x0 , de 2n cifras. Se eleva al cuadrado y se toman de este
resultado las 2n cifras centrales. Se repite el proceso.
Ejemplo:

FACULTAD DE MATEMTICAS

52

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

x0 =4122

x02 =16|9908|84

x1 =9908

x12 =98|1684|64

x2 =1684

x22 =2|8358|56

La secuencia 4122, 9908, 1684, ... puede ser considerada, al menos a partir de un cierto
intervalo, como una secuencia de nmeros pseudoaleatorios.
El principal problema de este mtodo es que los nmeros pueden repetirse a partir de
una secuencia muy corta. Por ejemplo, si x0 3708 se tiene que x4 6100 x8 , lo cual
no es controlable.
Mtodo de Lehmer
Sea x0 un nmero al azar de n cifras. Se multiplica por otro k (fijo del generador) de

k cifras, dando lugar a uno de n k . Se quitan las k cifras de la izquierda, obteniendo uno
de n cifras al que se resta el de k cifras que se haba separado.
Ejemplo:

x0 =4122

k =76

4122 76=31|3272

3272-31=3241

x1 =3241

k =76

3241 76=24|6316

6316-24=6292

Este mtodo acaba degenerando a 0.

Mtodos congruenciales
Estos mtodos tambin son debidos a Lehmer (1951). Los mtodos de generacin de
nmeros pseudoaleatorios llamados congruenciales se basan en el concepto matemtico de
nmeros congruentes.
Sean x, y, m

. Se dice que x es congruente con y en mdulo m si y slo si x e


(m)

y dan el mismo resto al dividir por m . Se representa por x y .


Sean a, b

0 , m . Se dice que una sucesin xn n

est generada por

el mtodo congruencial si y slo si


(m)

xn 1 axn b

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

53

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

donde xn 0,..., m 1 n 0,1,... , siendo x0 la semilla de la sucesin que suele ser un


valor dado por el programador, a m se le denomina mdulo y a a multiplicador. Adems
si b 0 se denomina generador multiplicativo y, en el caso general, generador mixto.
Los nmeros generados por el mtodo congruencial verifican que xn 1 es el resto de
dividir yn 1 axn b entre m . Adems la ley recurrente es

xn 1 yn 1 mod m (axn b) mod m n


Ejemplo: m 8 , a 5 , b 7 , x0 4 genera la secuencia de nmeros 4, 3, 6, 5, 0, 7, 2,
1, 4.
Ejemplo: m 9 , a 5 , b 1 , x0 1

y1 5 1 1 6

x1 6

y2 5 6 1 31

x2 4

y3 5 4 1 21

x3 3

y4 5 3 1 16

x4 7

y5 5 7 1 36

x5 0

y6 5 0 1 1

x6 1 x0

Este mtodo es evidente que genera valores a gran velocidad y ocupa poca memoria de
ordenador, puesto que no se guarda toda la secuencia sino que para generar un valor slo
necesito el ltimo valor generado. Tambin es claro que es reproducible (con una misma
semilla se obtiene una misma secuencia). Sin embargo, hay tres propiedades que no son tan
evidentes y que no se cumplen para valores cualesquiera de a , b y m .
Respecto al ciclo no repetitivo en el mismo ejemplo se puede ver que es muy corto. De
hecho, hay que observar que la mxima longitud que se puede lograr sin repetir es de m , ya
que es la mayor cantidad de nmeros diferentes que se puede obtener y una vez que se
obtiene un nmero repetido toda la secuencia se repite, por lo que m hay que elegirlo
suficientemente grande. Adems se suele elegir de tal forma que facilite los clculos
(potencias de 2 o similares).
Existe una gran variedad de resultados buscando condiciones que han de tener los
parmetros para que el ciclo no repetitivo sea el mximo posible.

FACULTAD DE MATEMTICAS

54

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

A su vez, los generadores tienen que cumplir propiedades estadsticas: uniformidad e


independencia de las secuencias. Para determinados valores de los parmetros de los
generadores (valores para los que el ciclo sea el mximo posible) se han generado distintas
secuencias y se les ha hecho pasar contrastes de bondad de ajuste para la uniformidad y
contrastes de independencia.
De todo ello, se puede afirmar que los dos generadores multiplicativos siguientes
generan valores con la propiedad de la uniformidad y la independencia y con ciclo no
repetitivo maximal:

m 231 1 para ambos y multiplicador a 16807 o bien

a 63036016 . El primero es ms rpido y tiene menor riesgo de desbordamiento de


memoria. Sin embargo, el segundo tiene mejores propiedades estadsticas5.
Por ltimo, sealar que el fin de la generacin de nmeros pseudoaleatorios es obtener
muestras uniformes en el intervalo (0,1), para ello lo que se hace es dividir cada nmero
generado por el mdulo m , con lo que la muestra obtenida puede ser considerada uniforme
en ese intervalo6.
Si se dispone de diferentes cadenas de nmeros aleatorios cada una se debe utilizar para
un parmetro aleatorio [Law]. En este caso se debe tener en cuenta la longitud de la cadena
para evitar solapes. En [Law] se pueden encontrar diferentes semillas para cadenas del
generador mencionado separadas entre s por 100000 nmeros pseudoaleatorios. Algunas de
estas semillas para el generador con parmetro a 63036016 son las siguientes:
1973272912, 281629770, 20006270, 1280689831, 2096730329, 1933576050, 913566091.
Sin embargo, los generadores aleatorios anteriores con mdulo alrededor de 2 31 pueden
ser insuficientemente largos para ciertas aplicaciones. De hecho, esta longitud se puede
agotar en pocos minutos en un PC. Para suplir esta carencia se han diseado otros
generadores de mayor longitud y mejores propiedades, denominados generadores mltiples
recursivos combinados [LEcuyer, 2002]. Estos generadores permiten la obtencin
simultnea de mltiples cadenas pudiendo cada una ser dividida en muchas subcadenas
contiguas de gran longitud. Sus implantaciones en C, C++ o Java se pueden encontrar en la

En caso de ser necesaria la programacin de un generador de nmeros pseudoaleatorios hay que

tener en cuenta que aunque el segundo de los valores se considera que tiene mejores propiedades
estadsticas, computacionalmente da ms problemas, sobre todo, de desbordamiento de memoria.
6

El valor uniforme en (0,1) se usar para generar otras variables aleatorias, pero para obtener el

siguiente nmero de la secuencia ha de utilizarse el nmero pseudoaleatorio, es decir, el obtenido antes de


dividir por m .

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

55

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

direccin www.iro.umontreal.ca/~lecuyer. El clculo del nmero pseudoaleatorio un para


una etapa n es la siguiente

x1,n (a1 x1,n 2 b1 x1, n 3 ) mod m1


x2,n (a2 x2, n 1 b2 x2, n 3 ) mod m2
zn ( x1,n x2,n ) mod 4294967087
si zn 0
z 4294967088
un n
4294967087 4294967088 si zn 0
siendo a1 1403580 , b1 810728 , m1 232 209 4294967087 , a2 527612 ,

b2 1370589 y m2 232 22853 4294944443 . La longitud de este generador es

(m13 1)(m23 1) / 2 2191 , muy superior a las anteriores.


Para generar diferentes cadenas y subcadenas se eligen dos enteros positivos v y w , se
define z v w . Entonces, el ciclo es dividido en cadenas contigas de longitud

Z 2 z y cada una a su vez es dividida en V 2v subcadenas de longitud W 2w .


Valores adecuados son v 51 y w 76 , de manera que W 276 y Z 2127 . Para este
generador en particular se pueden utilizar los siguientes valores como semillas iniciales por
omisin

( x1,n3 , x1,n2 , x1,n1 , x2,n3 , x2,n2 , x2,n1 ) (12345,12345,12345,12345,12345,12345) .


Otros parmetros adecuados para generadores simulares se pueden encontrar en [LEcuyer,
1999].
Atencin especfica merece la generacin de nmeros aleatorios para ser utilizados en
clculos en paralelo [Fushimi].

II.3.2 Generacin de variables aleatorias discretas


II.3.2.1 Mtodo general o estndar
Sea una variable aleatoria con una distribucin discreta que toma ciertos valores con

x1 con prob p1
x con prob p
2
2
determinada probabilidad X
, siendo pk 1 .
k
x3 con prob p3

FACULTAD DE MATEMTICAS

56

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

La idea intuitiva del procedimiento es dividir el intervalo (0,1) en tantos subintervalos


como valores puede tomar la variable y de tamao las probabilidades de stos. Generar un
valor uniformemente distribuido en (0,1) y observar en qu subintervalo se encuentra y
asignar a la variable el valor correspondiente a ese subintervalo.

p1

p1 + p2

p1 + p2 + p3

Ms formalmente, consiste en generar un nmero aleatorio uniformemente distribuido

u U (0,1) ,

entonces

X xi

si

p u k 1 pk ,
k 1 k

i 1

es

decir,

si

Fx ( xi 1 ) u Fx ( xi ) .

0
1

Por ejemplo, sea X


2
3

con prob p1 0.1


con prob p2 0.2
con prob p3 0.5
con prob p4 0.2

, con funcin de distribucin

F (x )
1
0.8

0.3
0.1
0 1 2

Para la secuencia de nmeros aleatorios 0.27, 0.54, 0.06, 0.89 y 0.15, la variable tomar
los valores siguientes: 1, 2, 0, 3 y 1.

Vamos a ver mtodos concretos para algunas distribuciones, binomial y geomtrica, sin
olvidar que el mtodo anterior sirve para cualquier distribucin discreta. Para las dems
distribuciones conocidas tambin hay mtodos basados en su definicin o en algunas
propiedades, pero no se vern en este documento. Para ver una relacin ms extensa ver
[Law] o [Bratley].

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

57

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

II.3.2.2 Binomial (n, p)


Se basa en la propiedad segn la cual la distribucin de la suma de v.a.i.i.d. con
distribucin de Bernoulli de parmetro p es Binomial (n, p) . Luego, para generar valores
de una variable con distribucin Binomial (n, p) , se pueden generar n Bernoulli de
parmetro p y sumarlas.
Algoritmo:
1.

x0

2. Hacer n veces
Generar u U (0,1)
Si u p x x 1
3. Salida: X se distribuye segn Binomial (n, p)

II.3.2.3 Geomtrica ( p)
La distribucin geomtrica corresponde al nmero de ensayo en que aparece el primer
xito al repetir un experimento de Bernoulli de parmetro p . As que para generar valores
con esa distribucin es posible hacerlo con el mtodo tradicional o aprovechando esta
propiedad.
Con el mtodo tradicional, basta aplicarlo con su funcin de distribucin [

F ( x) 1 (1 p ) x

x 1, 2,... ] para ver que la expresin sera

ln(1 u ) d
ln(u) 7
x 1
1

ln(1 p)
ln(1 p)
Utilizando la propiedad que la relaciona con los experimentos de Bernoulli el algoritmo
sera:
1.

x0

2. Hacer hasta que u p

x x 1
7

La expresin obtenida es la primera, pero la utilizada es la segunda que tiene menos


d

operaciones y la misma distribucin, ya que si u U (0,1) entonces 1

u tambin.

FACULTAD DE MATEMTICAS

58

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Generar u U (0,1)
3. Salida: X se distribuye segn Geomtrica ( p)

Este mtodo es bueno cuando el valor de p es grande.

II.3.3 Generacin de variables aleatorias absolutamente


continuas
II.3.3.1 Mtodo de la transformada inversa
Sea X la variable aleatoria cuya funcin de distribucin es F ( x) P X x . Se
genera un nmero aleatorio uniforme entre 0 y 1, u , y luego se determina x tal que

F ( x) u .
Supongamos que la variable tiene distribucin exponencial con F ( x ) 1 e x para

x 0 siendo 1 la media de la distribucin. Dado un nmero aleatorio u tal que


F ( x) u , luego x

ln(1 u )

ln(u )

Otra aplicacin directa de este procedimiento es para la distribucin uniforme en un

xa
si
ba
x (a, b) (0 para valores menores y 1 para valores mayores) y dado un nmero aleatorio u

intervalo cualquiera (a, b) . La funcin de distribucin en este caso es F ( x)

tal que F ( x) u , se tiene que x a (b a)u .


La distribucin Weibull ( , ) es otra distribucin para la que se puede aplicar este
procedimiento directamente. La funcin de densidad de una distribucin Weibull ( , ) de
media

(1/ ) , es f ( x) x 1e ( x ) , x 0 , con lo que la funcin de

( x)
distribucin se obtiene de forma inmediata F ( x) 1 e
, x 0 . As, dado un valor

aleatorio

uniforme

ln(1 u)

1/

en

(0,1),

ln(u)

1/

u,

el

valor

generado

sera

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

59

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

Aunque ste es el procedimiento ms extendido, sin embargo, muestra una dificultad


fundamental para su aplicacin, la necesidad de conocer explcitamente la funcin de
distribucin. La forma habitual de caracterizar una distribucin absolutamente continua es
mediante su funcin de densidad, de ah que se hayan diseado otros procedimientos
basados en esta funcin.

II.3.3.2 Mtodo de aceptacin - rechazo


Se trata de un mtodo general para variables absolutamente continuas. Existen dos
versiones, la primera es ms sencilla y con ms limitaciones, pero tambin ms utilizada
precisamente por esa sencillez.
Mtodo simple de rechazo
Se quieren obtener valores de una variable aleatoria con funcin de densidad f ( x)
cuyo

soporte

es

un

intervalo

acotado

(a1 , a2 ) . Sea

un

valor

tal

que

c max f ( x) : x (a1 , a2 ) .
La idea bsica es generar puntos uniformemente en el rectngulo de base ( a1 , a2 ) y
altura (0, c) . Si el punto est por encima de la curva el punto es rechazado y habr que
generar otro y si est por debajo se acepta su coordenada x como valor de una variable
aleatoria con funcin de densidad f ( x) .
El procedimiento es:
1. Generar u1 , u2 U (0,1)
Calcular x a1 (a2 a1 )u1
Calcular y cu2
2. Calcular f ( x) . Si y f ( x) ir a 1
3. Salida: X toma el valor x que se distribuye segn f ( x)
Obsrvese que P(aceptar un valor dado por ( x, y ))

1
, por lo tanto el
c(a2 a1 )

valor de c es deseable que sea lo ms pequeo posible. En particular, siempre que sea fcil
de obtener se toma c max f ( x) : x (a1 , a2 ) .

FACULTAD DE MATEMTICAS

60

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Este procedimiento es especialmente relevante para distribuciones triangulares y


trapezoidales. Veamos el siguiente ejemplo para una distribucin triangular. Sea

x
0 x 1

f ( x) 2 x
1 x 2
0 fuera de 0,2

f (x )
1

El procedimiento es el siguiente:
d

1. Generar u1 U (0,1) y u2 U (0,1)


Calcular x 2u1 e y u2
2. Aceptar x si y f ( x) , rechazar si y f ( x) y volver al paso 1
Este mtodo tiene dos inconvenientes principales, que hacen que surja el mtodo
generalizado: que el soporte tiene que ser un intervalo acotado (hay muchas distribuciones
que no cumplen esta hiptesis) y que la envolvente sea rectangular, cuando claramente
puede haberlas mejores.

Mtodo generalizado de rechazo


Sea f () una funcin de densidad con soporte no necesariamente finito de la que se
desean obtener valores simulados. Sea g () una funcin de densidad elegida por nosotros
tal que a 1: f ( x) ag ( x) x

(en particular, esto implica que el soporte de g ()

ha de contener al soporte de f () ).
El procedimiento es el siguiente:
d

1. Generar x g ()

g( ) se toma para que se puedan simular valores sin dificultad y previamente a aplicar el

algoritmo es necesario calcular el valor de la constante a que haga que se verifique la relacin
anterior.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

61

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

Generar y U (0, ag ( x))


2. Calcular f ( x) Si y f ( x) ir a 1
3. Salida: X se distribuye segn f ( x)
Respecto a la eleccin de la envolvente g () no hay nada establecido acerca de cul es
la mejor, pero se debe elegir lo ms parecida posible a la funcin a generar pero que sea
sencillo obtener valores para ella. En cuanto al valor de la constante a , hay que tener en
cuenta que P(aceptar x) P( y f ( x)) 1 a y, por lo tanto, a debe ser lo menor posible
pero

manteniendo

la

hiptesis

inicial,

es

decir,

su

valor

ptimo

sera

f ( x)

a sup
: g ( x) 0 .
g ( x)

Obsrvese tambin que el mtodo simple visto anteriormente es un caso particular del
mtodo generalizado (con una distribucin uniforme como envolvente).
Veamos un ejemplo: Supongamos que se desean generar valores de una distribucin
Normal(0,1) ( f ( x )

1 12 x2
e
), utilizando como envolvente la distribucin logstica
2

cuya funcin de densidad es g ( x )

e x
, y de aqu se deduce su funcin de
(1 e x ) 2

1
, y mediante la transformada inversa para
1 e x
1 u
generar valores de esta distribucin basta calcular x ln
, luego es una envolvente
u
distribucin de forma inmediata G ( x)

apropiada.
El primer paso, antes de empezar el algoritmo, es encontrar el valor de la constante

f ( x)

a sup
: g ( x) 0 que resulta ser a 1.5958 .
g ( x)

El algoritmo sera:
d

1. Generar x g () : Generar u1 U (0,1) y calcular x ln

1 u1
u1

Generar y U (0, ag ( x)) : Generar u2 U (0,1) y calcular y 1.5958 g ( x) u2

FACULTAD DE MATEMTICAS

62

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

2. Calcular f ( x) . Si y f ( x) ir a 1
3. Salida: X se distribuye segn f ( x)

El principal inconveniente para utilizar este mtodo es que no tiene una forma general
ya que para cada distribucin hay que elegir la envolvente ms apropiada. Sin embargo, hay
un caso en que es muy sencilla su aplicacin, las distribuciones truncadas. En este caso, es
claro que la mejor envolvente es la propia distribucin sin truncar y que la aplicacin del
algoritmo se reduce a rechazar los valores obtenidos en la regin que al truncar ya no forma
parte del soporte y aceptar los dems.
Existen algunas distribuciones particulares para las que, por su relevancia, se han
diseado procedimientos especficos, en principio, ms eficientes y generales que estos
mtodos.

II.3.3.3 Aplicacin a una discreta: Poisson( )


La distribucin de Poisson es una distribucin discreta, sin embargo para generarla el
mejor algoritmo se basa en el proceso estocstico de Poisson y su relacin con la
distribucin exponencial, de ah que no haya podido incluirse en la seccin dedicada a las
distribuciones discretas.
Sea Yt t 0 un proceso estocstico. Se dice que Yt t 0 es un proceso de Poisson de
parmetro si y slo si
i) Y0 0 c.s.
ii) Yt t 0 es un proceso de incrementos independientes, es decir, t , h 0 Yt h Yt
es independiente de Ys / 0 s t
iii) Yt t 0 es un proceso de incrementos estacionarios, cuya distribucin es
d

t , h 0 Yt h Yt ( h)
Su aparicin principal es en Teora de Colas, donde se usa para contar el nmero de
individuos que llegan a una cola hasta el instante t .
Propiedades del proceso de Poisson:
1.

Un proceso de Poisson es un proceso de conteo

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

63

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

2.

Sea t 0 Yt : nmero de sucesos que ocurren en el intervalo (0, t ] , y sea

i 1, 2,... X i : tiempo entre los sucesos i 1 e i . Yt t 0 es un proceso de Poisson


d

de parmetro si y slo si X i Exp ( ) i 1, 2...


Basndonos en esta ltima proposicin, si Yt k quiere decir que el nmero de sucesos
ocurridos en (0, t ] es igual a k , o lo que es lo mismo, que

k 1

i 1

i 1

X i t X i . Puesto que

para t 1 la distribucin de Y1 es una Poisson de parmetro , se pude decir que un valor


k 1

k generado de Y1 es el primer valor natural k tal que

X
i 1

1 , donde X 1 , X 2 ,... son

v.a.i.i.d. con distribucin Exp( ) . De donde se deriva el siguiente algoritmo:


1. Hacer x 0 , Q 0
d

2. Generar u U (0,1) . Hacer Q Q ln u


Si Q / 1 ir a 3). En otro caso, hacer x x 1 y repetir el paso 2)
d

3. Salida: X ( )

II.3.3.4 Normal ( , )
Para generar valores de una variable aleatoria con distribucin N ( , ) basta con
saber generar valores de la distribucin N (0,1) , ya que es bien conocido que multiplicando
sta por y sumando se obtiene la distribucin deseada. Por lo tanto, todos los
esfuerzos se centran en saber obtener valores de la distribucin N (0,1) .
Dado que no existe una expresin exacta para su funcin de distribucin, el mtodo de
la transformada inversa no es aplicable en este caso. Aunque existe una aproximacin
funcional de la inversa de la funcin de distribucin, vamos a ver ahora dos mtodos
particulares basados en resultados de la probabilidad.
Mtodo del teorema central del lmite

FACULTAD DE MATEMTICAS

64

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Este mtodo se basa en el conocido teorema central del lmite, por el cual si X 1 ,..., X n
son v.a.i.i.d. de media y desviacin tpica , entonces la distribucin de

n
i 1

X i n

tiende a la distribucin N (0,1) cuando n .


Este resultado aplicado a variables distribuidas segn una distribucin uniforme

U (0,1) sera

u n 2

i 1 i

n /12

. Un valor que facilita los clculos es n 12 , con lo que el

procedimiento sera obtener 12 variables con distribucin uniforme U (0,1) y calcular

12

u 6.

i 1 i

El principal inconveniente del mtodo es que el resultado en que se fundamenta es


asinttico y, por lo tanto, se puede considerar vlido un nmero grande, pero 12 no es
precisamente un nmero grande.
Mtodo de Box-Mller
Este mtodo se basa en una transformacin de variables aleatorias segn la cual si

u1 , u2 son v.a.i.i.d., entonces x 2ln u1 cos(2 u2 ) e y 2ln u1 sen(2 u2 ) son


v.a.i.i.d. con distribucin N (0,1) . As el procedimiento a seguir sera:
1. Generar u1 , u2 U (0,1)
2. Salida x 2ln u1 cos(2 u2 ) e y 2ln u1 sen(2 u2 ) v.a.i.i.d. N (0,1)

Existe un mtodo derivado del anterior, el mtodo polar de Marsaglia, pero que no
requiere la evaluacin del seno o del coseno. En realidad, es un mtodo de rechazo, ya que
genera valores aleatorios en el cuadrado (1,1) (1,1) y si stos estn dentro del crculo
unidad expresa los valores anteriores en funcin de este punto y si no lo estn los rechaza.
Algoritmo:
3. Generar u1 , u2 U (0,1)
Calcular v1 2u1 1 , v2 2u2 1 , w v12 v22
4. Si w 1 volver al paso 1

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

65

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

2 ln w
, x1 v1 y , x2 v2 y
w

5. Hacer y

6. Salida: x1 , x2 v.a.i.i.d. segn N (0,1)


Existen otros mtodos para generar esta distribucin, entre ellos existe una
aproximacin analtica de la inversa de la funcin de distribucin, etc.

II.3.3.5 Lognormal ( , )
La distribucin lognormal, como su nombre indica, se deriva de la distribucin normal,
d

de modo que Y N ( , ) X eY LN ( , ) . El procedimiento para obtener valores


de una variable con esta distribucin consiste en generar la normal asociada y calcular la
exponencial correspondiente.
Una informacin adicional sobre esta distribucin que puede ser de inters en muchas
ocasiones es el valor de esperanza y varianza de la distribucin. stos son:

E[ X ] e

/2

V [ X ] e2 (e 1) (e 1) E[ X ]2
2

II.3.3.6 ( p, a) y Beta ( , )
Vamos a estudiar estas variables conjuntamente, ya que estn muy relacionadas. Para el
caso de la Beta, se considerar la estndar, es decir, la que toma valores en el intervalo
(0,1); cualquier otra se obtiene multiplicando por la amplitud del intervalo final y
trasladando. Separaremos en casos, segn los parmetros sean naturales o no, ya que si los
parmetros son naturales los procedimientos son bastante ms sencillos y rpidos.

( p, a) p
En este caso, se usa una propiedad por la cual si el parmetro p es natural

( p, a) Erlang( p, a) y esta distribucin Erlang se define como la suma de p


exponenciales de parmetro a . Por lo tanto, el procedimiento ser generar p v.a.i.i.d.

U (0,1) , y calcular x

p
i 1

ln ui

Beta ( , ) ,

FACULTAD DE MATEMTICAS

66

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Se basa en que si X ( , a) e Y ( , a) entonces


que para generarla se obtienen u1 ,..., u , v1 ,..., v

i 1

ln ui

i1 ln ui i1 ln vi

X d
Beta( , ) , por lo
X Y

v.a.i.i.d. U (0,1) y se calcula

Caso general Beta ( , ) ( , 0 )


Se demuestra, mediante la pertinente transformacin que el siguiente algoritmo genera
valores de una distribucin Beta:
1. Repetir hasta que x y 1
Generar u U (0,1) . Hacer x u1/
Generar v U (0,1) . Hacer y v1/
2. Hacer x

x
x y

3. Salida: X se distribuye segn Beta( , )


Caso general ( p, a) ( p, a 0 )
Igual que en el caso anterior, mediante transformaciones de variables aleatorias se
demuestra que el siguiente algoritmo genera los valores deseados:
1. Hacer n p y r p p
2. Generar u1 ,..., un U (0,1) . Hacer Z

ln u
i 1

3. Generar W Beta(r,1 r )
4. Generar u U (0,1) . Hacer Y ln u
5. Salida: X

Z WY
se distribuye segn ( p, a)
a

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

67

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

II.3.3.7 n2
Para esta distribucin se plantean dos mtodos distintos, uno basado en la propia
definicin y otro en alguna de sus propiedades.
d

La definicin de esta distribucin es la siguiente: X n2

X X i2 , siendo
i 1

X 1 ,..., X n v.a.i.i.d. N(0,1).


Por lo tanto, un primer procedimiento es: Generar n variables N(0,1), elevarlas al
cuadrado y sumarlas. Sin embargo, este mtodo puede ser muy lento.
La otra posibilidad es aprovechar la relacin entre esta distribucin y la Gamma:

( p n / 2, a 1/ 2)
2
n

Distinguiremos dos casos segn el parmetro p sea par o impar.

n par: n2 (n / 2,1/ 2) Erlang (n / 2,1/ 2) . Algoritmo:


1. Generar U1 ,..., U n / 2 v.a.i.i.d. U(0,1)
n/2

ln Ui n2

2. Salida: X 2

i 1

n impar: X Y X n2 donde Y ((n 1) / 2,1/ 2) y X n N (0,1) . Algoritmo:


1. Generar U1 ,...,U ( n1) / 2 v.a.i.i.d. U(0,1)
Generar Z N(0,1)
2. Salida: X 2

( n 1) / 2

i 1

ln U i Z 2 n2

II.3.3.8 t n de Student
d

Basndonos en la definicin, T tn

d
d
Z
donde Z N (0,1) e Y n2
Y /n

independientes.
Hay que tener en cuenta que la T de Student como distribucin para modelar variables
aleatorias reales slo se suele utilizar en finanzas, como una distribucin semejante en forma a
la normal de media 0 y desviacin 1, pero cuyas colas son ms pesadas. Sin embargo, para que

FACULTAD DE MATEMTICAS

68

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

esto sea cierto y pueda sustituir a la normal, hay que dividir la t de Student por su desviacin
tpica con el fin de que la variable resultante tambin tenga desviacin tpica la unidad. La
varianza de una t de Student es n /(n 2) , por lo que la expresin resultante sera

T
.
n /(n 2)

II.3.3.9 Fm,n de Fisher-Snedecor


d

Mediante la definicin: F Fm,n

m2 / m
m2 , n2 independientes.
n2 / n

II.3.4 Generacin de variables aleatorias mixtas


Hasta ahora hemos visto cmo generar variables aleatorias cuya distribucin es discreta o
absolutamente continua. En esta seccin vamos a ver un mtodo general, que en particular,
permitir generar valores de variables cuya distribucin no sea ninguno de los casos anteriores.
Teorema: Si U es una variable aleatoria U(0,1) y F () una funcin de distribucin
arbitraria, la variable aleatoria definida por

Y inf z : U F ( z )
tiene por funcin de distribucin F () .
Algunos ejemplos de cmo se emplea este resultado son los siguientes:

Variable absolutamente continua: el mtodo aplicado a este caso coincide con el mtodo
de la transformada inversa.

Variable discreta: en este caso es el mismo procedimiento que el del mtodo general o
estndar que vimos para distribuciones discretas, en el cual se divida el intervalo en
subintervalos de longitud las probabilidades.

Variable mixta: sea la variable aleatoria mixta X cuya distribucin viene definida por

x 3/ 2
0

F ( x) x 1 3 / 2 x 2
1
x2

La variable aleatoria Y inf z : U F ( z ) tendr la misma distribucin que X :

3/ 2 0 u 1/ 2
Y (u )
u 1/ 2
u 1

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

69

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

II.3.5 Generacin de variables aleatorias multidimensionales


Las variables aleatorias multidimensionales si hay independencia entre las unidimensionales
que la forman no requieren de mtodos especiales. Por lo tanto, lo que resulta fundamental en
este apartado en la relacin de dependencia entre las variables, en muchos casos, como la
normal, plasmada en la matriz de varianzas-covarianzas.
Por lo tanto, vamos a ver unas ligeras nociones de clculo matricial para recordar algunos
conceptos necesarios para entender los mtodos que se presentarn posteriormente.

II.3.5.1 Nociones de clculo matricial


Sea Ann una matriz cuadrada y xn1 un vector columna.
Definicin: x 0 es un autovector de A asociado al autovalor

Ax x .

Observaciones:
1. Ann tiene exactamente n autovalores reales y complejos.
2. Cada autovalor tiene infinitos autovectores asociados
3. Ax x Ax x 0 ( A I ) x 0 , que tiene solucin distinta de 0 si y slo si

A I 0 .
Ejemplo:

4
1
5
4 1 5

A 5 2 5 0 A I 5 2
5 3 4 2 6 0
1 1 2
1
1
2

1, 2,3

5 1 5 x1 0


Para 1 ( A (1) I ) x 0 5 3 5 x2 0
1 1 1 x 0

x1

x2 0
x
3

...

Propiedades:
1. Sea Ann simtrica. Entonces sus autovalores son reales y los autovectores correspondientes
son ortogonales.

FACULTAD DE MATEMTICAS

70

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

2. Diagonalizacin: Sea Ann

simtrica. Entonces A CDC , siendo D


0

la
n

matriz diagonal de los autovalores y C e1 ,..., en donde ei : autovector columna


asociado al autovalor i de norma 1.
Definicin: Ann es definida positiva

xT Ax 0 x 0

Propiedades:
1. A simtrica definida positiva

1 0,..., n 0

2. A simtrica definida positiva Pnn tal que A PPT . Concretamente, P CB con

y C e1 ,..., en donde ei : autovector columna asociado al autovalor

i de norma 1.
3. A definida positiva

A1 definida positiva

4. A definida positiva y B no singular


5. Amn no nula

A A
T

nn

BT AB definida positiva

definida positiva y simtrica

Triangulacin de Cholesky: nn ij

simtrica y definida positiva existe una

i 1,...,n
j 1,...,n

nica matriz Ann triangular inferior tal que nn AAT . Algoritmo para obtener la matriz
triangular de Cholesky:
1. Para i 1,..., n, j 1,..., n

aij 0

1/ 2
2. Hacer a11 11
y para i 2,..., n

ai1

i1
a11

3. Para j 2,..., n hacer:

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

71

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

j 1

1/ 2

j 1

a jj jj a 2jk
k 1

Para i j 1,..., n

aij

ij aik a jk
k 1

a jj

II.3.5.2 Normal Multivariante N( , )


1

Definicin: X X 1 ,..., X n N ( , ) f X ( x1 ,..., xn )

n/2

1
x T 1 x
2

donde

T 1 ,..., n nn matriz simtrica definida positiva


Corolario: E X y es la matriz de varianzas-covarianzas
Mtodo 1 (Basado en la diagonalizacin)

Sabemos que PPT siendo P CB con B

C e1 ,..., en matriz

de autovectores normalizados.
d

Sean Z1 ,..., Z n v.a.i.i.d. N(0,1), entonces Z Z1 ,..., Z n N (0, I ) siendo I la matriz


d

identidad. En tal caso, se tiene que X PZ N ( , ) .


(El

resultado

es

obvio

ya

que

es

normal

E[ X ] PE[Z ]

V [ X ] E[( X )( X )T ] PE[ ZZ T ]PT PIPT PPT ).


Algoritmo
1. Calcular P CB
2. Generar Z1 ,..., Z n N(0,1). Hacer Z (Z1 ,..., Z n )T
3. Salida: X PZ
Mtodo 2 (Basado en la triangulacin de Cholesky)
d

Sea

Z Z1 ,..., Zn N (0, I )

siendo

la

matriz

identidad,

entonces

X AZ N ( , AAT ) donde A es la matriz triangular inferior de Cholesky

FACULTAD DE MATEMTICAS

72

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Algoritmo
1. Calcular A matriz triangular inferior de Cholesky
2. Generar Z1 ,..., Z n N(0,1). Hacer Z (Z1 ,..., Z n )T
3. Salida: X AZ

Mtodo 3 (Basado en las distribuciones condicionadas)


Se basa en que f ( x1 ,..., xn ) f ( x1 ) f ( x2 / x1 ) f ( x3 /( x1 , x2 ))

f ( xn /( x1 ,..., xn 1 )) y en el

siguiente resultado:

X1
d
X N (0, )
X
n
12

donde A
k1

Xk

X1 x1 ,

, X k 1 xk 1

N (akT Ak11k , k2 akT Ak11ak )

1k

1k
x1

, ak
, k

k2
k 1
k 1,k

Algoritmo

1. Obtener las distribuciones de X 1 , X 2 / X 1 , X 3 /( X 1 , X 2 ))


2. Para k 1...., n generar xk segn f ( xk / x1
3. Salida: X ( x1 1 ,

X n /( X 1 ,..., X n 1 ))

xk 1 )

, xn n ) N (, )

De los 3 procedimientos el ms aconsejable es el de la triangulacin de Cholesky, pero los 3


son vlidos, y en concreto el ltimo es ampliamente utilizado.

Caso particular: Normal bivariante


Supngase que se quiere simular ( X 1 , X 2 ) normal bivariante con E[ X i ] i , i 1, 2 ,

V [ X i ] i2 , i 1, 2 y Cov ( X 1 , X 2 ) 1 2

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

73

II MODELADO DE LA ALEATORIEDAD EN SIMULACIN

d
d
2 12

( X1 , X 2 ) N ( 1 , 1
)

N (1 , 12 )

1
2
2
12 2
d

X 2 / X 1 x1 N ( 2 2 ( x1 1 ), 22 (1 2 ))
1

Proposicin:

Algoritmo:

1. Generar Z1 , Z 2 N(0,1)

2. Salida: X 1 1 1Z1 , X 2 2 2 ( Z1 1 2 Z 2

II.3.5.3 Multinomial
Sea una poblacin dividida en k clases con P ( Ai ) pi , i 1,..., k . Se extraen n
elementos con reemplazamiento, y se define X i : nmero de elementos obtenidos de la clase
d

i, i 1,..., k . Se define la distribucin multinomial como ( X 1 ,..., X k 1 ) M (n; p1 ,..., pk 1 )


Mtodo 1: basado en la definicin
Algoritmo
1. Para i 1,..., k hacer xi 0
2. Repetir n veces
Generar J segn una discreta tal que P(Y i ) pi

i 1,..., k

Hacer xJ xJ 1
3. Salida: ( X 1 ,..., X k 1 )
Mtodo 2 o estndar
d

Las

X2

distribuciones
d

X 1 x1

B(n x1 ,

condicionadas

p2
),
1 p1

X k 1

de

una

multinomial
d

X 1 x1 ,..., X k 2 xk 2

son:
k 2

B( n x j ,
j 1

X 1 B (n, p1 ) ,

pk 1
k 2

1 p j

j 1

FACULTAD DE MATEMTICAS

74

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Algoritmo

1. Hacer x0 0, p0 0
2. Para i 1,..., k 1

i 1

generar X i

B(n x j ,
j 0

i
i 1

1 p j

j 0

3. Salida: ( X 1 ,..., X k 1 )

II.3.5.4 Tn de Student multivariante


Para obtener muestras de una t n t multidimensional de dimensin m con una matriz dada
de correlaciones entre las componentes, , podemos proceder como sigue.
Algoritmo
1. Generar ( X 1 ,..., X m ) normal multivariante con vector de medias 0 y matriz de covarianzas

2. Generar Y n2 independiente de las normales anteriores.


3. Para j 1,..., m hacer t j

Xj
Y
n

4. Salida: t1 ,..., tm Tn de Student multivariante de dimensin m y correlaciones

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

75

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

III Software de simulacin de modelos


dinmicos
Es fcil darse cuenta de que a la hora de codificar modelos de simulacin de eventos
discretos hay algunas caractersticas que son comunes a todos los modelos, como es la
generacin de variables aleatorias con distribuciones especficas, la necesidad de implantar
mecanismos de control y flujo del tiempo y la determinacin del siguiente evento, la
actualizacin de listas de sucesos (adicin, supresin o actualizacin de registros), la recogida y
anlisis de datos generados por la simulacin, la elaboracin de informes, grficas, etc.
La evidencia de esta alta interseccin de caractersticas comunes es lo que llev al
desarrollo de lenguajes de simulacin donde todas ellas estuvieran ya recogidas. Estos lenguajes
estn en una fase de gran desarrollo, al igual que toda la tecnologa informtica, lo que est
propiciando el incremento del uso de la simulacin como una herramienta de anlisis de
sistemas.
Sin embargo, como todo, el uso de los lenguajes de simulacin tiene sus ventajas y sus
inconvenientes.

III.1 Lenguajes de simulacin versus lenguajes de


propsito general
Desarrollar un modelo mediante un lenguaje de simulacin obviamente presenta ciertas
ventajas frente a desarrollarlo mediante un lenguaje de propsito general. Algunas de estas
ventajas son las siguientes:

Los lenguajes de simulacin proporcionan de forma automtica la mayora de las


caractersticas necesarias para programar un modelo de simulacin, lo que redunda en una
reduccin de esfuerzo de programacin y tiempo.

Son un marco de trabajo natural para el uso de modelos de simulacin, incorporando


bloques bsicos de programacin ms afines al desarrollo de un modelo.

Son ms sencillos de codificar y, por lo tanto, tambin son ms fciles de modificar para
llevar a cabo los distintos experimentos.

Facilitan la deteccin de errores, especialmente en la lgica del proceso de simulacin.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

77

III SOFTWARE DE SIMULACIN DE MODELOS DINMICOS

Sin embargo, el desarrollo de un modelo con un lenguaje de propsito general presenta otro
tipo de ventajas frente al uso de lenguajes de simulacin:

Son ms generales y conocidos. En general, los modeladores conocen algn lenguaje de


propsito general, pero no suelen conocer lenguajes de simulacin.

Son ms accesibles, ya que estos lenguajes suelen estar disponibles en cualquier plataforma,
no as los de simulacin.

Son ms eficientes en requerimientos de memoria y suelen tener un tiempo de ejecucin


menor, ya que el lenguaje de simulacin se disea para gran variedad de problemas.

Permiten mayor flexibilidad, ya que los lenguajes de simulacin se disean con unas
especificaciones que si bien intentan ser lo ms generales posibles, siempre tienen
limitaciones, mientras que los lenguajes de tipo general no las tienen.

As pues, sabiendo las limitaciones de desarrollar un modelo de una u otra forma, la


decisin ha de tomarse en las primeras fases del estudio, ya que condiciona tremendamente el
modelo que se desarrolla. Entre otras cosas, si se opta por un lenguaje de simulacin es
importante conocer las posibilidades que ste tiene para poder establecer algunas hiptesis
adicionales o modificar otras (por la falta de flexibilidad).

III.2 Tipos de software de simulacin y caractersticas


Dentro del software de simulacin, cabe distinguir dos tipos de software: los lenguajes de
simulacin y los simuladores.
Un lenguaje de simulacin es un lenguaje de programacin que es general por naturaleza
pero con desarrollos especiales para cierto tipo de aplicaciones. Un modelo se desarrolla en un
lenguaje de simulacin escribiendo un programa mediante estructuras de modelado del
lenguaje.
Un simulador es un programa que permite simular un sistema de una clase especfica de
sistemas con poca o ninguna programacin. Para simular un sistema con un simulador se
requiere poca o ninguna experiencia en programacin, sin embargo, son muy limitadas las
posibles configuraciones de los sistemas a simular. Ejemplos de simuladores son simuladores de
vuelo, simulador de un centro de control de una central nuclear. El constructor del simulador ha
de ser un programador, pero el usuario final no.
En todo software de simulacin hay unas caractersticas que son deseables que ste
contemple. Las principales caractersticas son:

FACULTAD DE MATEMTICAS

78

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

De tipo general:
- Flexibilidad de modelado: con definicin de atributos generales que sean fcilmente
adaptables para distintos sistemas. En este sentido, un lenguaje de simulacin es el
software de simulacin ms flexible, mientras que los simuladores estaran en el
extremo opuesto, aunque tambin entre ellos exista diferente grado de flexibilidad.
- Facilidades para desarrollar y depurar el modelo incorporadas en el software. En
particular las ayudas de depuracin y la interactividad con el usuario son algunos de las
caractersticas que ms pueden facilitar el desarrollo del modelo.
- Ejecucin rpida del modelo, con una buena gestin de los eventos, interaccin entre
los distintos elementos, etc.
- Admisin de modelos de gran tamao, lo que supone una buena gestin de la memoria
(memoria dinmica).
- Disponibilidad en diferentes plataformas y portabilidad entre ellas (Windows, Linux,
Unix, ...).
- Posibilidad de combinar simulacin discreta y continua, ya que es muy habitual que los
modelos sean de tipo hbrido o combinado, con variables que cambian de forma
continua y otras de forma discreta.

Animacin grfica: La animacin grfica permite ver el sistema grficamente con los
cambios de estado. Aparte de que la presentacin de esta forma sea mucho ms atractiva,
permite validar los modelos al ver grficamente su funcionamiento, adems de hacerlos ms
crebles para el usuario final, ya que puede visualizar lo que est ocurriendo.
Dentro de la animacin grfica, hay dos tipos de animacin: la animacin en modo real o
instantneo (se presenta grficamente al mismo tiempo que se hace la simulacin) y la
animacin en modo play-back (se presenta la animacin despus de haber terminado la
simulacin). Este ltimo modo se utiliza fundamentalmente porque la animacin grfica
ralentiza enormemente la ejecucin, as con este modo, primero se obtienen los resultados
de forma eficiente y despus se presenta grficamente lo que ha ocurrido, pudiendo ser
detenido en cualquier momento sin afectar a los resultados finales.

Capacidades de estadstica: el software debe tener caractersticas de estadstica lo ms


amplias posible. Estas capacidades deben ser tanto para los datos de entrada (variedad en las
distribuciones posibles, etc.) como para el anlisis de los datos de salida (incorporar la
posibilidad de hacer rplicas, obtener intervalos de confianza, incorporar tcnicas de
reduccin de la varianza, etc.)

Informes de resultados: debe admitir informes estndar o especficos, posibilidad de


presentaciones tabulares o grficos, permitir el acceso a muestras individuales, etc.)

Soporte al cliente: debe ser extenso y bien documentado, incluyendo demostraciones y


ensayos libres.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

79

III SOFTWARE DE SIMULACIN DE MODELOS DINMICOS

III.3 Enfoques o estrategias


La estrategia o visin del mundo de un lenguaje de simulacin, inherente al lenguaje, es
usada para seleccionar el evento siguiente y gestionar el tiempo. Bsicamente, existen dos
estrategias diferentes9:

a)

Programacin de sucesos (Event Scheduling ES)


Algunos lenguajes de este tipo son GASP, SIMSCRIPT, SLAM o Arena.

b)

Interaccin de procesos (Process Interaction PI)


De este tipo son GPSS, Q-GERT, SIMSCRIPT, SLAM, Arena o SIMULA.

Algunos admiten varias estrategias, pues su naturaleza y estructura permiten usar ambas.
Los programas realizados con un lenguaje de simulacin tienen una estructura jerrquica
con tres niveles:

1. Nivel ejecutivo o del programa de control: se encarga de identificar cundo tiene que
ocurrir el siguiente suceso y de la ejecucin correcta de las operaciones por l implicadas en
los momentos adecuados. El programa de control est implantado en el lenguaje
propiamente dicho y el usuario del lenguaje no necesita saber cmo est programado, slo
necesita saber cmo funciona, es decir, qu estrategia tiene implantada.
2. Nivel de operaciones: es la secuencia de sentencias que constituyen el programa
propiamente dicho, sentencias propias del lenguaje utilizado.
3. Nivel de rutinas de detalle: ejecutan las acciones implicadas por cada operacin o
sentencia del modelo y tambin son inherentes al propio lenguaje.
Con cualquiera de las estrategias, cuando se selecciona el suceso siguiente para ser
procesado, se ejecuta la correspondiente rutina para modelar los cambios apropiados en el
estado del modelo.
Entre los sucesos que cabe considerar, o mejor dicho, que un lenguaje de simulacin puede
considerar, se clasifican en dos tipos: sucesos incondicionales y sucesos condicionales.

Existe una tercera, programacin de actividades, pero que est cayendo en desuso y por lo

tanto no ser mencionada.

FACULTAD DE MATEMTICAS

80

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Suceso incondicional: es un suceso que es elegible para ser ejecutado cuando llega el
instante de tiempo para el que ha sido programado. Depende exclusivamente del tiempo y
de ninguna otra condicin aparte de sta.

Suceso condicional: es un suceso que puede depender de condiciones adicionales distintas


del tiempo para ser activado y que, por lo tanto, hay que verificar adems del tiempo antes
de ejecutar la correspondiente rutina; esas condiciones suelen ser condiciones relativas al
estado de las componentes del sistema (desocupacin o fin de ocupacin de un dispositivo
del sistema, ...).

Vamos a ver ahora en qu consiste cada una de las estrategias de los lenguajes de
simulacin.

1. PROGRAMACIN DE SUCESOS (Event Scheduling, ES)


Esta estrategia considera que es una secuencia de sucesos incondicionales a lo largo del
tiempo, es decir, no se programa ningn suceso que dependa de condiciones adicionales al
tiempo. Se selecciona de la lista de sucesos aqul cuyo tiempo de ocurrencia es el ms
prximo, resolviendo los empates por las prioridades asignadas o por omisin, se actualiza
el reloj de simulacin igualando su valor al del instante en que ocurre el suceso y se llama a
la rutina correspondiente al tratamiento del suceso. La traza del modelo sigue esta estrategia
de programacin de sucesos.
Cualquier verificacin de una condicin diferente de la del tiempo del reloj debe realizarse
dentro de las rutinas de tratamiento de los sucesos y durante la ejecucin de las rutinas de
evento no se avanza el reloj de simulacin. Por ejemplo, mediante la asignacin de valores
singulares a ciertas variables auxiliares, tal como se haca asignando valor al instante del
prximo evento de final de servicio cuando no haba clientes en el sistema.
Esta filosofa responde al planteamiento que se ha hecho previamente. Se podra decir que el
programa principal y la rutina de tiempo es lo que corresponde al nivel ejecutivo en este
caso y las rutinas de evento sera lo nico que el modelador tendra que programar.
Por ejemplo, en un sistema de colas con un servidor, los eventos incondicionales son
llegadas de clientes y fin de servicio de clientes y el programa en un lenguaje de simulacin
seran las rutinas de evento de cada uno de ellos.

2. INTERACCIN DE PROCESOS (Process Interaction, PI)

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

81

III SOFTWARE DE SIMULACIN DE MODELOS DINMICOS

Contempla el progreso de las componentes del sistema a travs de una secuencia de pasos o
procesos, cada uno de los cuales puede tener dos posibles componentes, un segmento de
condicin cuya ejecucin identifica si se puede pasar a ejecutar la segunda componente, que
es un segmento de accin.
Un proceso es una secuencia ordenada de eventos interrelacionados, separados por pasos
de tiempo, que describe la experiencia entera de una entidad como su flujo a travs de un
sistema. As, un proceso, o mejor dicho, una rutina de proceso contiene explcitamente el
camino del tiempo simulado de cada entidad y suele tener mltiples puntos de entrada. Un
modelo de simulacin puede tener diferentes tipos de procesos.
Para el ejemplo de un sistema de colas con un servidor, el proceso comienza por la llegada
de un cliente (que sera una entidad), cmo este ocupa al servidor o es situado en espera, la
ocupacin del servidor y tiempo que lo tiene ocupado y el final de servicio y desaparicin de
la entidad del sistema.
Las entidades del sistema pueden ser fijas o mviles. Las entidades fijas (o recursos) son
denominadas procesadores y representan servidores en un sistema de colas, instalaciones,
semforos y entidades lgicas. Las entidades mviles (o cargas), o simplemente entidades,
son las que se mueven a travs del proceso.
En un instante determinado cada entidad se puede encontrar en un estado diferente. Los
posibles estados de una entidad son los siguientes:

Activa: entidad que se mueve a travs de su ruta o proceso en ese momento.

Demorada: entidad que se encuentra retenida por un suceso incondicional y, por lo


tanto, tiene previsto un tiempo de activacin.

Detenida: se encuentra retenida por un suceso condicional, no tiene instante previsto de


activacin, ste depende del cambio de estado de alguna componente.

En el ejemplo de un sistema de colas con un servidor, como ya se ha dicho, las entidades


son los clientes. Cuando se est ejecutando el proceso de un cliente y avanzando ste por la
rutina del proceso se dice que esa entidad est activa (slo una est activa en un instante
determinado). Cuando el cliente est siendo atendido por el servidor, la entidad se considera
que est demorada y cuando el cliente est esperando en la cola a que el servidor se libere y
l sea el primero en ser atendido, se considera que es una entidad detenida. Grficamente, el
proceso de un sistema como el descrito tendra que considerar los siguientes puntos:

FACULTAD DE MATEMTICAS

82

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Llegada

Inicio servicio

Final servicio

Evento

Evento

Evento

t
Tiempo en cola

Tiempo en sericio

Figura 9. Proceso de un cliente en una cola con un servidor.

Cuando una entidad est activa se mueve por su ruta o proceso hasta que es detenida o
demorada por algn suceso o desaparece del sistema. En ese momento se vuelve al
programa de control que analiza las entidades que hay abiertas en ese momento (u otras que
puedan surgir) y, ante los cambios producidos por el proceso de la entidad que acaba de
dejar de ser activa, cul de todas las entidades es la primera que se puede activar, moviendo
el reloj de simulacin al instante en que se activa esta entidad.
Un diagrama del proceso de un cliente en una cola con un servidor puede verse en la Figura
10. Diagrama del proceso en una cola con un servidor. Obsrvese que el punto 4 supone una
espera condicional y el punto 8 una espera incondicional. As mismo, los puntos 1, 5 y 9 son
puntos de entrada desde el programa de control.

Cliente
Programar llegada siguiente cliente

Servidor
libre?

1
3

Aadir cliente
a la cola

NO

4
Esperar
turno

Paso de tiempo simulado

SI

Sacar cliente
de la cola

Ocupar servidor

Programar final de servicio al cliente

Esperar hasta final de servicio al cliente

Paso de tiempo simulado


Liberar servidor

El cliente abandona el sistema

10

Volver

Figura 10. Diagrama del proceso en una cola con un servidor

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

83

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

IV Anlisis de resultados
Un estudio de simulacin busca respuestas a preguntas sobre el sistema objeto del estudio a
travs de la informacin que proporcionan los experimentos con el modelo del sistema. A su
vez los experimentos buscan, en general, respuestas a preguntas del tipo: Qu pasara s?
(What-if) que se plantean en distintas fases del ciclo de vida: diseo, modificaciones de sistemas
ya existentes, ...
Las respuestas que buscamos mediante los experimentos servirn de soporte para tomar una
decisin racional sobre el sistema. As pues, interesa que las respuestas queden expresadas
numricamente para la alternativa que nos ocupa en cada momento.
Las alternativas constituirn una variante del modelo o escenario de simulacin con las que
realizaremos los experimentos, y con la que obtendremos una estimacin de las variables
respuesta.
Como tales estimaciones, siempre que el modelo incluya aleatoriedad habr que recurrir
para analizarlas y obtener conclusiones a la estadstica, y ms concretamente a los mtodos de
muestreo, los mtodos de reduccin de la varianza, los mtodos de estimacin y al diseo de
experimentos.

IV.1 Comportamientos transitorio y estacionario de un


proceso estocstico
En los modelos de simulacin dinmicos y aleatorios la variable respuesta vara con el
tiempo, por lo tanto puede ser realmente considerado un proceso estocstico.
As pues comenzaremos explicando brevemente los dos tipos de comportamiento que puede
tener un proceso estocstico: el transitorio y el estacionario o permanente.
Considrese el proceso estocstico respuesta Y1 , Y2 ,... , y sea Fi ( y / I ) P (Yi y / I ) ,

la distribucin de la variable i -sima del proceso supuestas unas condiciones iniciales I.

Fi ( y / I ) es denominada distribucin transitoria del proceso en el instante i para las


condiciones iniciales I.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

85

IV ANLISIS DE RESULTADOS

Si cuando el tiempo se hace tender a , la distribucin deja de depender del tiempo y de las
condiciones iniciales, es decir, Fi ( y / I )
F ( y) y, I , entonces se dice que F ( y) es
i
la distribucin estacionaria.
Es un lmite, pero en la prctica suele existir un cierto k a partir del cual las distribuciones
son casi iguales.
Las siguientes grficas muestran la evolucin de un cierto proceso estocstico que alcanza
un estado estacionario. En la primera, se representa la distribucin de la variable respuesta y
como va cambiando con el tiempo. En la segunda, se muestra la evolucin de la media de la
variable respuesta (nmero de clientes en un sistema de colas con un servidor) con distintas
condiciones iniciales.

TRANSITORIAS

ESTACIONARIAS

E Y

Yik Yik 1

E Yi

Yi4
Yi1 Yi2
i1

i2

Yi5

Yi3
i3

i4

i5

.....

ik

ik+1

Figura 11. Evolucin de la distribucin de la variable respuesta

FACULTAD DE MATEMTICAS

86

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

S=20
E [ Di / S ]

d 9
S=0
S: n clientes en sistema en t=0,

E[ Di / S ] : n medio clientes en sistema

Figura 12. Evolucin de la media de la variable variando condiciones iniciales

IV.2 Tipos de simulacin segn el anlisis de resultados


Cabe distinguir varios tipos de simulacin segn sea el tipo de anlisis que se pretenda
hacer, o ms concretamente, como sea el proceso estocstico de la variable respuesta y qu
caractersticas de su comportamiento se pretenden analizar segn su horizonte temporal. As los
tipos de simulacin que se pueden plantear son:

Simulacin con horizonte finito: es la que se lleva a cabo cuando existe un evento natural
E que especifica la longitud de cada simulacin o replicacin. En ese evento el sistema se
reinicializa, obteniendo una muestra aleatoria simple de variables respuesta. Las
condiciones iniciales generalmente afectan a las medidas de desarrollo, por lo que han de
ser representativas del sistema real, para lo cul se puede plantear un periodo de
calentamiento o arranque (warm up) en el que se alcancen esas condiciones se puede
modelar las condiciones iniciales y aleatorizar en cada replicacin.
En ocasiones, cuando el horizonte es muy lejano respecto al periodo de arranque, siendo el
comportamiento estacionario el que rige la mayor parte del tiempo, la simulacin con
horizonte finito se puede asimilar a una simulacin con horizonte infinito.

Simulacin con horizonte infinito: no existe tal evento que indique el final de la replicacin,
y nuestro inters se centra en el comportamiento a largo plazo, pudiendo entonces darse
varias posibilidades:
1. Existe distribucin estacionaria: el objetivo es estimar los parmetros estacionarios del
modelo.
2. No existe distribucin estacionaria, pero s por ciclos: entonces hay que estimar los
parmetros estacionarios de cada ciclo y la duracin de stos.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

87

IV ANLISIS DE RESULTADOS

3. No existe distribucin estacionaria, pues los datos de entrada varan en el tiempo:


entonces hay que considerar que cada vez que cambian es un final de horizonte, y
tratarlo as, como si fueran sucesiones de simulaciones con horizonte finito.

IV.3 Estimacin de variables respuesta: precisin y


tamao muestral
En general, el valor esperado de la variable respuesta se estima mediante la media muestral
de las observaciones, que es el estimador puntual para sta. Sin embargo, en muchas ocasiones
no es suficiente dar un valor puntual, sino que se desea tambin dar un intervalo de confianza
para sta (estimacin por intervalo) o una precisin del valor obtenido.
As, dada una muestra aleatoria simple de la variable respuesta, Y1 ,..., Yn , el estimador
n

puntual para la media es la media muestral, Y

Y
i 1

, que es un estimador insesgado o

centrado para la esperanza, es decir, E[Y ] E[Y ] .


Por otra parte, un estimador para la varianza de la variable Y es la cuasivarianza, cuya
n

expresin es S 2

(Y Y )
i 1

n 1

, de modo que dado que la varianza de la media muestral es

S2
, entonces, el valor
resulta ser un estimador para la varianza de la media
Var[Y ]
n
n
muestral. Estos estimadores sern insesgados slo si la muestra es aleatoria simple, es decir, si
existe independencia entre las variables.
Los valores de la media y varianza muestrales se pueden calcular iterativamente de acuerdo
con estas expresiones [Ramos:90]

Yn
S 2 ( n)

1
(n 1)Y n1 Yn

2
1
n
(n 2) S 2( n1)
Y n Yn

n 1
n 1

FACULTAD DE MATEMTICAS

88

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

S 2 ( n)

2
1
n 1
2
(
n

2)
S

Y
n

1
( n 1)
n

n 1
n

o estas expresiones numricamente estables

S 2 ( n)

2
1
1 n 1

2
(
n

2)
S

(
n

1)
Y

i
( n 1)
n
n 1
n(n 1) i 1

S 2 ( n)

2
1
1 n

2
(
n

2)
S

nY

i n
( n 1)
n 1
n(n 1) i 1

siendo Yn el valor de la ltima observacin y tomando como valores iniciales Y 1 =Y1 y

S 2 (1) 0 .
Con estas consideraciones, dado un nivel de confianza 1 , el intervalo de confianza para
la esperanza de la variable respuesta, suponiendo distribucin normal o una muestra
suficientemente grande, tiene la siguiente expresin:

Y tn1, / 2

S
n

donde tn 1,1 / 2 es el valor de la t de Student con n 1 grados de libertad que deja una
probabilidad de / 2 a su derecha.
Su interpretacin es que da cada 100 intervalos que construyramos, confiamos en que en al
menos en (1 ) 100 se encontrar la esperanza de la variable. Obsrvese que al hacer slo
uno, no hay seguridad de que la media real se encuentre en tal intervalo, slo cierta confianza.
Por otra parte, si se desea dar una estimacin de la precisin de la media, se puede deducir a
partir del intervalo de confianza. A la vista de la expresin anterior una multiplicacin por 4 del
nmero de muestras implica una disminucin del intervalo de confianza aproximadamente a la
mitad.
Por lo tanto, una medida de la precisin de la estimacin de la media viene dada por la
relacin entre la desviacin tpica de la media y la media

S 2 ( n)
n
Xn

A partir de aqu, se pueden plantear dos tipos de muestreo:

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

89

IV ANLISIS DE RESULTADOS

Muestreo de dimensin fija: el tamao de la muestra, n , se fija de antemano, y se obtiene


una precisin no controlada previamente.

Muestreo secuencial: la precisin es fijada de antemano y lo que queda indeterminado y


sujeto a los resultados que se vayan obteniendo es el tamao de la muestra; en cada
iteracin se calcula la precisin lograda, y si no alcanza a la prefijada se sigue muestreando.

IV.4 Estimacin de parmetros estacionarios: el


problema del estado inicial transitorio
Como ya se ha comentado en un proceso estocstico, como es la variable respuesta de un
modelo de simulacin dinmico, existe un comportamiento transitorio, y si el proceso es
estacionario, otro comportamiento que es el que se alcanza en el periodo estacionario.
Si la simulacin es de horizonte finito, el periodo transitorio ha de tenerse en cuenta, de tal
forma que incluso el objetivo del anlisis sea estudiar el comportamiento en este periodo.
Sin embargo, si la simulacin es de horizonte infinito, o se pretende estimar un parmetro
estacionario o de comportamiento normal, es decir, se quiere estimar lim E Yi , hay que
i

evitar las influencias del estado inicial.


Algunos mtodos para obtener una muestra para la media estacionaria y un estimador
puntual para sta son los siguientes:
A) Replicacin/Eliminacin
B) Procedimiento por Lotes
C) Procedimientos regenerativos

A) Mtodo de Replicacin/Eliminacin:
Se realizan n replicaciones independientes de longitud m . Se determina el periodo de
arranque (warmup) de longitud l (l m) , y se eliminan esas observaciones en la estimacin.
As si las observaciones de cada replicacin son Y11 ,

, Y1m ,

, Yn1 ,

, Ynm , se consideran slo

las observaciones posteriores al periodo de arranque para hacer la estimacin, obtenindose de

FACULTAD DE MATEMTICAS

90

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

cada replicacin X 1

Y1i

i l 1

ml

, ..., X n

intervalo con estos valores: X tn 1, / 2

i l 1

ni

, y posteriormente haciendo la media y su

ml

SX
n

El problema de este mtodo es que puede existir una desviacin entre el valor estimado, ,
y el verdadero valor de .
En cuanto a la aplicacin presenta la dificultad de elegir la longitud de periodo de arranque,
lo que se suele hacer mediante un anlisis previo de tipo grfico mediante medias mviles. Por
otra parte, dependiendo de cul sea esa longitud, resulta poco eficiente simular el
comportamiento desde el principio cada vez, para luego prescindir de las primeras
observaciones.

B) Procedimiento por Lotes:


En este caso se realiza una nica replicacin, con lo que slo hay un periodo de arranque,
que debe ser eliminado. El resto de la secuencia se divide en n lotes de tamao k . k y n
deben ser suficientemente grandes, de modo que los bloques se puedan considerar
independientes y sus medias distribuidas normalmente (para que sea aplicable el Teorema
Central del Lmite para obtener el estimador.
As, suponiendo que las observaciones, una vez eliminado el periodo de arranque, fueran
Y1 ,..., Yk ,..., Ynk , se dividen en los lotes de los que se obtiene la media:

Y1 ,..., Yk , Yk 1 ,..., Y2 k , ... Y( n 1) k 1 ,..., Ynk .


Y1 (k )

Y2 (k )

Yn ( k )

Por ltimo, se obtiene la media de los valores medios obtenidos de cada lote
n

Y (n, k )

Y j (k )
j 1

nk

Y
i 1

nk

y la cuasivarianza para poder hacer el intervalo de confianza o la precisin


n

S 2 (n, k )

(Y (k ) Y (n, k ))
j 1

n 1

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

91

IV ANLISIS DE RESULTADOS

El problema que puede presentar este mtodo es que se haga una estimacin baja de la
varianza del estimador, Var ( ) . Esta infraestimacin puede darse porque al ser una nica
replicacin las observaciones no son independientes y, por lo tanto, si el tamao de cada
replicacin no es suficientemente grande puede haber correlacin entre ellas y no ser correcta la
estimacin de la varianza. sa es, por lo tanto, la mayor dificultad del mtodo, cmo obtener el
tamao k para lograr la incorrelacin. Respecto al mtodo anterior presenta la ventaja de no
tener que realizar la simulacin del periodo de arranque ms que una vez.

C) Procedimientos regenerativos:
En este caso se realiza una nica replicacin, como antes, pero los bloques no son del
mismo tamao, sino que se toma un punto de regeneracin para determinar dnde acaba, siendo
variable la longitud de cada secuencia obtenida, N i . Se entiende por punto de regeneracin, un
punto en el que el sistema vuelve a comenzar como si fuera el principio. Por ejemplo, en un
sistema de colas podra ser que el sistema se encuentre vaco. De ese modo, se evita el problema
de la correlacin entre las observaciones de dos secuencias. Sin embargo, ahora hay que tener
en cuenta que el tamao de cada secuencia es tambin una variable aleatoria.
As si las observaciones obtenidas, agrupadas ya en secuencias, son las siguientes

Y1 , Y2 ..., YB1 , YB1 1 ,..., YB2 , ..., YBn1 1 ,..., YBn


con tamaos respectivos, N1 B1 , N 2 B2 B1 , N n Bn Bn 1 , se consideran para cada
secuencia dos variables: la suma de las observaciones, X j

Bj

i B j 1 1

Yi , y el tamao de stas, N j

.
Para cada una de estas variables se consideran las estimaciones de su media y varianza, as a
partir de las X j se obtienen X y S X2 , y a partir de las N j se obtienen N y S N2 .
2
2
2
2 2
Por ltimo, el estimador de la media ser S S X 2ZS X , N Z S N , el estimador de su
n

varianza, ser S S 2ZS


2

2
X

2
X ,N

de confianza resultante Z z / 2

Z S , donde S
2

S
N n

2
N

2
X ,N

(X
j 1

X )( N j N )
n 1

, y el intervalo

FACULTAD DE MATEMTICAS

92

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Con este mtodo tambin se corre el riesgo de hacer una infraestimacin de la varianza.
Pero su principal inconveniente es que puede ser difcil de aplicar, bien porque no haya punto de
regeneracin o que la probabilidad de que se d sea muy pequea teniendo que hacer largas
simulaciones para lograr una muestra o que el nmero de secuencias obtenido sea muy pequeo,
o bien por todo lo contrario, que resulten secuencias de tamao N j demasiado pequeos, que
hagan que no se puedan considerar independientes las secuencias y por lo tanto se est
infravalorando su varianza.

IV.5 Estimacin de integrales por Monte Carlo


El objeto de un estudio de simulacin suele ser la estimacin de una o ms esperanzas de la
forma

E[( X )] E[( X 1 ,..., X k )]


donde : (

, k ) ( , ) medible y X ( X 1 ,..., X k ) es una variable aleatoria k -

dimensional.
No es sorprendente entonces que se use la simulacin para calcular integrales mltiples sin
hacer mencin de ningn modelo estocstioo. Esto se denomina integracin de Monte Carlo.
Sin embargo, el modelo original puede ser estocstico o no en s mismo, y laa tcnicas que
se van a mostrar son vlidas en ambos casos.

IV.5.1 Mtodo Monte Carlo de acertar o fallar


Supongamos que se quiere estimar

( x)dx : (a, b)

Sea c una constante tal que c ( x) x (a, b) .


Se simulan n valores uniformes en el rectngulo [a, b] [0, c] , y sea
d

R : nmero de puntos simulados que caen debajo de la curva B(n,


El estimador c(b a)

c(b a)

verifica que E[ ] y V [ ] [c(b a) ]


n
n

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

93

IV ANLISIS DE RESULTADOS

IV.5.2 Mtodo de Monte Carlo crudo


Sea : (

, k ) ( , ) medible.

Supongamos que se quiere estimar E[ ( x)]

( x ) f ( x )dx .

El estimador de Monte Carlo se define como

1 n
( X (i ) )
n i 1
d

donde X (1) ,..., X ( n ) es una muestra aleatoria simple simulada de X f ( x )

Propiedades:

V []

1. E[]
2. : (a, b)

1
1
(( x ) )2 f (x )dx V [( X (i ) )]
k

n
n

b
, a, b , 0 c, ( x)dx V [] V [ ] , dndose la
a

igualdad slo si la funcin es una constante en el intervalo (a, b) .

El mtodo de acertar o fallar es muy poco preciso y no se suele usar. Adems el mtodo de
Monte Carlo crudo tiene aplicaciones ms amplias al no estar restrigindo a intervalos ni a
funciones positivas unidimensionales.

IV.6 Tcnicas de reduccin de la varianza


El objetivo de estas tcnicas es incrementar la eficiencia estadstica del anlisis de
simulacin.
El medio para lograrlo es reduciendo la varianza de las variables de salida sin modificar la
media de la estimacin. De esta forma se obtiene mayor precisin para el mismo nmero de
datos, o la precisin deseada con menos pasadas de simulacin.
Antes de ver las tcnicas de reduccin de la varianza hay algunas observaciones que hacer
sobre ellas:

FACULTAD DE MATEMTICAS

94

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Los mtodos de reduccin de la varianza dependen del modelo en estudio, de modo que su
comportamiento puede ser muy diferente en distintos modelos.

Normalmente no es posible saber de antemano cunto se va a poder reducir la varianza, o


incluso, si se va a poder reducir.

Algunas tcnicas pueden aumentar el coste computacional, por lo que hay que buscar un
equilibrio entre la mejora que pueden proporcionar y el coste que conlleva utilizarlas.

Las tcnicas utilizadas ms habitualmente para reducir la varianza de un estimador son las
siguientes:

Muestreo correlado.

Utilizacin de variables de control.

Utilizacin de variables antitticas.

Condicionamiento

Muestreo estratificado.

Muestreo por importancia

Vamos a ver una introduccin a todas ellas, para ampliar el estudio puede consultarse
cualquier libro de teora de muestras o de simulacin avanzado(ver [Law, 2000] o [Ros-Insa,
1997])

IV.6.1 Muestreo correlado (nmeros aleatorios comunes)


El objetivo de esta tcnica es comparar dos o ms configuraciones alternativas para el
sistema bajo condiciones de experimentacin similares. Por lo tanto, se utiliza cuando se
quiere comparar la variable de salida con dos configuraciones diferentes.
La idea bsica es que se quiere comparar la variable de salida para dos configuraciones, y
por lo tanto si X1 j y X 2 j son las observaciones para la 1 y 2 configuracin, respectivamente,
en el tiempo j , lo que queremos estimar es

1 2 E ( X1 j ) E ( X 2 j )

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

95

IV ANLISIS DE RESULTADOS

Sea la variable Z j X1 j X 2 j , cuya esperanza es el valor que se desea estimar,


n

E (Z j ) , y sea la media muestral de estas variable, Z (n) Z j / n , que es un estimador


j 1

insesgado de .
La varianza de este estimador es

V (Z (n))

V (Z j )
n

V ( X1 j ) V ( X 2 j ) 2Cov( X1 j , X 2 j )
n

Si las variables obtenidas con distintas configuraciones se obtienen de forma independiente,


la covarianza es cero, pero se puede disminuir la varianza del estimador si se logra una
covarianza positiva entre ambas. Para lograrlo, el muestreo correlado propone utilizar los
mismos valores U(0,1) para simular cada una de las configuraciones a lo largo del tiempo.
El mtodo es eficaz y razonable, sin embargo, hay que tener cuidado al aplicarlo con la
sincronizacin, pues puede no ser suficiente con poner la misma semilla para los nmeros
aleatorios. Una forma de buscar esa sincronizacin es utilizar una semilla diferente para cada
variable aleatoria del modelo, con el fin de que aunque alguna de ellas pierda la sincrona el
resto no lo haga.

IV.6.2 Variables antitticas


Esta tcnica se utiliza para reducir la varianza del estimador de la media, pero sin
comparaciones entre distintas configuraciones.
El objetivo es inducir una correlacin negativa entre las sucesivas simulaciones o
replicaciones del modelo que se llevan a cabo para obtener una muestra con la que obtener el
estimador.
Supongamos que X 1 y X 2 es una muestra de tamao 2 de la variable respuesta. El
estimador de la media de la variable ser la media muestral, X ( X 1 X 2 ) / 2 y su varianza
ser,

V ( X ) 1/ 4(V ( X 1 ) V ( X 2 ) 2Cov( X 1 , X 2 ))
Obsrvese que si las variables son independientes, la covarianza es cero, pero que el valor
de la varianza mejorara si la covarianza fuera negativa. Por lo tanto, el objeto de esta tcnica es
intentar lograr una covarianza negativa entre dos replicaciones del mismo modelo. Para ello, el
mtodo propone que en una replicacin se utilicen unos valores de la uniforme y en la otra los
valores complementarios, es decir, 1 menos los anteriores.

FACULTAD DE MATEMTICAS

96

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

As si U1 ,...,U n son variables aleatorias con distribucin uniforme en (0,1), las variables

1 U1 ,...,1 U n tambin son uniformes en (0,1). Y es ms, si X 1 ,..., X n son variables


obtenidas mediante la transformada inversa a partir de U1 ,...,U n , y X 1 ',..., X n ' son las
obtenidas a partir de 1 U1 ,...,1 U n , entonces las variables X j y X j ' estn correladas
negativamente.
De aqu se deduce que si en una simulacin se utilizan los valores de una uniforme y en la
siguiente sus complementarios las variables estarn correladas negativamente, mejorando el
valor de la varianza del estimador. Sin embargo, no siempre es cierto ya que aunque las
variables de entrada estn correladas negativamente, si el sistema es complejo las de salida
pueden no estarlo. Adems, el resultado est demostrado para variables de entrada generadas
por el mtodo de la transformada inversa, pero no siempre ste es el mtodo que se utiliza para
generar una variable aleatoria.

IV.6.3 Variables de control


El objetivo de esta tcnica es utilizar la correlacin entre ciertas variables aleatorias para
conseguir reducir la varianza.
Supongamos que X es la variable de salida del modelo. Por ejemplo, en un sistema de
colas podra ser el tiempo de espera en cola de los primeros 100 clientes, y se desea estimar

E( X ) .
Sea Y una variable aleatoria que aparece en el proceso de simulacin, correlada con X
(positiva o negativamente), y con esperanza E(Y ) conocida. Para el mismo ejemplo podra
ser Y : tiempos de servicio de los primeros 99 clientes que terminan su servicio, cuya media es
conocida puesto que el tiempo de servicio es una variable de entrada con media conocida.
Entonces el valor observado para la variable Y (valor que puede ser Y o Y )
permite ajustar el valor de X , y por lo tanto, se dice que Y es una variable de control para X .
Veamos cmo utilizar esta variable de control para mejorar la eficiencia del estimador. Para
ello se define el siguiente estimador de control:

X C X a (Y )
Obsrvese que este estimador es un estimador insesgado para , ya que

E ( X C ) E ( X a (Y )) E ( X ) a ( E (Y ) ) a( ) ,
y su varianza es V ( X C ) V ( X ) a 2V (Y ) 2aCov( X , Y )

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

97

IV ANLISIS DE RESULTADOS

As pues, para que la varianza de este estimador sea mejor que la anterior ha de verificarse
que a 2V (Y ) 2aCov( X , Y ) 0 , y por lo tanto lo que hay que determinar es un valor de a
para que esto sea cierto. En concreto, el mejor valor para la constante, el que da la menor
varianza, es a*

Cov( X , Y )
.
V ( y)

Precisamente, el problema que puede tener este mtodo es determinar la variable de control
y el valor de a , que adems requiere de una estimacin previa de la covarianza entre las dos
variables. Adems, este mtodo es especfico para cada modelo, con lo cul su automatizacin
en el software de simulacin comercial existente resulta prcticamente inviable.

IV.6.4 Condicionamiento
La tcnica de condicionamiento para reducir la varianza del estimador intenta aprovechar
alguna propiedad especial del modelo para remplazar un valor estimado por un valor analtico
exacto. Al eliminar esta fuente de variabilidad es de esperar que la variable aleatoria de salida
sea ms estable, aunque no est absolutamente garantizado. Esta tcnica tiene su origen en el
mtodo de Monte Carlo condicional introducido por Trotter y Tukey (1956) y desarrollado por
Hammersley and Handscomb (1964).
Supongamos que X es la variable de salida de nuestro modelo, cuya media desea ser
estimada. Supongamos que existe otra variable aleatoria Z tal que para un valor dado de sta,

z , es posible calcular analticamente el valor de la esperanza condicionada de X por este


valor, es decir, E[ X / Z z] es un valor conocido. Entonces un estimador insesgado para se
puede obtener a partir de la esperanza en Z de la esperanza condicionada de X a los valores
de Z , es decir, E[ X ] EZ [ E ( X / Z )] . Como ejemplo de lo que sera este estimador, si

Z fuera discreta aunque de distribucin desconocida el estimador por condicionamiento sera

EZ [ E ( X / Z )] E ( X / Z z ) p( z ) , que sera centrado. Respecto a la reduccin de la


z

varianza se verifica la siguiente relacin ya que la varianza es una funcin no negativa

VarZ [ E ( X / Z )] Var[ X ] EZ [Var ( X / Z )] Var[ X ]


As el procedimiento sera muestrear para obtener valores de la variable Z y para cada uno
de ellos calcular analticamente el valor de la esperanza condicionada de X por ese valor. Es
decir, se realiza el experimento de simulacin para observar la variable Z obtenindose las
observaciones z1 ,..., zn y a partir de ah se calcula el estimador

n E[ X / Z z ] .
i 1

FACULTAD DE MATEMTICAS

98

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Una aplicacin de este mtodo puede verse en Carter and Ignall (1975). En este caso se
queran analizar polticas de atencin del servicio de extincin de incendios del Bronx,
comparando para ello el tiempo medio de respuesta cuando se produce un incendio considerado
serio (en el que pueden peligrar vidas humanas). Datos histricos revelaban que 1 de cada 30
incendios es serio. Y por lo tanto para hacer la simulacin haba que simular 30 veces ms
situaciones que las que se queran considerar para la variable de salida. Sien embargo, el modelo
tena tal estructura que conociendo la situacin de los equipos de extincin en un momento
dado, era posible determinar analticamente con exactitud el tiempo medio de respuesta si en ese
momento se produjera un incendio serio. As el procedimiento consisti en hacer la simulacin,
pero interrumpir peridicamente la simulacin para observar el estado del sistema y calcular y
almacenar el valor del tiempo medio de respuesta bajo esas condiciones si se produjera un
incendio serio en ese momento (aunque realmente no estuviera sucediendo). El estimador final
fue la media de estos tiempos de respuesta esperados condicionados e inclua muchos ms
trminos que el nmero de incendios serios que realmente haban sido simulados. Con este
procedimiento se redujo en un 95 % la varianza del estimador aunque con un mayor esfuerzo
computacional. Para el mismo esfuerzo computacional la reduccin fue de un 92 %.
Sin embargo en este mtodo no siempre se puede asegurar que reduzca la varianza en tales
dimensiones, o incluso que se llegue a reducirla, dada la correlacin que puede existir entre los
valores condicionados de X y que no ha sido tenida en cuenta.

IV.6.5 Muestreo estratificado


Esta tcnica para reducir la varianza es una tcnica no especfica de la simulacin sino que
proviene de la idea de estratificacin de la teora de muestras (ver Thomson, 1992).
Supongamos que deseamos estimar E[h( X )] para una variable aleatoria X con
funcin de densidad f ( x), x D . Es posible hacer una particin del soporte D en k
subconjuntos o estratos Di y definir i

Di

h( x) f ( x)dx . Entonces, se tiene que


k

h( x) f ( x)dx h( x) f ( x)dx i
D

i 1

Di

i 1

As pues, el procedimiento sera dividir el soporte en estratos y estimar el valor en cada


estrato y despus sumarlos. Se comprueba que si la estratificacin se ha hecho adecuadamente,
se obtiene una reduccin en la varianza al tener menor variabilidad en los estratos que en el
soporte completo. El efecto de la reduccin se alcanzar concentrando puntos muestrales en
estratos que sean ms importantes.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

99

IV ANLISIS DE RESULTADOS

La mayor dificultad de este mtodo est en cmo elegir los estratos para lograr reducir la
varianza y el tamao de la muestra en cada estrato. Por otra parte, una hiptesis implcita en la
estratificacin es que resulta posible generar muestras directamente de los espacios muestrales
condicionados asociados a cada estrato, lo cul no siempre es posible.

IV.6.6 Muestreo por importancia


Este mtodo se basa en los conceptos de estratificacin y ponderacin de la teora de
muestras (ver Thomson, 1992). Supongamos que queremos estimar E[h( X )] , donde la
variable aleatoria X tiene funcin de densidad f ( x) , x D

. En tal caso, el problema

se plantea como estimar

E[h( X )] h( x) f ( x)dx
D

La idea bsica de este mtodo consiste en observar que para cualquier otra variable aleatoria

Z con funcin de densidad g con el mismo dominio D , denominada distribucin de


importancia, se puede expresar el estimador como

h( z ) f ( z )
h( z ) f ( z )
g ( z )dz EZ

D
g ( z)
g ( z)

As se puede estimar el parmetro muestreando los valores z i de Z y utilizar como


estimador

1 n h ( zi ) f ( z i )

n i 1 g ( zi )

que es un estimador insesgado. Bsicamente, este estimador es una media de los valores h( zi )
ponderados con pesos f / g . La varianza de este estimador puede llegar a ser mucho menor que
la de X si se toma la distribucin de importancia con forma similar a hf de modo que el
cociente sea casi constante.
Esta tcnica concentra la distribucin en los puntos que se consideran de mayor
importancia, de modo que si supisemos de antemano que algunos valores son ms importantes
que otros en la determinacin del parmetro, desearamos seleccionar estos valores con mayor
frecuencia de la que la distribucin les da en s. Sin embargo, esto puede ser difcil de conseguir
y suele ser conveniente llevar a cabo una simulacin piloto de tamao pequeo para determinar
si se produce reduccin de la varianza.

FACULTAD DE MATEMTICAS

100

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Por otra parte, como ocurre con la mayora de las tcnicas de reduccin de la varianza, el
muestreo por importancia depende fuertemente del modelo, por lo que resulta interesante
sugerir distribuciones de importancia adecuadas para clases de problemas relevantes. Aunque es
difcil hacerlo, se ha avanzado en algunas reas (ver Geweke (1989) para la aplicacin a algunos
modelos economtricos).

IV.7 Diseo de experimentos


Por ltimo dentro del anlisis de resultados vamos a ver una breve introduccin de cmo
disear los experimentos para poder comparar distintas alternativas sobre la configuracin o las
estrategias.
Cuando se quieren comparar diferentes alternativas, suele haber ciertos factores controlables
(cuantitativos o cualitativos) que operan a distintos niveles (valores) que definen las
alternativas. En un estudio de simulacin interesa identificar el efecto de cada factor al variar en
sus distintos niveles, la interaccin entre los factores, etc. a la hora de tomar una decisin.
La cuestin es qu pruebas o replicaciones hay que hacer para identificar esos efectos. Para
dar respuesta a esta pregunta la tcnica estadstica apropiada es el diseo de experimentos.
Si bien es cierto que esta tcnica suele resultar ms relevante cuando los experimentos no
son simulados por la dificultad de llevarlos a cabo, tambin en simulacin cuando hay muchos
factores o muchos posibles valores o las simulaciones son muy largas, es deseable disear los
experimentos evitando los diseos completos, es decir, evitando probar todas las combinaciones
posibles de factores y niveles para poder comparar. Obsrvese que con k factores y 2 niveles
cada uno y realizando m replicaciones de cada combinacin, resultan m2k simulaciones.
Existen diversos diseos que pueden aplicarse como la variacin de un factor cada vez, los
diseos factoriales globales, fraccionales, superficie de respuesta, ...
Para un estudio de estos diseos se remite al lector a un libro de estadstica (como por
ejemplo [Pea, 98]) o uno especfico de diseo de experimentos ([Montgomery, 91]). Sin
embargo, a continuacin se va a presentar una breve introduccin a los diseos ms habituales.

IV.7.1 Principios del diseo experimental


El objetivo de un experimento es estudiar el efecto que sobre una variable respuesta tienen
un conjunto de otras variables denominadas variables experimentales, fatores o tratamientos.
Supondremos que la variable respuesta es continua y que los factores se fijan durante el
experimento a ciertos niveles determinados. El experimento consiste en seleccionar distintas

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

101

IV ANLISIS DE RESULTADOS

unidades experimentales, fijar los valores de los factores a distintos niveles y observar el valor
de la variables respuesta en cada unidad. El nmero total de datos es el tamao del experimento.
En cualquier experimento en que se investiga el efecto de un factor hay un gran nmero de
otras variables que pueden influir en los resultados. Bsicamente hay tres caminos para eliminar
el efecto de una variable:
1. mantenerla fija durante toda la realizacin del experimento,
2. reorganizar la estructura del experimento para las comparaciones de inters se efecten
para valores fijos de esta variable
3. aleatorizar su aparicin en los tratamientos
Los experimentos cientficos suelen usar los dos primeros para eliminar el efecto de
aquellas variables que son controladas por el experimentador, y el tercero para eliminar el efecto
de variables fuera de nuestro control y de poca influencia esperada (se englobarn dentro del
error experimental).
En general, cuando se analizan resultados de simulacin no suele utilizarse la aleatorizacin
ya que en el modelo no suelen existir variables fuera de control, sin embargo, se va a explicar el
principio de aleatorizacin sobre todo para tenerlo en cuenta a la hora de tomar datos y
observaciones para crear el modelo, y a la hora de validarlo comparando con la realidad.

El principio de aleatorizacin
Este principio requiere que todos los factores no controlados por el experimentador y que
puedan influir en los resultados se asignen al azar a las observaciones. Por ejemplo, si al
comparar las ventas de un producto en un establecimiento en dos das distintos de la semana
sospechamos que puede influir el empleado que est en esa seccin que pueden ser dos
distintos, deben tomarse observaciones para esos das con el vendedor asignado de forma
aleatoria a las observaciones (aleatoria, es decir, con orden aleatorio tambin, para evitar efectos
de aprendizaje, etc.).
La aleatorizacin es fundamental ya que previene la existencia de sesgos, evita la
dependencia entre observaciones y confirma la validez de los procedimientos estadsticos ms
comunes.
De este principio se derivan los denominados contrastes de permutaciones para analizar la
influencia de un factor en presencia de otra variable:
Supngase que para el ejemplo anterior se deciden observar 5 das de un tipo (D1) y 5 de
otro (D2). Se asignan de forma aleatoria los dos empleados a cada da de forma que siempre
haya 5 das de cada uno en los 10, y se observa la diferencia de medias en la variable respuesta

FACULTAD DE MATEMTICAS

102

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

de ambos tipos de da: x D1

x D2 . Si el da observado no influyera (que es lo que se pretende

determinar) dara igual que las observaciones fueran de un da u otro, as pues podramos
considerar que de las 10 observaciones cualesquiera 5 son de un da y el resto de otro. El

10
nmero de asignaciones posibles de los tipos de da a las 10 observaciones es

252 , y si

se calculan las 252 diferencias que se obtienen con las distintas asignaciones y el valor concreto
que se tiene est entre el 100

/2 % de las mximas o de las mnimas se considera que un

valor tan anormalmente alto o bajo slo puede ser debido a que no son iguales las medias.
Los test de permutaciones fueron introducidos por Fisher (1953), y Scheff (1959) demostr
que los contrastes t y F (anlisis de la varianza para igualdad de medias) son una buena
aproximacin incluso sin la hiptesis de normalidad que se les exige.

La repeticin del experimento


Como ya se ha comentado, para reducir la varianza de la estimacin de una media que es
2

/n , se puede reducir el valor de

o aumentar n que conlleva replicar el experimento.

Aunque este tema ya ha sido tratado, hay que indicar la diferencia entre repetir cada observacin
y repetir el experimento. Si se toman dos medidas seguidas en cada condicin experimental se
tiene cada observacin repetida dos veces, pero no necesariamente un experimento replicado.
Conviene realizar el experimento una vez y luego repetirlo desde el principio para evitar
subestimar la variabilidad.

La homogeneidad estadstica de las comparaciones: diseos factoriales


Para comparar el efecto de un factor en la variable respuesta es claro que se debe comparar
con distintos niveles pero actuando stos en condiciones homogneas. Existen dos enfoques
para intentar lograr esa homogeneidad:
a)

diseos clsicos: eliminar del experimento las dems variables mantenindolas fijas a
niveles constantes y variar slo la que se trata de comparar
b) diseos factoriales: introducir en la experimentacin todas las variables que pueden
influir y estimar los efectos promediando situaciones homogneas. As para el ejemplo
de la venta del producto se obtendran datos para cada nivel del facto da con los dos
empleados, siendo una tabla de doble entrada.
De los dos enfoques el primero tiene como inconveniente principal que no tiene en cuenta la
interaccin entre los factores. Por ejemplo, supongamos que se desea investigar si la

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

103

IV ANLISIS DE RESULTADOS

temperatura y la concentracin influyen en el rendimiento de un proceso. Con el diseo clsico


fijaramos la temperatura a un valor de referencia y modificaramos el valor de la concentracin
para ver su efecto; despus haramos lo mismo pero fijando la concentracin a un valor y
variaramos la temperatura. De esta forma es posible llegar a conclusiones tales como que
aumentar la temperatura disminuye el rendimiento y aumentar la concentracin tambin, y sin
embargo, es posible que aumentando temperatura y concentracin a la vez se logre un mayor
rendimiento. Esto ocurre porque los efectos pueden no ser aditivos, es decir, el modelo puede
ser del tipo Rend

bConc
1

b2Temp

b3Conc Temp , y sin embargo, con el diseo

clsico se supone que el coeficiente b3 es cero.

El concepto de bloque
Una variable o factor cuyo efecto sobre la respuesta no es directamente de inters pero que
se utiliza para obtener comparaciones homogneas se denomina variable bloque. En el ejemplo,
de la venta del producto sera el empleado si lo que realmente nos interesa saber es slo el
efecto del tipo de da. La principal diferencia en el tratamiento de un factor y de una variable
bloque es que, en general, se supone que hay independencia entre los factores y las variables
bloque.

IV.7.2 Diseo con un factor


ste es el diseo bsico en el cul no se presenta ms que un nico factor que opera a I
niveles, de modo que se dispone de una muestra de tamao n tal que ni han sido obtenidas con
el factor fijado al nivel i , siendo y ij estas observaciones.
El modelo que supone este factor es yij

uij , siendo uij de distribucin N (0, )

independientes (se puede comprobar representando los valores para cada nivel y ver que siguen
una distribucin normal).
El procedimiento es en primer lugar estimar los parmetros del modelo: las

; en

segundo lugar realizar el contraste de igualdad de medias para ver si el factor influye en la
variable respuesta, es decir, contrastar si es cierto que 1 ...
. Despus comprobar
I
con los residuos las hiptesis del modelo, y por ltimo, si se ha rechazado que el factor no
influye hacer comparaciones de las medias.

FACULTAD DE MATEMTICAS

104

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

yij
Los estimadores de los parmetros del factor son i

yi .

, y definiendo los

ni

eij2
residuos como eij

yij

ij

yi . , el estimador de la varianza es 2

A continuacin se plantea el contraste de igualdad de medias:

H0 :

...

frente a la hiptesis de que hay alguna distinta. Para hacer este

contraste se compara la variabilidad explicada por los grupos (VE) con la no explicada o
residual (VNE), de modo que si es muy grande la explicada respecto a la que no entonces se
rechaza la hiptesis nula y se acepta que el factor influye en la variable respuesta. Este anlisis
se conoce como anlisis de la varianza y para llevarlo a cabo se utiliza una tabla denominada
ANOVA (ADEVA en castellano):
Fuentes variacin

Suma de cuadrados

ni (yi .

Entre grupos (VE)

Grados de libertad

y.. )2

Varianzas

se2

Interna, no explicada o
residual (VNE)

(yij

yi . )2

sR2

(yij

y.. )2

sy2

i, j

Total
i, j

donde la ltima columna es el cociente de las dos anteriores.


Si la hiptesis nula fuera cierta el estadstico F(I

se2
seguira una distribucin F
sR2

1),(n I )

de Fisher-Snedecor con esos grados de libertad indicados, de modo que se rechazar la hiptesis
si este estadstico toma un valor suficientemente alto.
As si se acepta la hiptesis nula, se acepta la igualdad de medias y por lo tanto que el factor
no influye. Si se rechaza tiene inters estimar las diferencias entre los grupos. Para ello se puede
hacer un intervalo de confianza para la diferencia de medias de los grupos dos a dos o hacer un
contraste de igualdad de medias dos a dos. Sin embargo, hay que tener cuidado ya que la
aplicacin reiterada de ese contraste (para I niveles seran

I
2

contrastes) puede llevar a que

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

105

IV ANLISIS DE RESULTADOS

aparezcan diferencias entre grupos cuando realmente no las hay. Para evitarlo el mtodo de

/c , donde

Bonferroni propone que cada contraste debera ser hecho al nivel de significacin

es el nivel de significacin total que se desea y c el nmero de comparaciones que se van a


realizar.

IV.7.3 Diseo en bloques aleatorizados


Este diseo se utiliza para analizar el efecto de un factor en presencia de una variable
bloque. Se tienen I niveles del factor, J valores de la variable bloque y se tienen I J
observaciones de la variable respuesta obtenidas cada una fijando un nivel del factor y un valor
del bloque, denotadas por y ij .
El modelo en bloques aleatorizados es yij

uij , i

1,..., I , j

1,..., J

, donde uij es una variable N (0, ) y sus valores independientes.


El modelo descompone la respuesta como suma de un efecto global
incremental del factor principal

(al ser incremental, se supone

, un efecto

0 ), un efecto

incremental del factor secundario o bloque

(de nuevo

0 ) y un efecto aleatorio uij

que sera el denominado error experimental debido a las restantes causas de variabilidad.
El objetivo primero del anlisis es determinar si los efectos del factor principal son nulos, y
si se decide que no entonces puede ser de inters analizar las diferencias.
El primer paso es estimar los valores de los parmetros que sern un total de I
se incluyen el valor de

, los

, los

J , donde

es la media de todas las observaciones, que denominaremos y.. ; los

El estimador de

estimadores de los efectos del factor principal se obtienen como la media de las observaciones
para ese nivel del factor menos la media de todas las observaciones, es decir,

yi.

y..

1
J

yij

y.. ; anlogamente para estimar los efectos del bloque se tendra

y. j

y.. ; por ltimo, para la varianza del error, se obtienen los residuos

eij

yij

y se estima como 2
j

1
n

eij2 .
i, j

Una vez estimados los coeficientes se procede a contrastar si se pueden considerar


significativamente distintos de cero y poder concluir que realmente el factor influye. Adems

FACULTAD DE MATEMTICAS

106

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

interesa saber si el bloque influye, ya que si no fuera as, se podra optar por un modelo ms
sencillo, como el de la seccin anterior, que no distinguiera por el bloque. Para hacer estos
contrastes se realiza el anlisis de la varianza. La lgica de este anlisis es en primer lugar
descomponer la variabilidad total de los datos en sus fuentes de variacin, y comparar el
trmino debido a cada fuente con un patrn comn, la varianza residual, para juzgar respecto a
su importancia.
La tabla ANOVA en este caso ser de la siguiente forma
Suma cuadrados

Fuente

Entre tratamientos
(distintas

Entre bloques
(distintas

y.. )2

(yi .

Residual

Varianzas

i2

s2

s2

y.. )2

(y. j

G. libertad

eij2
i, j

(yij

(yij

y.. )2

)2 (I

1)(J

1)

sR2

i, j

Total

sy2

i, j

A partir de esta tabla se realizan los contrastes. El contrate principal es que los tratamientos
son idnticos:

H0 :
Se efecta con el estadstico F(I

1),(I 1)(J 1)

0;

s2
, que si la hiptesis nula es cierta sera
sR2

una F de Fisher-Snedecor con los grados de libertad indicados, de modo que si el valor del
estadstico es alto ser rechazada la hiptesis de que el factor no influye.
Para

F(J

los

1),(I 1)(J 1)

bloques

el

contraste

es

H0 :

0;

el

estadstico

es

s2
, y es un contraste independiente del anterior.
sR2

La eficacia del diseo depende de los efectos de los bloques, pero en cualquier caso nunca
es peor que si se tratara como un diseo completamente aleatorio como el de la seccin anterior.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

107

IV ANLISIS DE RESULTADOS

Si del anlisis de la varianza se deriva que el factor influye entonces se pasa a realizar
comparaciones entre las medias de los grupos determinados por los niveles del factor, tal y
cmo se coment en la seccin anterior.
Respecto a la validacin de modelo, el principal error que se puede estar cometiendo es que
se est despreciando la interaccin entre el factor y el bloque, y podra ser que existiera, es
decir, el modelo podra ser de la forma:

yij

)ij

uij

Este modelo tiene demasiados parmetros, por lo que Tukey propuso tomar

)ij

que slo aade un parmetro.

La interaccin se detecta fundamentalmente porque si sta existe y no ha sido considerada


en el modelo, los residuos no tendrn esperanza nula, y grficamente si se representa en el eje
de abscisas el valor previsto y en el de ordenadas el residuo se podr ver una curvatura.

IV.7.4 Modelos factoriales: con dos factores y con interaccin


Este modelo se aplica cuando las dos variables a estudiar tienen la misma importancia a
priori y se admite la interaccin desde un principio.

El modelo sin replicacin


El modelo que se considera es el siguiente:

yij

y el nmero de parmetros a estimar son IJ


i
i

j
j

)ij

)ij

)ij

uij

1 teniendo en cuenta las restricciones

0 . Cmo se puede observar hay ms

parmetros que observaciones, luego no pueden ser todos estimados. La opcin es no estimar la
varianza, y estimar los parmetros como en el caso anterior y para las interacciones estimarlas
como los residuos, es decir, (

)ij

yij

yi.

y.j

y.. . Sin embargo al no disponer de

residuos no es posible contrastar el modelo, salvo que se consideren las interacciones nulas, o
que se replique el experimento.

El modelo con replicacin

FACULTAD DE MATEMTICAS

108

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Suponiendo que se hacen K replicaciones para cada combinacin de niveles de los dos
factores se dispone de IJK observaciones y el modelo considerado ahora sera:

yijk

uijk

)ij

Aunque el nmero de parmetros a ser estimados sigue siendo IJ

1 ahora hay ms

observaciones. Los estimadores en este caso sern

y...

yi ..

y...

y. j .

y...

yij .

)ij

Los residuos en este caso sern: eijk

yi ..

yijk

y. j .

y...

yij . . La tabla ANOVA ser en tal caso la

siguiente
Fuente

Suma cuadrados

JK

Factor

G. libertad

Varianzas

i2

s2

s2

Factor

IK

Interaccin

(I

)ij2

1)(J

1)

s2

i, j
2
eijk

Residual

IJ (K

1)

sR2

IJK

sy2

i , j ,k

(yijk

Total

y... )2

i , j ,k

Los tests resultantes y estadsticos sern los siguientes:

1)
2)
3)

H0 :
H0 :
H0 : (

0, i;
0, j ;

)ij

estadstico
estadstico

0, i, j ;

F(I

1),IJ (K 1)

F(J

estadstico

s2
sR2

1),IJ (K 1)

F(I

s2
sR2

1)(J 1),IJ (K 1)

s2
sR2

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

109

IV ANLISIS DE RESULTADOS

IV.7.5 Modelos factoriales con ms de dos factores


El modelo con tres factores sera de la forma:

yijk

)ij

)ik

)jk

)ijk

uijk

En este modelo adems de las interacciones de segundo orden para cada par de variables,
existe una interaccin de tercer orden. En general, los efectos principales son mayores que los
de segundo orden, y stos mayores que los de tercer orden.
De nuevo, como ocurra en el caso de dos factores, hay ms parmetros que observaciones,
luego no ser posible estimar todos ellos, siendo la varianza del ruido el que se deja sin estimar.
Sin embargo, por esa misma razn los contrastes de la tabla ANOVA slo pueden realizarse si
se supone que la interaccin de tercer orden es nula, o si se dispone de replicaciones.
El mtodo de estimacin y los contrastes son una extensin de los del caso de dos factores.
Estas ideas se extienden inmediatamente para modelos con cualquier nmero de factores,
aunque para ms de tres las interacciones superiores a tercer orden suelen suponerse nulas. La
limitacin principal de estos diseos es el nmero de observaciones que requieren, de modo que
para ms de cuatro factores no suelen usarse estos diseos completos y se acude al concepto de
fraccin: suponiendo que las interacciones son nulas a partir de un orden se selecciona una parte
del diseo completo que permita estimar los efectos principales y las interacciones de orden
bajo. La siguiente seccin muestra uno de estos diseos fraccionales.

IV.7.6 Cuadrados latinos


Este modelo se puede aplicar en las siguientes condiciones:
a)
b)
c)
La

existen tres factores (alguno puede ser una variable bloque);


el nmero de niveles para cada factor es el mismo;
no se espera interaccin entre los factores.
ventaja de este modelo es que el nmero de observaciones se reduce mucho, de modo

que si N

es el nmero de niveles de cada factor, el diseo completo requiere N 3

observaciones mientras que el cuadrado latino slo N 2 , es decir, se trata de un diseo


fraccional.
La idea bsica del cuadrado latino es aprovechar la simetra del diseo factorial
seleccionando un conjunto de combinaciones de los niveles de los factores con la condicin de
que cada nivel de un factor aparezca una vez con cada uno de los niveles de los otros factores.

FACULTAD DE MATEMTICAS

110

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Para llevar a cabo la experimentacin con un diseo de cuadrado latino en primer lugar se
selecciona un cuadrado latino que corresponda al nmero de niveles con los que se est
trabajando, y luego se aleatoriza el orden de las filas y columnas. Los posibles cuadrados latinos
son los siguientes:

A B C

A B C

B C

C
N

A B C

A B C

D C

A B

A D C

D C

D E

A B

A B
B

A D C

A B C

D E

A B C

D E

A B

D E

A B C

A B

A B C

B C

D E

D E

A B C

A B C
N

A D C

D E

D E

D E

A B C
C

B C

D C

B C

A B

A B

A B C

D E

B C

D E

A B C

D E

A B C

D E

A B

A B C

D E

A B C

A B C

D E

B C

A B

D E

A B C

D E

A F

E C

A D E

D C

A F

B C

D C

A B

Para ver los cuadrados latinos de mayor dimensin consultar Pea (1998).

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

111

IV ANLISIS DE RESULTADOS

Se asigna un factor a las filas, otro a las columnas y otro a las letras. El diseo es simtrico
para ambas as que se pueden asignar como se desee, y en general, se hablar del efecto fila,
efecto columna y efecto letra. A continuacin se aleatoriza el orden de las columnas y el de las
filas, resultando as las combinaciones de niveles de los tres factores que han de ser
experimentadas.
Por ejemplo, si para comparar el efecto que tiene sobre el consumo en automviles cuatro
tratamientos de la gasolina, se seleccionan 4 automviles y 4 conductores, se puede aplicar un

4 para eliminar en las comparaciones del efecto vehculo y


diseo de cuadrado latino con N
conductor. Se asigna, por ejemplo, que las columnas sean los conductores (cada columna es un
conductor), las filas el vehculo (cada fila un vehculo) y las letras el tratamiento.
Entonces se selecciona un cuadrado latino de orden 4, por ejemplo,

A B C

T1 T 2 T 3 T 4

A D C

T 2 T1 T 4 T 3

A B

T 3 T 4 T1 T 2

T 4 T 3 T 2 T1

D C

Ahora, se aleatoriza a quin corresponde cada fila y cada columna. As, si el orden
resultante para las filas es (2,1,3,4) y para las columnas (3,4,2,1) el diseo resultante sera:
C3

C4

C2

C1

V2

T1

T2

T3

T4

V1

T2

T1

T4

T3

V3

T3

T4

T1

T2

V4

T4

T3

T2

T1

Reordenando las filas y columnas, que es como se suele presentar el diseo,


C1

C2

C3

C4

V1

T3

T4

T2

T1

V2

T4

T3

T1

T2

V3

T2

T1

T3

T4

V4

T1

T2

T4

T3

Cada celda representa un experimento que hacer con el conductor de la columna


correspondiente, el vehculo de la fila correspondiente y el tratamiento de gasolina que se

FACULTAD DE MATEMTICAS

112

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

indique en la celda. Obsrvese que cada nivel de un factor aparece combinado con todos los
niveles de los dems factores. Por otra parte, un diseo completo exigira 4 3
experimentos mientras que este diseo requiere 42

64

16 pruebas.

El modelo que se supone es el siguiente

yij (k )
donde

es el efecto fila,

uij (k ),

el efecto columna,
2

perturbaciones uij (k ) son normales (0,

i, j, k

1,..., N

el efecto letra en las distintas casillas y las

) independientes. La notacin ij(k ) indica que el

subndice k depende de la casilla ij segn el diseo, es decir, dados i y j , mirando en el


N

cuadro, se tiene el valor de k . Se supone adems que

0.

La estimacin de los parmetros sera la siguiente:

yij .

i, j

y...

N2
yij .

yi ..

y...;

yi ..

y. j .

y...;

y. j .

y..k

y...;

y..k

i, j

yij (k )

Los residuos se obtienen como eij (k )


de la varianza residual ser 2

SR2

N
yij .
N
yij (k )
N

k , y la estimacin centrada

eij2 (k )
i, j

(N

1)(N

2)

Por ltimo, el cuadro del anlisis de la varianza sera


Fuente
Efecto fila

Suma cuadrados

G. libertad

Varianzas

i2

s2

s2

Efecto columna

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

113

IV ANLISIS DE RESULTADOS

k2

Efecto letra

s2

(N

eij2 (k )

Residual

1)(N

2)

sR2

i, j

y... )2

(yijk

Total

N2

sy2

i, j

Los tests resultantes y estadsticos sern los siguientes:

1)

efecto fila H 0 :

2)

efecto columna H 0 :

3)

0, i;

efecto letra H 0 :

estadstico
0, j;

0, k ;

F(N

1),(N 1)(N 2)

estadstico

estadstico

F(N
F(N

s2
sR2
s2
sR2

1),(N 1)(N 2)

s2
1),(N 1)(N 2)

sR2

Para cuatro variables existe una extensin de este diseo que son los cuadrados grecolatinos, que no se va a ver en esta introduccin pero que puede ser consultado en cualquier libro
de diseo de experimentos o estadstica como Pea (1998).

IV.7.7 Modelos con efectos aleatorios: Diseos jerrquicos


El objetivo de los diseos anteriores es determinar el efecto que producen en la variable
respuesta ciertos niveles prefijados de un factor, y es lo que se llama diseo de efectos fijos. Sin
embargo, existen otros diseos donde estos niveles no se eligen, sino que al muestrear estn
presentes en la poblacin, denominndose entonces diseos de efectos aleatorios. Los diseos
de efectos fijos se utilizan cuando se desea medir cmo vara el nivel de la variable respuesta
con los niveles de los factores, mientras que los de efectos aleatorios se utilizan para ver el
efecto sobre la variabilidad de la respuesta. Por ejemplo, para saber si un el uso de determinados
tipos de carburante es efectivo se realiza un diseo de efectos fijos, mientras que si se desea
saber la variabilidad que el uso de distintos carburantes utilizados habitualmente introduce en el
proceso, se utilizar un modelo de efectos aleatorios.
En los diseos con efectos aleatorios no se fijan los niveles del factor, de modo que el factor
se considera una variable aleatoria cuyo efecto en la respuesta se puede apreciar en la
variabilidad, y el objetivo del diseo es precisamente estimar la varianza del factor, es decir, no
se estima

sino

, y el contraste principal no es

0 sino

0.

La formulacin matemtica del modelo es idntica, pero en el diseo de efectos fijos los
efectos representan la respuesta media y son parmetros fijos a estimar, mientras que en el de

FACULTAD DE MATEMTICAS

114

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

efectos aleatorios son variables aleatorias normales de media 0 y varianza

, siendo esta

varianza el parmetro a estimar.


La descomposicin de la variabilidad y la tabla ANOVA se realiza igual en ambos modelos,
y si no existe interaccin los contrastes de que un factor no influye son idnticos. Sin embargo
cuando existe interaccin entre dos efectos, los contrastes cambian de modo que si en el de
efectos fijos para ver el efecto de un factor se contrasta el valor de s2 / sR2 , en el de efectos
2
2
aleatorios se contrasta s / s .

Por otra parte, en el modelo de efectos aleatorios la estimacin de los valores

,... no

tiene sentido, por lo que no se plantea el problema de las comparaciones mltiples, ya que el
objetivo es contrastar que los efectos existen, y en caso afirmativo, estimar las varianzas.
Un caso especial de este tipo de diseos es cuando los factores que intervienen estn
anidados o jerarquizados. Por ejemplo, si se desea estudiar la influencia en la opinin de los
trabajadores del sector industrial en que trabajan y de la empresa en qu estn, no es posible
cruzar todos los niveles de los factores. En primer lugar habr que seleccionar sectores, despus,
para cada sector seleccionar empresas de ste, y dentro de cada empresa seleccionar
trabajadores. As el factor empresa puede medirse slo a un nivel fijo del factor sector. Este tipo
de diseos se denominan de clasificacin jerrquica o diseos anidados, y en ellos al no existir
cruces entre factores no puede existir interaccin entre ellos.
El caso de diseos jerrquicos ms importante es el modelo con dos factores aleatorios o
modelo de componentes de la varianza. Supngase que se quiere estimar la variabilidad en el
rendimiento siendo un factor las mquinas y otro los operarios. Para ello se selecciona un
conjunto de mquinas al azar (efecto aleatorio) y se toman varias muestras de la produccin con
distintos trabajadores en cada mquina. La diferencia fundamental con otros diseos es que no
estn todas las mquinas y que los trabajadores son distintos en cada mquina, no se cruzan.
El modelo que se establece es yijk

j (i )

uijk , donde yijk es la respuesta,

es el efecto aleatorio de la mquina que es un valor de una N (0,


trabajador j con la mquina i cuya distribucin es N (0,

),

j (i )

es el efecto del

) y uijk es el error experimental al

actuar un trabajador en una mquina concreta y se considera N (0, ) . Tomando varianzas se


tiene

2
y

Cuando se toma la misma cantidad de trabajadores por cada mquina los datos pueden
disponerse en una tabla de doble entrada como en un diseo factorial con dos factores (mquina
y operario) con replicacin. Sin embargo, la interpretacin es muy distinta ya que los operarios

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

115

IV ANLISIS DE RESULTADOS

en el diseo clsico eran los mismos para todas las mquinas, mientras que aqu son diferentes
para cada mquina (el hecho de que sea por ejemplo la primera columna supone que es el
primero en orden para cada mquina no el mismo operario).
La estimacin en este caso, dado que estn anidados los factores se ha de hacer de forma
secuencial. Supongamos que se tienen I valores del factor principal, J del factor anidado (la
misma cantidad en todos los valores del principal) y K replicaciones de cada uno.
Se estima en primer lugar la varianza residual como:

(yijk
2

yij . )2

i , j ,k

sR2

IJ (K

1)

A continuacin se estima la varianza debida al factor anidado

2
2

2
R

s
K

K
donde s22

yi .. )2

(yij .
i, j

I (J

1)

Por ltimo, la variabilidad debida al factor principal se estima como

s12

K 2
KJ

JK
donde s12

y... )2

(yi ..
i

La diagnosis del modelo se efecta con los contrastes habituales.

IV.7.8 Diseos factoriales a dos niveles ( 2k )


En la experimentacin industrial es frecuente que se desee conocer el efecto sobre una
variable respuesta de un gran nmero de factores, aunque en ocasiones no todos sean realmente
relevantes. Los diseos factoriales a dos niveles que se van a ver, permiten experimentar con un
gran nmero de factores y adems son fciles de fraccionar en bloques homogneos
favoreciendo la experimentacin secuencial.
En primer lugar se va a ver como son estos diseos factoriales completos y despus cmo
fraccionarlos y aprovecharlo para hacer una experimentacin secuencial.
Un diseo factorial a dos niveles de orden k , representado por 2k supone que hay k
factores con dos niveles cada uno. Veremos primero el caso ms sencillo: 22 .
El diseo 22

FACULTAD DE MATEMTICAS

116

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Se supone que hay dos factores, A y B, con dos niveles. Se usar la notacin de signos + y
para representar los dos niveles de cada factor (si son cuantitativos se usa el valor + para el
mayor). Las observaciones correspondientes se disponen en general en una tabla, notndose por
(o) a las observaciones con ambos factores en el nivel , por (a) cuando el factor A est en su
nivel + y el B en , por (b) si es al revs, y por (ab) cuando ambos estn en el nivel +. As la
tabla sera de la forma
A

y 11 (o)

y 21 (a)

y 12 (b)

y 22 (ab)

El modelo factorial sera de la forma

yij

)ij

uij ;

i, j

1,2

Este modelo con las restricciones habituales de que sena efectos incrementales sobre el
valor medio (las sumas de los parmetros nulas) y aadiendo las variables

1 si factor k en nivel +

Xk

1 si factor k en nivel

yij

X1

, quedara

X2

)22 X1X2

uij ;

i, j

1,2

En este diseo hay un parmetro por cada factor y uno por interaccin. Tal y como est
expresado los coeficientes representan el incremento esperado en la respuesta cuando los
factores se fijan al nivel +. Sin embargo, por conveniencia, se hablar de efecto de un factor
como el efecto esperado en la respuesta cuando pasa de a +. Estos efectos los vamos a denotar
por la misma letra pero sin subndice ya que no es necesario, verificndose las siguientes
relaciones:
2

1
2

1
2

)22

1
(
2

La estimacin de estos nuevos parmetros sera de la forma

1
(o a b
4
1
)
(o ab
2

ab)
a

1
(a
2

ab

b)

1
(b
2

ab

a)

b)

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

117

IV ANLISIS DE RESULTADOS

Una forma de recordar estas estimaciones es conocida como el algoritmo de los signos. Este
algoritmo se aplica creando una tabla denominada estndar a partir de la tabla de observaciones.
En ella se aade una columna AB que es el producto de las columnas A y B, y la estimacin de
cada parmetro se hace multiplicando la correspondiente columna de signos por las
observaciones y dividiendo luego entre 2. Este algoritmo es aplicable tambin cuando hay ms
de dos factores. La tabla estndar entonces sera:
A

AB

y 11 (o)

y 21 (a)

y 12 (b)

y 22 (ab)

En este anlisis se estiman cuatro parmetros con cuatro observaciones, de modo que no es
posible estimar el error experimental. Por lo tanto, para hacer intervalos de confianza o
contrastes de hiptesis para los parmetros ser necesario una estimacin externa de

replicar el experimento. Si se replica el experimento, se aplica el procedimiento visto de


estimacin a las medias y los residuos se calculan como eijk

yijk

yij . . A partir de ellos se

estima la varianza residual con la suma de los cuadrados de los residuos dividida por 4(R

1)

donde R es el nmero de replicaciones.


Hay que tener una precaucin con este modelo, y es que cuando las interacciones son altas,
los efectos principales no describen de forma adecuada los resultados. Como regla general,
cuando la interaccin sea un tercio del promedio de los efectos principales la descripcin
mediante efectos principales e interacciones es inadecuada.
Una de las ventajas de este diseo frente a uno factorial clsico es que obtiene estimaciones
ms precisas, de menor varianza, o si se quiere, que para lograr la misma precisin es necesario
un nmero menor de experimentos. En general, para k factores el diseo clsico requiere

(k

1)/2 veces el nmero de observaciones de un diseo factorial.


El modelo 23

Ahora se tienen 3 factores con 2 niveles cada uno. El modelo es semejante al anterior pero
ahora existirn 3 efectos principales, 3 interacciones de segundo orden y 1 interaccin de tercer
orden. El procedimiento es semejante al anterior siendo la tabla estndar de la forma

FACULTAD DE MATEMTICAS

118

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

AB

AC

BC

ABC

(o)

(a)

(b)

(ab)

(c)

(ac)

(bc)

(abc)

Para hacer la estimacin del efecto de un factor o interaccin se multiplica la columna de


signos correspondiente por la columna de las observaciones, dividiendo despus por

n /2

2k

22 . Slo el estimador de la media va dividido por n

2k .

Una vez hechas las estimaciones para interpretarlas con intervalos de confianza o hacer
contrastes es necesaria una estimacin de la varianza residual. Hay bsicamente tres formas de
estimarla:
a) mediante una estimacin externa
b) replicando el diseo: los efectos se estiman con las medias de los valores
correspondientes y la varianza residual ser la suma de los cuadrados de los residuos
dividida entre 8(R

1) , siendo R el nmero de replicaciones; el contraste se basar

en el estadstico

sR / 2R

que sera una T de Student con 8(R

1) grados de

libertad
c) considerando que las interacciones son nulas (se utiliza mucho en diseos con ms
factores considerando nulas las interacciones de tercer orden y superiores): si es as sus
estimaciones deben ser valores aleatorios de una normal de media cero y varianza
2

/ 2 , y si no lo es y alguna interaccin es no nula, la media cambiar pero no la

varianza.

M ( )
MEDA

MEDA

Sea

la

mediana

de

las

estimaciones

de

las

interacciones

mediana( 5, 6, 7 , 8 ) . Un estimador robusto para la variabilidad es la


o

mediana

mediana i
i 5,...,8

de

las

desviaciones

absolutas

la

mediana:

M ( ) . Un estimador robusto para la desviacin tpica en

poblaciones normales ser s

MEDA
. Para realizar los contrastes de hiptesis se
0.675

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

119

IV ANLISIS DE RESULTADOS

considerar que el efecto principal de un factor existe si j


del error experimental ser

2s , y una estimacin

s 2 .

En cuanto a decidir si una interaccin puede considerarse nula es habitual decidirlo de


forma grfica o geomtrica. As si se desea ver si hay interaccin entre el factor A y el C se hace
la siguiente representacin:
y
C(+)

C(-)

(-)

Factor A

(+)

El valor y representado es el valor esperado con los factores representados en la grfica al


nivel que se indica en cada punto. Por ejemplo para (-) en A y en C el valor esperado sera

y(x1

1, x 3

1)

)
2

. En cuanto a la interpretacin del grfico:

a) El hecho de que una recta sea superior a la otra indica que el factor C influye mucho
b) El hecho de que los puntos de la derecha sean siempre superiores a los de la izquierda
indica que el factor A tambin influye
c) El hecho de que no sean paralelas las rectas indica que hay interaccin entre ambas
variables. Es decir, slo se puede considerar que no hay interaccin si ambas rectas
fueran paralelas.
El modelo 2k
El modelo, estimaciones, etc. son prcticamente iguales que el modelo anterior. Slo hay
algunas matizaciones que hacer. La primera es que en estos modelos las interacciones altas se
suelen considerar nulas, en concreto las superiores a 3, lo que adems supone que se dispone de
observaciones para estimar el error experimental. Se suele utilizar el mismo estimador a partir
de la MEDA para el error experimental salvo que en este caso ser

s 2k

. Respecto a

los contrastes sobre los parmetros, en la prctica se suponen significativos aquellos para los
que j

2s y si k es grande se hace con un 3.

Una cuestin que resulta de inters es decidir si es mejor hacer un diseo 2k

replicado o

introducir un factor ms y hacer uno 2 con el riesgo de aadir un factor inerte, es decir, que no
ejerce influencia alguna. La respuesta es sencilla, es mejor hacer uno 2k , ya que si el nuevo

FACULTAD DE MATEMTICAS

120

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

facto es inerte ambos procedimientos son idnticos y tendremos el diseo replicado, y si es


activo, bien por s solo o por interaccin el diseo amplido permitir medir su efecto.
Fracciones de diseos factoriales a dos niveles
El problema de los diseos anteriores es que requiere un nmero elevado de pruebas,
especialmente si se utilizan muchos factores. La idea de los diseos fraccionales es realizar slo
una fraccin del diseo completo que permita estimar los parmetros de orden bajo. En estos
diseos se suponen nulas las interacciones de orden alto. Estos diseos se utilizan sobre todo en
los principios de una investigacin para identificar los factores que tienen mayor efecto en la
respuesta.
Supongamos que en un diseo 23 seleccionamos como fraccin aquellos experimentos en
que ABC siempre tiene signo +. La tabla sera:

AB

AC

BC

ABC

(a)

(b)

(c)

(abc)

Esta tabla requiere la mitad de observaciones. La estimacin de los parmetros se realizara


como en el diseo completo, pero hay que tener en cuenta que ahora no se estima slo el efecto
de ese factor sino que incluir tambin interacciones que no pueden separarse, es decir, ambos
efectos estn confundidos. Por ejemplo, al hacer la estimacin del parmetro del factor A no es
posible impedir que se incluya tambin el efecto de la interaccin BC ya que tiene los mismos
signos que A. Denotando por sA a la estimacin hecha de la forma habitual pero dividiendo el
resultado del algoritmo de los signos por 2 no por 4 (se cambia la notacin porque no ser la
estimacin directa del parmetro), los efectos confundidos para este diseo sern

sA

BC

sB

AC

sC

AB

ABC

De haber la fraccin de todos (-) en ABC los efectos confundidos seran

sA

BC

sB

AC

sC

AB

ABC

Por lo tanto, al seleccionar una fraccin slo se podrn estimar los efectos principales si se
consideran nulas las interacciones y los estimadores sern estos valores.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

121

IV ANLISIS DE RESULTADOS

Para saber qu efectos son los confundidos se utiliza la ecuacin generatriz. As, en el caso
anterior la ecuacin generatriz ser I

ABC ( I es una columna de signos +), y los efectos


A y
confundidos se obtienen multiplicando esta matriz por los factores con las reglas AI
AA I . As se tiene A AI
AABC IBC BC , B BI
BABC AC y
C IC ABCC ABI AB ,
es
decir,
la
confusin
ser

BC

AC

AB

ABC . Para diseos mayores se multiplica

tambin por las interacciones. El procedimiento es anlogo si se seleccionan los negativos pero
se hablar de

I.

Es obvio que no resultar equivalente elegir una ecuacin generatriz u otra ya que producir
distintos efectos confundidos. Para compararlas se utiliza el concepto de resolucin. Se define la
resolucin de una fraccin factorial como
Resolucin = 1 + orden de interaccin ms baja confundida con algn efecto principal
Por ejemplo, la media fraccin de un diseo 25 ( 25 1 ) que se obtiene con la ecuacin
generatriz I

ABCDE tiene resolucin 5 (los efectos principales se confunden con las


ABCD sera de
interacciones de cuarto orden); si fuera la media fraccin obtenida con I
resolucin 4. Obsrvese que la resolucin coincide con el nmero de letras que hay en la
ecuacin generatriz (si es una palabra, si hay ms, lo que no es posible en medias fracciones
pero s en cuartas, etc., ser el nmero de letras que hay en la palabra ms corta).
Obviamente, un diseo ser mejor cuanta mayor resolucin tenga, pues, confundir los
efectos principales con interacciones de mayor orden, y se supone que cuanto mayor sea el
orden menor importancia tiene la interaccin, e incluso se suele despreciar la interaccin a partir
de ciertos rdenes.
Construccin de diseos 2k

Supngase que se desean estudiar 5 factores con 8 experimentos. Esto supone que se desea
un diseo del tipo 25 2 . Hay dos procedimientos para determinar el diseo que se debe hacer:
uno es elegir de un 25 qu dos interacciones poner todas positivas o negativas y otro es hacer un
diseo 23 y estudiar cmo aadir las nuevas 2 variables. De ambos procedimientos es preferible
el segundo. La razn fundamental es que en el primero es difcil determinar la resolucin con la
que se hace la seleccin. Por ejemplo, si se seleccionan I

ABCDE junto con I


ABCD
al multiplicar por E en la segunda para ver los efectos confundidos se tendra
E EI
EABCD ABCDE I , con lo que la resolucin sera 1 y no sera posible
estimar el efecto de este factor.

FACULTAD DE MATEMTICAS

122

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Para obtener el diseo haciendo un 23 completo lo que hay que saber es cmo aadir las
dos variables que faltan. Si se asigna una variable a la interaccin de tercer orden ( D

ABC )
AB ) la ecuacin de definicin de la fraccin
y otra a una de segundo orden (por ejemplo E
ABCD ABE , con lo que la resolucin ser 3. Obsrvese que de esta forma no es
ser I
posible que no se pueda estimar el efecto principal de un factor, y proporciona directamente la
ecuacin generatriz que indica la resolucin del diseo. Se llama ecuacin generatriz completa
a todas las posibles mutliplicaciones de las ecuaciones de seleccin de todas las formas posibles,
de modo que en diseo 26

definido por D

AB

AC

BC , la ecuacin

I
ABD ACE BCF
y
la
completa
I
ABD ACE BCF BDCE ACDF ABEF DEF . El inters en
conocer la ecuacin generatriz completa radica en que para saber la estructura de confusin
basta con multiplicar por la ecuacin completa el efecto que se desea saber con quin est
confundido. Por ejemplo, para saber con qu efectos se confunde A se multiplica por la
ecuacin
completa,
de
modo
que
se
obtiene
A BD CE ABCF ABDCE CDF BEF ADEF .
generatriz

sera

Anlisis de fracciones factoriales


Para analizar qu factores o estimaciones resultan significativas se suele utilizar el mtodo
de la MEDA de modo que llamando s

MEDA/ 0.675 se acepta como significativas

aquellas estimaciones que en valor absoluto sean mayores que 2s , o 3s si hay muchos datos.
Una vez decididas cules se consideran significativas hay que decidir de los efectos
confundidos en ellas cules son los que se consideran significativos. Para ello se suelen seguir
dos reglas: primera, que los efectos principales son mayores en magnitud que las interacciones y
dentro de stas las de rdenes ms bajos mayores que las de rdenes ms altos, y que es raro
encontrar interacciones altas activas que sean combinaciones de efectos inactivos. Supongamos
entonces el diseo 2 3

sA

BC

sB

con I

ABC . Los efectos confundidos en las estimaciones sern

AC

sC

AB

ABC . Supongamos que

slo se considera activa sA , entonces caben tres interpretaciones: a) slo A es activo, b) slo la
interaccin BC es activa, c) ambas son activas. De las tres opciones se opta por la primera
segn las reglas enunciadas anteriormente.
Los diseos factoriales tienen mltiples aplicaciones en la industria. En ella bsicamente
hay dos formas de experimentacin: fuera de la lnea (off-line) y en la lnea (on-line). La que se
hace fuera de la lnea suele llevarse a cabo por personal especializado, un gran nmero de
variables y tiempo limitado, por lo que se suelen utilizar diseos fraccionales. La que se hace en

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

123

IV ANLISIS DE RESULTADOS

la lnea suele hacerse por personal no especializado, ha de ser sencilla pues no puede influir en
el tiempo de proceso, y suele ser sin limitacin de tiempo, por lo que suelen usarse diseos
simples ( 22 o 23 ) replicados varias veces, lo que se conoce como Operacin Evolutiva o EVOP
(por ejemplo para 2 factores se eligen 2 niveles para cada uno y se experimenta con un 22 , si
pasado un tiempo se decide que el primer factor es significativo se sita en el nivel que mejor
vaya y se selecciona otro nivel para l y se vuelve a repetir el experimento, as hasta que se de
cmo no mejorable la configuracin).

IV.7.9 Modelo de regresin


Estos modelos suponen que la variable respuesta es una funcin lineal de los factores de los
que depende el modelo, factores continuos de modo que no pueden ser fijados a todos sus
niveles y en muchos casos aleatorios, y de una perturbacin. El modelo sera de la forma
k

yi

j ij

v.a.i.i.d. N (0,

j 1

El modelo de regresin pretende medir el efecto de las variable ms importantes,


determinando cules son stas, y representa el efecto de las restantes (incluso desconocidas) en
la perturbacin.
Slo se va a hacer una breve exposicin de lo que es el modelo de regresin. Para una
descripcin detallada de las hiptesis del modelo, estimacin de parmetros y diagnosis del
modelo se debe consultar un libro de estadstica, como Pea (1998).
Las preguntas que se pueden hacer en un modelo son qu valores toman los coeficientes
que ah aparecen? es este modelo vlido?
Para responder a estas preguntas se estiman los parmetros y se hace un anlisis de la
varianza, con 2 factores en este caso, con el fin de determinar si los factores influyen en la
respuesta. Despus se analizan los residuos para ver si las hiptesis del modelo (normalidad de
residuos, homcedasticidad, etc.) son vlidas.
Sin embargo, en el modelo general de regresin existen adems otros procedimientos para
estimar los parmetros significativos del modelo, sobre todo para el caso en que las variables
explicativas no sean independientes. En este caso hay que tener en cuenta que el efecto de una
variable puede incluir el de otra con lo que hay que tener en cuenta que no se pueden estimar
por separado y no se pueden duplicar efectos.
Para determinar el modelo hay bsicamente dos procedimientos:

FACULTAD DE MATEMTICAS

124

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

a) estimar los parmetros del modelo conjuntamente y hacer un anlisis de la varianza para
determinar cules pueden considerarse significativos, prescindiendo entonces de los que
no lo sean y estimando de nuevo los parmetros de las otras sin estos factores. Con este
procedimiento la relacin que pueda haber de dos variables conjuntamente aparece
amortiguada en cada uno de los coeficientes de stas.
b) hacer una regresin por pasos, en la que en cada iteracin se va aadiendo una variable
al modelo (con la opcin incluso de quitar alguna variable que se hubiera aadido antes
si con la aadida y el resto pierde su significacin), hasta que se considera que ninguna
de las variables que no han sido incluidas en el modelo todava pueden aportar
informacin relevante (para determinar la relevancia de una variable no incluida se
analiza la relacin entre los residuos del modelo parcial con las variables restantes). Con
este procedimiento, el coeficiente con que son incluidas las nuevas variables al modelo
ser slo para explicar en los residuos lo que no hayan podido explicar las anteriores, de
modo que lo que sera por correlacin con otras variables quedara en el coeficiente de
las que ya estn incluidas en el modelo.
Respecto al tamao de la experimentacin en regresin con mltiples factores, slo
decir que no es recomendable incluir en una regresin un nmero de variables de modo que
el cociente entre el nmero de variables y el nmero de datos sea alto, ya que el coeficiente
de determinacin tiende a tomar un valor alto en esos casos y puede falsear la bondad del
modelo (con pocos datos y muchas variables es fcil ajustar la funcin para que se aproxime
a ellos).

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

125

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

V Construccin de modelos de simulacin


vlidos y crebles
El objetivo principal de la metodologa de modelado es que un modelo debe ser una
representacin adecuada del sistema que se estudia. Sin embargo, una pregunta surge de forma
inmediata, cmo determinar cundo un modelo de simulacin es una representacin
suficientemente exacta del sistema, es decir, cundo el modelo es vlido?
No hay respuesta exacta a esta pregunta, slo se pueden dar algunas pautas que seguir
durante todo el proceso con el fin de hacerlo vlido y creble. Este captulo se dedica
precisamente a definir los conceptos asociados a validacin, verificacin y credibilidad, y dar
algunas normas y consejos tiles a ser seguidos en el desarrollo de un modelo.

V.1 Definiciones
El desarrollo de un modelo de simulacin pasa por distintas fases, pudiendo agruparse todas
ellas en tres:

Fase de anlisis y modelado: en la que se obtiene un modelo conceptual, entendiendo por


tal la representacin matemtica o lgica del problema, formulado para un estudio
particular.

Fase de programacin e implantacin: en la que se obtiene un modelo computacional, que


es la traduccin del modelo conceptual a un programa de ordenador e implantacin en un
ordenador.

Fase de experimentacin: en la que se hacen inferencias sobre el problema mediante


experimentos computacionales.

Cada una de estas fases tiene asociado un concepto que representa el proceso de aceptacin
de la correccin de esa fase tanto por la persona que desarrolla el modelo como por el usuario o
cliente del mismo. Estos conceptos son la verificacin, la validacin y la credibilidad.
La verificacin consiste en determinar que el programa de ordenador se comporta como es
debido, es decir, que se ha realizado una traduccin correcta del modelo conceptual a un
programa de ordenador que funciona correctamente.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

127

V CONSTRUCCIN DE MODELOS DE SIMULACIN VLIDOS Y CREBLES

La validacin consiste en determinar si el modelo conceptual es una representacin


adecuada del sistema, es decir, si nuestro conocimiento del sistema se ha traducido en hiptesis
que reproducen correctamente su comportamiento referente a los objetivos del estudio.
La credibilidad es hacer que los resultados sean aceptados por el decisor para ser utilizados
en el proceso de toma de decisiones, es decir, han de ser crebles.
La siguiente grfica muestra las fases y los conceptos que intervienen en cada una de ellas.

VALIDACIN

VERIFICACIN

VALIDACIN

ESTABLECER
CREDIBILIDAD

ESTABLECER
CREDIBILIDAD
SISTEMA

MODELO
CONCEPTUAL

ANLISIS
Y DATOS

PROGRAMA
SIMULACIN

RESULTADOS
CORRECTOS

DECISIONES:
IMPLANTACIN

PRUEBAS Y
PROGRAMACIN EXPERIMENTOS ACEPTACIN
POR EL
DECISOR

Figura 13. Fases y conceptos de aceptacin asociados en el desarrollo de un modelo de


simulacin
Para poder validar, verificar y establecer la credibilidad hay una serie de pautas que se
deben seguir en cada una de ellas, con el fin de facilitar esta labor.
As pues, para la validacin algunas pautas y consejos son los siguientes:

En primer lugar, determinar si de todos los aspectos del sistema hemos incorporado los que
son de real inters para nuestro estudio, sin dejarnos ninguno que pueda influir en el
comportamiento; hay que tener en cuenta que se desea experimentar con el modelo como
con un sustituto del sistema real.

Los modelos se desarrollan con un objetivo, y es importante, por lo tanto, que haya una
claridad de esos objetivos desde el principio, y que al definirlos se implique al responsable
de la toma de decisiones, de ese modo se lograr tambin la credibilidad deseada.

FACULTAD DE MATEMTICAS

128

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Por otra parte, ha de establecerse un equilibrio entre realismo (con la complejidad que
implica) y objetivos, no incluyendo detalles innecesarios; no se debe perder nunca de vista
que el modelo es siempre una aproximacin.

Por ltimo, es recomendable utilizar en el desarrollo procedimientos jerrquicos,


empezando con modelos sencillos para luego ir complicndolos.

En cuanto a la verificacin, es un proceso ms estndar y conocido que forma parte del


mundo de la programacin, pero algunas de las pautas habituales son las siguientes:

Organizar el programa en submdulos, verificables por separado.

Para asegurarse que est libre de errores de programacin probarlo con casos sencillos, cuyo
resultado sea conocido.

Tener una traza de la ejecucin para ver si sigue la lgica de los procesos; es habitual
comparar en algn ejemplo sencillo la traza de la ejecucin con una traza desarrollada a
mano.

Utilizar la animacin grfica para hacer la verificacin mediante la visualizacin, y para dar
credibilidad al simulador.

V.2 Metodologa de validacin y credibilidad


Aunque en la seccin anterior se han dado algunas pautas generales acerca de la validacin,
pero stas se pueden concretar ms dando un procedimiento de validacin que a su vez logre
establecer la credibilidad buscada en el modelo. La metodologa sera la siguiente:

1. Desarrollar desde el principio un modelo vlido, es decir, con el objetivo de ser bueno, que
sea creble, es decir, razonable. Para ello se debe

involucrar a los usuarios

verificar la recogida de datos

si es posible, intentar basar aspectos del modelo en teoras bien establecidas


2. Verificar empricamente las hiptesis en que se basa el modelo.

Verificar adecuadamente la bondad de ajuste de las distribuciones seleccionadas.

Realizar un anlisis de sensibilidad, que permita identificar cun sensible son los
resultados de la simulacin a algn aspecto del modelo, teniendo pues especial cuidado
con los ms relevantes; este anlisis conlleva realizar un adecuado diseo de

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

129

V CONSTRUCCIN DE MODELOS DE SIMULACIN VLIDOS Y CREBLES

experimentos. Por ejemplo, cuando hay dudas acerca de la distribucin seleccionada, se


deben realizar experimentos variando la distribucin y comparar los resultados para
determinar si el modelo realmente es sensible a una u otra distribucin de la variable.
En el caso en que s lo sea, se deber extremar el cuidado en la seleccin de la
distribucin, obteniendo si es posible nuevas observaciones que ayuden a tomar la
decisin final.
3. Determinar cun representativos son los resultados de la simulacin: esto implica hacer una
comparacin entre resultados reales y resultados de simulacin, segn se explica a
continuacin.

V.2.1 Comparacin entre datos reales y simulados


La comparacin entre los valores reales y los valores obtenidos mediante simulacin no es
una tarea trivial, sino que debe hacerse con sumo cuidado para no llegar a conclusiones
errneas.
Existen fundamentalmente tres aproximaciones para hacer esta comparacin:
1. Comparacin por inspeccin:
Sea R1,..., Rk

el conjunto de datos reales, y

,...,

el conjunto de datos simulados.

Una primera idea sera aplicar los tests de homogeneidad estadsticos, que intentar
establecer si dos muestras pueden provenir de la misma poblacin. Sin embargo, esta
aproximacin no suele ser buena ya que no suele haber independencia entre los datos, que es
una de las hiptesis de estos tests, la independencia entre ambas muestras.
Otra posibilidad fcil de llevar a cabo es hacer comparaciones directas de medias, varianzas,
etc. Sin embargo, es muy peligroso usar este sistema ya que es muy vulnerable a la
aleatoriedad.
2. Inspeccin correlacionada:
Consiste en establecer las comparaciones alimentando el modelo con los datos histricos. El
esquema sera el siguiente

Datos histricos de
entrada al sistema

SISTEMA
REAL
MODELO DE
SIMULACIN

Resultados sistema
COMPARAR

Resultados modelo

Figura 15. Inspeccin correlacionada de datos reales y datos simulados

FACULTAD DE MATEMTICAS

130

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

3. Anlisis de intervalos de confianza basados en datos independientes:


Sean R1,..., Rm } m conjuntos independientes del sistema, y M 1,..., M n } n conjuntos
independientes del modelo. Considrese la esperanza de cada uno de los m
R

E [Rj ] y

n conjuntos,

E [M j ] .

El objetivo de este anlisis es obtener un intervalo de confianza para la diferencia de ambas


medias,

El intervalo de confianza a nivel 1

ser

t f,

/2

SR2
m

SM2
n

donde el nmero de grados de libertad de la t de Student viene dado por la expresin

f (x )

x
8
1
2
5
4
0

[0,2]

(2, 8

x
x (8,10
8
resto

4. Anlisis de series cronolgicas:


Este anlisis se basa en un anlisis espectral que excede los objetivos de este captulo

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

131

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

VI Aplicaciones de la simulacin en finanzas

10

VI.1 Nociones bsicas sobre derivados financieros


En las actividades financieras hay mltiples mecanismos de inversin, la mayora de ellos
denominados derivados financieros puesto que su valor depende o se deriva del valor de otro
activo financiero ms bsico denominado activo subyacente. El subyacente utilizado puede ser
muy diferente: acciones, ndices burstiles, valores de renta fija, tipos de inters o tambin
materias primas (oro, petrleo, productos agrcolas).
Las caractersticas generales de los derivados financieros son:
Su valor cambia en respuesta a los cambios de precio del activo subyacente.
Requiere una inversin inicial neta muy pequea o nula, respecto a otro tipo de contratos
que tienen una respuesta similar ante cambios en las condiciones del mercado.
Se liquidar en una fecha futura.
Pueden cotizarse en mercados organizados (como las bolsas) o no organizados ("OTC")

Los principales derivados son las siguientes:


Contrato de futuros (forward): contrato o acuerdo que obliga a las partes contratantes a
comprar o vender un nmero determinado de bienes o valores (activo subyacente) en una
fecha futura y determinada y con un precio establecido de antemano.
Opciones: contrato que da a su comprador el derecho, pero no la obligacin, a comprar o
vender una cantidad determinada del activo subyacente a un precio predeterminado
(strike o precio de ejercicio), en o hasta una fecha concreta (vencimiento o fecha de
ejercicio).
Intercambios (swaps): contrato por el cual dos partes se comprometen a intercambiar una
serie de cantidades de dinero en fechas futuras. Normalmente los intercambios de dinero
futuros estn referenciados a tipos de inters, llamndose IRS (Interest Rate Swap)

10

Basado en Camao (2006)

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

133

VI APLICACIONES DE LA SIMULACIN EN FINANZAS

aunque de forma mas genrica se puede considerar un swap cualquier intercambio futuro
de bienes o servicios (entre ellos el dinero) referenciado a cualquier variable observable.

VI.1.1 Contratos de futuros


Un contrato de futuros es un contrato o acuerdo que obliga a las partes contratantes a
comprar o vender un nmero determinado de bienes o valores (activo subyacente) en una fecha
futura y determinada y con un precio establecido de antemano.
Existen dos motivos por los cuales alguien puede estar interesado en contratar un futuro:
Operaciones de cobertura: La persona tiene o va a tener el bien subyacente en el futuro
(petrleo, gas, naranjas, trigo, etc.) y lo vender en un futuro. Con la operacin quiere
asegurar un precio fijo hoy para la operacin de maana.
Operaciones especulativas: La persona que contrata el futuro slo busca especular con la
evolucin de su precio desde la fecha de la contratacin hasta el vencimiento.
Dentro del argot financiero, es importante entender lo que se llaman posiciones largas y
cortas.
Estar largo. Quien compra contratos de futuros, adopta una posicin larga, por lo que
tiene el derecho a recibir en la fecha de vencimiento del contrato el activo subyacente
objeto de la negociacin. Bsicamente significa comprar hoy para vender maana o
invertir hoy para maana recuperar el nominal ms las plusvalas.
Estar corto. Quien vende contratos adopta una posicin corta ante el mercado, por lo
que al llegar la fecha de vencimiento del contrato deber entregar el correspondiente
activo subyacente, recibiendo a cambio la cantidad de dinero acordada en la fecha de
negociacin del contrato de futuros. Bsicamente significa financiarse hoy con la venta
del activo que an no tenemos, tomando la obligacin de devolver el activo maana.
Con independencia de que un contrato de futuros se puede comprar con la intencin de
mantener el compromiso hasta la fecha de su vencimiento, tambin puede ser utilizado como
instrumento de cobertura en operaciones de tipo especulativo, ya que no es necesario mantener
la posicin abierta hasta la fecha de vencimiento; en cualquier momento se puede cerrar la
posicin con una operacin de signo contrario a la inicialmente efectuada: cuando se tiene una
posicin compradora, puede cerrarse la misma sin esperar a la fecha de vencimiento
simplemente vendiendo el nmero de contratos compradores que se posean; de forma inversa,
alguien con una posicin vendedora puede cerrarla anticipadamente acudiendo al mercado y
comprando el nmero de contratos de futuros precisos para compensar su posicin.

FACULTAD DE MATEMTICAS

134

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

VI.1.2 Opciones
Una opcin es un contrato que da a su comprador el derecho, pero no la obligacin, a
comprar o vender una cantidad determinada del activo subyacente a un precio predeterminado
(strike o precio de ejercicio), en o hasta una fecha concreta (vencimiento).
Una opcin se compra (o vende) a un precio o prima, que es el valor inicial de la opcin. El
precio del subyacente es observable en el tiempo y va variando siguiendo un proceso
estocstico. Segn vara el precio del subyacente va variando el valor de la opcin.
Las opciones se pueden clasificar de varias formas. De forma muy genrica se pueden
dividir en dos grupos: las "vainilla" que consisten en los contratos bsicos de opciones "call" o
"put" y las "exticas" que incorporan variantes que hacen ms complejo su tratamiento y su
valoracin.

VI.1.2.1 Opciones vainilla (vanilla options)


Se trata de las opciones "bsicas" que, dependiendo del tipo de derecho que nos den, son
opciones call (de compra) y opciones put (de venta). En funcin de su forma de ser ejercidas
podemos diferenciar:
Opcin europea: tan slo se pueden ser ejercidas en una fecha determinada (fecha de
ejercicio).
Opcin americana: pueden ser ejercidas a lo largo de su vida hasta la fecha de ejercicio.

OPCIN CALL
Una opcin call da a su comprador el derecho -pero no la obligacin- a comprar un activo
subyacente a un precio predeterminado en una fecha concreta. El vendedor de la opcin call
tiene la obligacin de vender el activo en el caso de que el comprador ejerza el derecho a
comprar.
Se llama pay-off a la ganancia al vencimiento de la opcin (sin incluir el coste de la prima).
Por ejemplo, si K es el precio de ejercicio y S el valor del activo subyacente en el momento
del ejercicio, el pay-off de una opcin call ser max( S K , 0) ( S K )
La compra de una opcin call es interesante cuando se tienen expectativas alcistas sobre la
evolucin futura del mercado de valores.
Posibles situaciones favorables para la compra de opciones call:

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

135

VI APLICACIONES DE LA SIMULACIN EN FINANZAS

Cuando se prev que una accin va a tener una tendencia alcista, ya que es ms barato y
rentable que la compra de acciones.

Cuando una accin ha tenido una tendencia alcista fuerte, el inversor no ha comprado y
puede pensar que est cara, pero que puede seguir subiendo, la compra de una call
permite aprovechar las subidas si la accin sigue subiendo y limitar las prdidas si la
accin cae.

Cuando se quiere comprar acciones en un futuro prximo porque se cree que van a subir
pero hoy NO se dispone de los fondos necesarios, la opcin call permite aprovechar las
subidas sin tener que comprar las acciones.

La compra de una opcin call implica:


a) Se puede comprar la accin a un precio fijo. Este precio (precio de ejercicio) lo fija el
comprador.
b) Todo lo que la accin suba en la Bolsa por encima de dicho precio de ejercicio menos el
precio pagado por la prima son ganancias.
c) Si el precio de la accin cae por debajo del precio de ejercicio, las prdidas son limitadas
y conocidas: son exactamente igual al precio pagado por la opcin, es decir, la prima, ya que no
se ejercera la opcin.
d) El coste de la opcin es mucho menor que el de la compra de la accin.
e) El apalancamiento (relacin coste de la inversin/rendimiento) es muy alto. Con
pequeas inversiones pueden obtenerse altas rentabilidades.

En la venta de una opcin call, el vendedor recibe la prima (el precio de la opcin). A
cambio, est obligado a vender la accin al precio fijado (precio de ejercicio), en el caso de que
el comprador de la opcin call ejerza su opcin de compra.
Posibles situaciones favorables para la venta de opciones call:
-

-Para asegurar ingresos adicionales una vez decidida la venta de las acciones.

-Es el caso de que no importe vender las acciones a un precio considerado


suficientemente alto y recibir, adems, un ingreso extra previo. Este es el caso en que se
vende una call fijando un precio de ejercicio en el nivel que se desee por encima del
precio actual de la accin en Bolsa. Si la accin llega a alcanzar ese precio, habr que
vender la accin, pero a un precio alto y, adems, se habr ingresado el valor de la
opcin.

FACULTAD DE MATEMTICAS

136

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

La venta de una opcin call supone:


-

Genera un flujo monetario inmediato derivado del ingreso procedente de la venta de la


opcin.

Retrasa el momento en que se entra en prdidas por bajadas en el precio de la accin.

Proporciona una atractiva rentabilidad si la accin se mantiene estable.

OPCIN PUT
Una opcin put da a su comprador el derecho -pero no la obligacin- a vender un activo a
un precio predeterminado hasta una fecha concreta. El vendedor de la opcin put tiene la
obligacin de comprar el activo en el caso de que el comprador de la opcin decida ejercer el
derecho a vender el activo.
El pay-off o ganancia al vencimiento de la opcin (sin incluir el coste de la prima), si K es
el precio de ejercicio y S el valor del activo subyacente en el momento del ejercicio, ser

max( K S , 0) ( S K )

La compra de opciones put se utiliza como cobertura, cuando se preven cadas de precios
en acciones que se poseen, ya que mediante la compra de Put se fija el precio a partir del cual se
gana dinero. Si la accin cae por debajo de ese precio, el inversor gana dinero. Las prdidas
quedan limitadas a la prima. Las ganancias aumentan a medida que el precio de la accin baje
en el mercado.
Por tanto, es interesante comprar una opcin put:
-

Cuando se tiene acciones y se cree que hay grandes probabilidades de que su precio
caiga a corto plazo, pero se piensa que el valor tiene una tendencia alcista a largo plazo,
por lo que no se quiere vender dichas acciones. Con la opcin put se obtienen beneficios
si caen los precios y no se tiene que vender las acciones. De este modo se aprovechara
la futura subida de los precios de la accin. Es una forma de proteger beneficios no
realizados cuando se tienen acciones compradas. A esta operacin se le conoce como
"Put protectora", porque protege la inversin de cadas.

Cuando se est convencido de que la accin va a caer y se quiere aprovechar esa cada
para obtener beneficios. Si no se tienen acciones compradas previamente tambin
interesa comprar una opcin put, pues con ello se obtienen beneficios con las cadas de
la accin.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

137

VI APLICACIONES DE LA SIMULACIN EN FINANZAS

El vendedor de una opcin put est vendiendo un derecho por el que cobra la prima. Puesto
que vende el derecho, contrae la obligacin de comprar la accin en el caso de que el comprador
de la put ejerza su derecho a vender.
Posibles situaciones favorables para la venta de opciones put:
-

Para comprar acciones con descuento. Cuando interese comprar acciones a un precio
fijo por debajo del nivel actual de precios y adems con un descuento. El descuento es
la prima ingresada por la venta de la opcin.

Cuando se piensa que el precio de la accin va a entrar en un perodo de estabilidad, se


est convencido de que no va a caer y que es posible que tenga ligeras subidas. En esta
situacin se puede fijar un precio a partir del cual se est dispuesto a comprar;
entretanto, se ingresa la prima. El precio lmite de compra es el precio de ejercicio al
que se vender la opcin put.

VI.1.2.2 Opciones exticas (exotic options)


Son opciones que son ms complejas que las opciones comnmente negociadas (plain
vanilla). Estos productos son negociados normalmente over-the-counter (OTC). Incorporan
distintas variantes ("exoticidades") que pueden llegar a complicar el clculo de la valoracin de
la opcin en gran medida.

Exoticidad en el clculo del pago (pay off):


- Opcin asitica (Asian option): depende de la media del valor del subyacente en un
periodo determinado.
- Lookback option: se calcula en funcin del mximo (o mnimo) alcanzado por el
subyacente en un periodo. Variantes: opcin rusa (Russian option) es una opcin
lookback que est operativa en perpetuidad.
- Opcin binaria o digital (digital / binary option): el pago puede ser una cantidad
determinada (o un activo) o, por el contrario, no haber pago en absoluto.
- Opcin oscilante (swing option): el comprador puede oscilar el precio del
subyacente. Principalmente empleada en energa.
- Opcin parisina (Parisian option): depende del tiempo que el activo est por encima
(o por debajo) del strike.

FACULTAD DE MATEMTICAS

138

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Exoticidad en la fecha/forma de ejercicio:


- Opcin bermuda (Bermudan option): permite ser ejercida en varios momentos del
tiempo (espaciados de forma discreta); por ejemplo, trimestralmente. Variantes: opcin
canaria (Canary option) es una opcin a caballo entre una opcin europea clsica y
una bermuda; permite ser ejercida en varios momentos pero nunca antes de un periodo
fijo, por ejemplo, de un ao.
- Opcin con barrera (barrier option): la opcin deja de existir knock out- (o comienza a
existir knock in-) cuando el subyacente alcanza (o se cruza) un determinado valor
(barrier level). Se pueden dar distintas combinaciones de condiciones:
Up-and-out: el subyacente comienza a fluctuar bajo el barrier level y si lo alcanza,
la opcin deja de existir (knock out).
Down-and-out: el subyacente comienza a fluctuar sobre el barrier level y si lo
cruza, la opcin deja de existir (knock out).
Up-and-in: el subyacente comienza a fluctuar bajo el barrier level y si lo alcanza, la
opcin se activa (knock in).
Down-and-in: el subyacente comienza a fluctuar sobre el barrier level y si lo cruza,
la opcin se activa (knock in).
- Opcin de estilo cap (capped-style option): la opcin se ejecuta automticamente
cuando el subyacente alcanza un determinado precio y se marca un nuevo mark to
market. No tiene nada que ver, a pesar de su nombre, con un interest rate cap.
- Opcin compuesta (compound option): consiste en una opcin sobre otra opcin,
suponiendo, de este modo, dos fechas de ejercicio y modalidades distintas.
- Opcin grito (shout option): Consite en dos fechas de ejercicio distintas. El comprador
puede sealar o gritar- una fecha en la que el precio del subyacente le parezca
interesante. En el momento final de madurez de la opcin, el comprador puede decidir si
le conviene el pago (pay off) a precio de la fecha final o a precio de la fecha del grito.

Exoticidad en funcin del subyacente:


- Opcin cesta (basket option): se basa en una media ponderada de distintos
subyacentes. Variantes: opcin arco iris (rainbow option) se basa en una cesta en la
que la ponderacin de los componentes dependen de su comportamiento final. Por

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

139

VI APLICACIONES DE LA SIMULACIN EN FINANZAS

ejemplo, un caso especial de este tipo de opcin que es bastante comn es una opcin
basada en el subyacente que peor comportamiento haya tenido dentro de una cesta. Otras
variantes: Himalayan option, mountain range option
- Opcin de intercambio (exchange option): se intercambia un activo por otro.

Exoticidad en funcin de la divisa:


- Opcin cruzada (cross / composite option): el subyacente se negocia en una divisa y el
strike est denominado en otra. Variante: opcin quanto (quanto option) es una opcin
en el que el tipo de cambio queda fijado desde el comienzo; por ejemplo, 1.

Otras exoticidades:
- Game / Israeli option: el comprador puede cancelar la opcin, afectando esto al pay off o
teniendo que pagar algn tipo de "multa".
- Reoption: es la posibilidad de renovar una opcin que expir sin haber sido ejercida.
- Chooser option: da la opcin de decidir si la opcin ser put o call.
- Forward starting option: el strike se decide en el futuro, no en el comienzo del contrato.
Variantes: cliquet option es una secuencia de forward starting options.

VI.2 Valoracin de opciones y futuros


VI.2.1 Conceptos bsicos en valoracin de derivados
Una opcin se compra (o vende) a un precio o prima, que es el valor inicial de la opcin. El
precio del subyacente es observable en el tiempo y va variando siguiendo un proceso
estocstico. Segn vara el precio del subyacente va variando el valor de la opcin.
El cobro a que da lugar una opcin en el momento del ejercicio por parte del comprador se
denomina pay-off. Obviamente, el da del vencimiento de la opcin el pay-off es igual al
valor de la opcin. En una opcin europea se ejercer el derecho de la opcin si el pay-off o
valor en la fecha de vencimiento es positivo.
En una opcin americana o bermudas el ejercicio de la opcin puede llevarse a cabo antes
de la fecha de vencimiento. En tal caso, en cada momento que se puede ejercitar hay un pay-off
que viene determinado por el valor del subyacente. Aunque puede darse el caso de que incluso
con un pay-off positivo no se ejerza la opcin con el fin de ejercerla ms adelante. La curva de

FACULTAD DE MATEMTICAS

140

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

precios del subyacente a lo largo del tiempo determina los valores para los que es ptimo ejercer
la accin es lo que se llama frontera de ejercicio ptimo. Este precio marca la frontera entre la
conveniencia o no del ejercicio en ese momento. En la valoracin de opciones americanas y
bermudas no se busca slo su valor sino tambin la frontera de ejercicio ptimo. Los problemas
para este tipo de opciones se conocen como problemas de frontera libre y son mucho ms
complejos que para las opciones europeas.
Como tratamos con cantidades en distinto momento del tiempo, hay que tener en cuenta que
stas han de ser actualizadas con la tasa de inters libre de riesgo, que llamaremos r . En
general, este inters r vendr dado como inters anual. Es decir, una cantidad K al
vencimiento de una opcin, en t aos antes de esa fecha tiene un valor de

K
.
(1 r )t

Sin embargo, en muchas ocasiones se necesita el inters en un tiempo continuo, es decir,


con una expresin vlida para cualquier incremento de tiempo t no necesariamente en aos.
Para ello se utiliza lo que se llama el inters en continuo, cuya relacin con el inters anual es

e rct (1 r )t , o lo que es lo mismo haciendo t 1 , rc ln(1 r ) . En general, en todo lo que se


refiere a diferenciales y variaciones instantneas utilizaremos la notacin r pero refirindonos
al inters en continuo.
Igualmente, para el caso en que se quiera obtener el inters o rendimiento en un intervalo

t , por ejemplo, para un mes sera t 1/12 entendiendo el ao como unidad de tiempo, el
rendimiento en ese periodo visto como inters tiene que cumplir 1 rt erc t (1 r )t .
Gran parte de la teora financiera actual descansa en la Hiptesis del Mercado Eficiente
(Efficient Market hypothesis EMH) que viene a decir:
En un mercado con inversores que actan racionalmente, los precios de las acciones
reflejan en todo momento la informacin disponible y se dice que el mercado es eficiente. En un
mercado eficiente ningn tipo de anlisis puede conducir a estrategias que batan
consistentemente a un ndice apropiado (benchmark)
Los participantes compran bajo la creencia de que lo que adquieren vale ms de lo que estn
pagando por ello y venden convencidos de que reciben ms de lo vale, pero si los mercados son
eficientes y los precios reflejan toda la informacin disponible, compradores y vendedores
intentando beneficiarse convierten al mercado en un juego de suerte y no de habilidad.
Si un mercado es eficiente, la trayectoria seguida a lo largo del tiempo por los precios de los
valores debe seguir un proceso estocstico en el que la memoria del pasado no exista. Este tipo
de procesos se conocen como procesos markovianos.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

141

VI APLICACIONES DE LA SIMULACIN EN FINANZAS

De la EMH no se deduce que las variaciones absolutas de los precios o los rendimientos
relativos en un perodo tengan que seguir una distribucin normal, sin embargo, el modelo ms
extendido sobre los precios burstiles, aunque muy discutido, es que los precios burstiles
siguen un tipo de proceso de difusin conocido como movimiento geomtrico browniano
(GBM) cuya ecuacin diferencial estocstica viene dada por:

dS Sdt SdW o en trminos de variacin relativa

dS
dt dW siendo la
S

tendencia o drift, la volatilidad y W un proceso de Wiener (proceso markoviano cuyos


incrementos tienen distribucin normal de media 0 y varianza el tamao del incremento de
tiempo). Esta expresin viene a decir que la variacin relativa del activo sigue una distribucin

N ( dt , dt ) , y las variaciones absolutas de ste N (S dt , S dt )


Sin embargo, estas variacione son en periodos estancos, si se desea saber el rendimiento
acumulado R(t ) en un intervalo [0, t ] , se tiene

S (t )
S (t ) S (0)e R (t ) o equivalentemente R(t ) ln
ln S (t ) ln( S (0)) .
S (0)
Aplicando resultados de clculo estocstico que exceden el contenido de este captulo (en
concreto el Lema de Ito del Clculo Estocstico aplicable slo si se trabaja con un proceso de
Wiener), se llega a la ecuacin diferencial estocstica que expresa las variaciones del

1
2

rendimiento compuesto dR 2 dt dW .
Integrando el rendimiento acumulado se tiene
t
t
1
1

R(t ) 2 dt dW 2 t (W (t ) W (0)) ,
0
0
2
2

por lo que retomando el valor del activo se tiene


1 2

t (W ( t ) W (0))
2

S (t ) S (0)e

FACULTAD DE MATEMTICAS

142

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Dadas las propiedades de los incrementos en un proceso de Wiener, el valor del activo sigue
una distribucin log-normal11. Por otra parte, dado que W (0) 0 c.s., la expresin se reduce a
1 2

t W ( t )
2

S (t ) S (0)e

Otra hiptesis asumida en la valoracin de opciones es la ausencia de arbitraje. Un arbitraje


es una estrategia de operaciones financieras, sin riesgo de crdito ni riesgo de mercado, con una
probabilidad nula de dar una rentabilidad inferior a la tasa libre de riesgo y una probabilidad
positiva de dar una rentabilidad superior a la tasa libre de riesgo correspondiente. Un mercado
donde hay posibilidad de arbitraje se dice que no est en equilibrio, ya que si se da esa
posibilidad, los arbitrajistas intervendran modificando precios hasta restablecer el equilibrio.
Por lo tanto, para la valoracin de opciones se va a suponer la ausencia de arbitraje.
A la hora de valorar un contrato se busca una funcin de valor V (S , t, T , K , , , r ) , pero
dado que todos son parmetros del contrato excepto el precio del subyacente y el tiempo, se
considera una funcin V (S , t ) como la funcin de valor de una opcin. El siguiente grfico
(Camao (2006)) muestra una funcin de valor de una opcin call a dos aos con strike 14.
Como puede observarse, al vencimiento el valor de la opcin es el pay-off.

Para opciones europeas sobre subyacentes que no dan dividendos existe solucin analtica,
conocida como ecuacin de Black&Scholes para la funcin de valor. Esta expresin es:

11

Obsrvese que la esperanza de una lognormal es la esponencial de la media de la normal asociada

ms la mitad de la varianza de esa normal, por lo que se tiene el siguiente resultado, por otra parte,
evidente

1 1
E[ S (t )] S (0) exp 2 t 2
2 2

t S (0)e
2

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

143

VI APLICACIONES DE LA SIMULACIN EN FINANZAS

e rt
V (S , t )
e
2 t 0

S 1 2
ln r t
X 2

2 2t

1
Payoff ( X )dX
X

As, en una opcin call europea Payoff ( X ) max( X K ,0) ( X K ) I ( K ,) ( X ) , y


sustituyendo y operando en la expresin anterior se llega a Vcall (S , t ) S (d1 ) Ke rt (d 2 ) ,

1
S
ln r 2 t
K
2
siendo la funcin de distribucin de una N(0,1), d1
t

1
S
ln r 2 t
K
2
d2
d1 t
t
Para una opcin put se puede repetir el proceso o utilizar la relacin de paridad existente
entre ambos tipos de opciones.
En la valoracin de opciones europeas, se da la denominada relacin de paridad. Si se
tienen dos opciones con el mismo strike K , mismo vencimiento, pero una es call comprado y
otra put vendido ambas sobre el mismo subyacente, obsrvese que si S es el precio del
suyacente, el pay-off de la cartera es C P max(S K ,0) max( K S ,0) S K . As en
cualquier momento anterior, y en particular al inicio, se tiene que cumplir la relacin de paridad

CPS

K
S e rct K . Esta relacin no tiene por qu darse en opciones americanas
t
(1 r )

o bermudas.
rt
Por lo tanto, aplicando que Vcall ( S , t ) V put ( S , t ) S Ke , y operando se llega a

V put ( S , t ) S (d1 ) Ke rt (d 2 )
Sin embargo, el objetivo en este captulo no es derivar o utilizar esta expresin analtica,
sino estimar el valor de una opcin mediante la simulacin del activo subyacente y la
estimacin del pay-off obtenido.
Para ello todava tenemos que dar algn concepto ms del mercado como es el teorema
fundamental de las finanzas y la medida de probabilidad de riesgo neutro. La idea bsica es que
el valor de una opcin puede computarse como el valor presente a la tasa libre de riesgo del
valor esperado del pay-off computado con un drift igual a la tasa libre de riesgo. Es decir,

Vopcin e rt Eriesgo neutro ( Payoff ( S ))

FACULTAD DE MATEMTICAS

144

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

No se trata de que las acciones sigan trayectorias GBM con drift igual a la tasa libre de
riesgo, no es as. Lo que sucede es que la valoracin puede realizarse suponiendo riesgo neutro
y el resultado de la valoracin es correcto.
Calcular el valor esperado del pay-off con estas trayectorias es calcular el valor esperado
de un funcional de las trayectorias (pay-off) utilizando una medida de probabilidad nueva que
denominamos medida de probabilidad de riesgo neutro. Una medida de probabilidad Q se dice
que es de riesgo neutro si el precio libre de arbitraje de un derivado es el valor presente del valor
esperado bajo Q del pay-off futuro del derivado.
En esta medida de probabilidad todas las acciones siguen GBM con drift igual a la tasa
libre de riesgo (los valores presentes a la tasa de inters libre de riesgo del valor de una accin
siguen en esta medida de probabilidad de riesgo neutro un proceso con drift nulo, es decir,
una martingala).
Todos los activos bajo Q tienen la misma tasa esperada de retorno igual a la tasa libre de
riesgo con independencia del nivel de riesgo asociado al mismo. Por este motivo se denomina a
la medida Q medida de probabilidad de riesgo neutro.
El teorema fundamental de la valoracin de activos se enuncia: Dado un mercado
financiero se tiene que:
1. No existen arbitrajes si y solo si existe una medida de probabilidad de riesgo neutro
equivalente a la medida de probabilidad real, es decir tal que los sucesos de probabilidad nula de
una y otra medida son los mismos.
2. La medida de probabilidad de riesgo neutro es nica si y solo si existen carteras de
rplica de todos los productos derivados que permiten su cobertura, es decir si y solo si el
mercado es completo.
De estos resultados se deduce que una valoracin se puede obtener como

Vopcin e rt Eriesgo neutro ( Payoff ( S )) donde S se rige por las ecuaciones diferenciales

dS rSdt SdW o en trminos relativos

dS
rdt dW . Y asumiendo que W fuera un
S

1 2
r t (W ( t ) W (0))
2

proceso de Wiener S (t ) S (0)e

Por ltimo, dentro de estas nociones bsicas, si el activo produce unos dividendos (o un
inters si fuera una divisa) del tipo d como proporcin del valor del activo, la posesin de ste
puede verse como un inters adicional o lo que es lo mismo se puede ver como tener un drift
de r d . Si se tratara de una mercanca que por el contrario tuviera un coste c su posesin
(coste de mantenimiento, etc.) el drift que habra de considerarse sera r c . Estas

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

145

VI APLICACIONES DE LA SIMULACIN EN FINANZAS

consideraciones son vlidas para la estimacin del payoff, obviamente no para la actualizacin
del precio, es decir, han de utilizarse para las trayectorias, no para la actualizacin del valor de
la opcin.
El modelo de Black-Scholes supone la resolucin de la esperanza planteada anteriormente
bajo las hiptesis de que el mercado es eficiente y que el subyacente evoluciona segn el
proceso de Wiener, para una opcin europea vainilla el valor de la opcin se puede obtener

como

Vcall (S , t ) Se dt (d1 ) Ke rt (d2 ) , siendo

1
S
ln r d 2 t
K
2
d1
t

d 2 d1 t , donde hace referencia a la funcin de distribucin de una normal estndar.

VI.2.2 Estimacin del valor de opciones sin posibilidad de


ejercicio anticipado mediante simulacin
Se asume que el mercado financiero considerado admite una medida de probabilidad de
riesgo neutro equivalente a la medida de probabilidad real, es decir, que ambas tienen el mismo
conjunto de sucesos de probabilidad nula. En estas circunstancias, el teorema fundamental de la
valoracin de activos garantiza que el valor, en ausencia de arbitrajes, de cualquier contrato
contingente viene dado por el valor presente a las tasa de inters libres de riesgo del valor
esperado del pay-off en la medida de probabilidad de riesgo neutro. Es decir, que

Vopcin e rt Eriesgo neutro ( Payoff ( S )) siendo la ecuacin diferencial estocstica de la variacin


de S de la forma

dS
rdt dW .
S

No se trata de que el subyacente siga en la realidad este proceso sino de que se puede seguir
el siguiente algoritmo para estimar mediante simulacin el valor de una opcin:
1. Simular la variable aleatoria pay-off a partir de sucesivas simulaciones del valor del
subyacente al vencimiento (asumiendo un drift igual a la tasa libre de riesgo) o de la trayectoria
discretizada del mismo segn sea requerido para el clculo del pay-off.
2. Estimar el valor esperado del pay-off mediante la media de la muestral de pay-off
correspondientes a las simulaciones.
3. Computar el valor presente a la tasa libre de riesgo de dicho valor esperado. Obsrvese que
esta actualizacin se puede hacer como V opcin e

rc t

Payoff ( S ) o como

V opcin (1 r )t Payoff ( S )

FACULTAD DE MATEMTICAS

146

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Este clculo arroja una estimacin del valor del contrato tanto mejor cuanto mejor sea la
estimacin del valor esperado del pay-off. No importa lo complicado que sea el funcional que
se utilice para el clculo del pay-off, puede ser el simple de una opcin call europea o el
promedio aritmtico de los valores de la trayectoria que es el pay off de una opcin asitica,
la valoracin es siempre el valor presente a la tasa libre de riesgo del valor esperado con
probabilidad riesgo neutro de dicho funcional.
En casos de contratos de tipo europeo en los que el pay-off dependa slo del valor final
no es necesario simular toda la trayectoria seguida por el subyacente durante la vida del
contrato, sera suficiente simular el valor del subyacente en el dia del vencimiento, si se conoce
su distribucin. Por ejemplo, si se trata de un subyacente que sigue un GBM en la medida de
probabilidad de riesgo neutro gobernado por la ecuacin diferencial estocstica

dS
rc dt dW donde r es la tasa de inters libre de riesgo en continuo se sabe que su
S
solucin viene dada por: S (t ) S (0)e

1 2

rc t (W ( t ) W (0))
2

S (t ) es una variable aleatoria que puede simularse directamente puesto que W (t ) es una
variable aleatoria normal cuya varianza es t , y por lo tanto, no es necesario simular toda la
trayectoria para simular el valor final del subyacente.
En otros casos de contratos tambin de tipo europeo, es decir, sin la posibilidad de ejercicio
anticipado, el pay-off puede depender de la trayectoria seguida por el subyacente durante la
vida del contrato, en este caso no basta con simular el valor final hay que simular la trayectoria.
Tambin puede ocurrir que la ecuacin diferencial estocstica que gobierna el proceso
seguido por el subyacente en la medida de probabilidad de riesgo neutro no sea tan sencilla
como un GBM cuya solucin es conocida y no se disponga de la forma explcita de la
distribucin de S (t ) . De hecho, lo normal en una difusin de Ito es que se desconozca la
solucin explcita. Por ejemplo, en el caso que el subyacente siga el proceso

dS
rdt (S )dW de volatilidad no constante.
S
En estos casos se tiene que simular toda la trayectoria para calcular el payoff.
La simulacin de la trayectoria debe hacerse discretizando la ecuacin diferencial
estocstica que gobierna la dinmica del proceso seguido por el subyacente.
Obviamente, esta discretizacin de la trayectoria introduce un error propio que es
independiente del error de estimacin de Montecarlo. Incluso, aunque se pudiera simular la
trayectoria continua se incurrira en los errores propios de cualquier estimacin, pero en el caso

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

147

VI APLICACIONES DE LA SIMULACIN EN FINANZAS

de discretizacin de la ecuacin diferencial estocstica se tiene adems el error de


discretizacin.
La simulacin de trayectorias es muy simple como un modelo continuo con incremento fijo
de tiempo. Es decir, se divide el intervalo [0, t ] en el que se desea la simulacin en n
subintervalos

de

consecutivos

t ti ti 1 i 1,..., n ,

de

duracin

siendo

el

t ,

0 t0 t1 ... tn t

mecanismo

de

con

transicin

S S Srt (S )dW Serc t (S )dW S (1 r )t (S )dW .


Si el proceso considerado es un proceso de Wiener, ser ms preciso si se utiliza la frmula
1

2
rc ( S ) t ( S )(W ( t ) W (0))
2

de actualizacin final e un intervalo, es decir, S Se

, donde

W (t ) N (0, t ) .
Una vez calculados los valores de la trayectoria en los nodos para los valores intermedios se
interpola linealmente. As se construyen las trayectorias del subyacente en el interior del
intervalo [0,t].
Para cada trayectoria simulada se calcula el pay-off del contrato al que dara lugar. Se
necesitan muchas trayectorias para poder evaluar con garantas el valor esperado del pay-off y
su valor presente a la tasa libre de riesgo que ser el valor de la opcin.
Por otra parte, para hacer un intervalo de confianza o dar la precisin de la estimacin, hay
que tener en cuenta que Vcall (S ) e rct Er [ payoff (S )] Er [e rct payoff ( S )] . Cuando se hace
la estimacin mediante simulacin se tiene:
n

i 1

i 1

V call e rct payoffi / n e rct payoffi / n e rct payoff


y se puede hablar entonces de la precisin de esta estimacin como de la varianza de la media
r t
2 r t
muestral. Puesto que V [e c payoff ( S )] e c V [ payoff ( S )] , se puede decir que la varianza

de la estimacin del valor es SV2


como tn 1, / 2 e

rc t

2
S payoff

call

2
e2rct S payoff
/ n , y as obtener la precisin de la estimacin

En ocasiones puede requerir mucho esfuerzo computacional, y ser muy lento, por lo que las
tcnicas de reduccin de la varianza para aumentar la precisin o reducir el tamao de la
simulacin pueden ser muy convenientes.

FACULTAD DE MATEMTICAS

148

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

La simulacin es uno de los mejores procedimientos para valorar una opcin que no
implique ninguna decisin durante el periodo de ejercicio, como son las opciones europeas. Sin
embargo, no es apropiada para valoracin de opciones americanas o bermudas en las que el
ejercicio se puede hacer en diferentes momentos del tiempo. Una referencia para ver cmo
aplicar la simulacin a este tipo de opciones es Longstaff-Schwartz(2001), sin embargo, no es lo
ms apropiado.
Por lo tanto, a continuacin se presenta un captulo en que se muestran mtodos ya no de
simulacin Monte Carlo para valoracin de opciones americanas.

VI.2.3 Estimacin del valor de opciones con posibilidad de


ejercicio anticipado mediante mtodos numricos
Como ya se ha dicho, la simulacin no da respuesta a qu decisiones tomar sino que evala
decisiones previamente planteadas. Por lo tanto, se presenta como una herramienta muy
poderosa para valorar opciones en que no hay que tomar decisiones durante el periodo de
ejecucin. Sin embargo, no es una herramienta apropiada para valorar opciones que en su
diseo implica tomar tambin alguna decisin en funcin del valor del subyacente durante el
periodo de ejercicio, como son las opciones americanas o bermudas. En estas opciones no slo
se busca dar el valor, sino, dar adems una frontera de valores crticos que determinan cundo
se debe ejercer la opcin, siendo incluso este punto ms relevante que la valoracin de la propia
opcin.
Obviamente, el ejercicio ptimo vara con el subyacente y con el tiempo hasta el
vencimiento, S *(t ) , marcando la frontera entre la conveniencia o no del ejercicio en ese
momento. Haciendo variar t se obtiene la frontera de ejercicio ptimo, a veces tambin llamada
conjunto de valores crticos.
El siguiente grfico (de Camao (2006)) muestra la frontera de ejercicio ptimo de una
opcin put americana con strike 13. Obviamente, al final del ejercicio ( t 0 ), el valor crtico es
el propio strike, si el valor del subyacente es inferior al strike se ejerce la opcin vendiendo a 13
(por encima de lo que vale el suyacente). Tres aos antes, por ejemplo, el valor crtico es 7, con
lo que interesa ejercer la opcin anticipadamente si el valor del subyacente es inferior.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

149

VI APLICACIONES DE LA SIMULACIN EN FINANZAS

Un grfico muy interesante para poder ver las diferencias entre el valor de opciones
europeas y americanas es el grfico de valor o del pay-off. Este grfico representa lo que sera el
pay-off en ese momento si se pudiera ejercer y el valor de la opcin en funcin del valor del
subyacente. Los dos grficos mostrados a continuacin (obtenidos de Camao (2006))
representan los diagramas pay-off de una opcin europea call y una put, respectivamente, ambas
con strike 14 y a cierto plazo del vencimiento. La lnea azul es el supuesto pay-off y la lnea roja
el valor de la opcin, ambas en funcin del valor del subyacente. Obsrvese que la lnea roja
sera una seccin (la que determine el tiempo hasta el vencimiento) de la superficie de valor

V (S , t ) que se vio en la seccin VI.2.1, y la lnea azul la correspondiente a la fecha de


vencimiento de esa misma superficie.

Obsrvese, que en la opcin put el valor de la opcin puede estar por debajo del pay-off que
se recibira en ese momento. Esto no puede ocurrir en una opcin americana pues dara una

FACULTAD DE MATEMTICAS

150

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

opcin de arbitraje, bastara con comprar la opcin (pagando su valor) y ejercerla de inmediato,
obteniendo un pay-off mayor sin riesgo alguno.
Los diagramas de valor de opciones americanas son los siguientes, tambin con strike 14 y
al mismo plazo del vencimiento.

Como puede verse en la opcin put, el grfico de valor descansa sobre el pay-off, como si
fuera un obstculo, tomando un contacto suave con l. El punto de contacto es justo el valor
crtico para ese plazo. En ese momento, para valores del subyacente por debajo del valor crtico
se debe ejercer la opcin (venta del subyacente), mientras que para valores superiores se debe
mantener hasta un tiempo posterior.
Resulta obvio, en general, la siguiente relacin

Veuropea (S , t ) Vbermudas (S , t ) Vamericana (S , t )


Sin embargo, se puede observar que el grfico de la opcin call es el mismo para una opcin
europea y americana. Sin entrar en detalles, una opcin call americana nunca es ptimo ejercerla
antes del vencimiento, ya que se compra el subyacente y se sigue sujeto a sus fluctuaciones
(pudiendo perder ms que con la opcin y aadiendo los gastos financieros para poseer el
activo). Por lo tanto, el valor de una opcin call americana que no paga dividendos es el mismo
que el de una europea. Aunque si el activo paga dividendos ya s puede interesar ejercer
anticipadamente. En efecto, ejercer la opcin significa pagar el strike y cargar con el coste de
financiacin de anticipar el pago del strike, pero la posesin anticipada de la opcin da derecho
a percibir el dividendo desde ese momento. Mientras la rentabilidad por dividendo sobre el
precio de la accin sea inferior, en trminos absolutos, al coste de financiacin del strike, no
ser ptimo ejercer antes del vencimiento. Este criterio no determina el valor crtico, pero marca
una condicin clara, es decir, S * (t ) K

ert 1
.
e Dt 1

Sin embargo, en la prctica las rentabilidades por dividendos de las acciones suelen ser
inferiores a las tasas de inters libres de riesgo D < r y esto hace que los valores crticos se

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

151

VI APLICACIONES DE LA SIMULACIN EN FINANZAS

siten alejados del strike, y, salvo que las opciones estn muy in the money, o con
rentabilidades por dividendo iguales o superiores a las tasas de inters o dividendos
extraordinarios, o con plazo remanente largo, se estar lejos del valor crtico y es raro que
interese ejercer anticipadamente una opcin call americana.
El caso de las opciones put americanas es completamente distinto al de las call americanas,
tanto si pagan dividendos como si no pagan dividendos existe una frontera de valores crticos
que marca el momento ptimo de ejercicio y el problema de valoracin es ms complejo, no
siendo vlida la ecuacin de Black&Scholes.
En 1993 Petter Bjerksund & Gunnar Stensland publicaron un artculo en el Journal of
Business Finance and Accounting bajo el ttulo American Exchange Options and a put call
transformation en el que aparece una equivalencia o relacin de paridad entre los valores de
una opcin call americana y una opcin put americana con parmetros cambiados. Esa
relacin es:

Vcall americana (S , t , K , , r, d ) Vput americana ( K , t, S , , d , d r)


que no es una relacin entre una call y su put, ya que los parmetros estn cambiados, pero sirve
para poder hacer una valoracin en un momento dado. Es vlida para americanas y europeas,
siempre que sean vanilla, es decir, sin ninguna otra sofisticacin.
Los mtodos numricos habituales para hacer una valoracin de una opcin put
americana o bermudas son bsicamente el mtodo binomial y los mtodos basados en
diferencias finitas.

VI.2.3.1 Mtodo binomial


El mtodo binomial, se basa fundamentalmente en construir unas trayectorias en tiempo
discreto cuya convergencia dbil est asegurada que es el movimiento browniano, y estimar el
pay-off sobre estas trayectorias (en cierto modo, se podra entender como una simulacin). Por
lo tanto, slo es vlido asumiendo que el subyacente sigue un movimiento browniano.
El principio de invarianza de Donsker juega un papel con los procesos estocsticos similar
al del teorema central del lmite con las variables aleatorias. Bajo ciertas condiciones, un paseo
aleatorio (random walk) discreto con saltos regidos por cualquier distribucin que tenga
varianza finita converge una vez normalizado hacia el proceso de Wiener cuando el intervalo de
tiempo entre los saltos se va aproximando a cero. Los saltos pueden tener cualquier distribucin
pero con la condicin de que tengan media nula y varianza unidad. Esta es una condicin
necesaria para la convergencia hacia el proceso de Wiener, si la media y la varianza no cumplen
este requisito pero son finitas se producir la convergencia igualmente pero no hacia el proceso

FACULTAD DE MATEMTICAS

152

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

de Wiener sino hacia una difusin de Ito cuyos parmetros sean precisamente la media y la
desviacin tpica de la distribucin de los saltos.
La formulacin del principio de invarianza sera:
Sea una sucesin de variables aleatorias

X n nN

todas ellas independientes y con la

misma distribucin que la variable aleatoria X que tiene media 0 y varianza finita positiva
n

E[ X 2 ] 2 0 . A partir de ellas se construyen las sumas parciales M n X k . Estas


k 1

sumas parciales constituyen un paseo aleatorio o random walk en tiempo discreto que puede
transformarse en un proceso continuo mediante la interpolacin lineal siguiente:

Gn (t )

M [ nt ] (nt [nt ])

X [ nt ]1

El principio de invarianza dice que en estas circunstancias, la sucesin de los procesos


continuos Gn (t )n converge dbilmente hacia el proceso de Wiener.
Generalizando el principio de invarianza se puede comprobar que si las variables aleatorias
son independientes e idnticamente distribuidas con media t y varianza 2 t siendo

t T / n , los procesos continuos


Gn (t ) M[ nt ] (nt [nt ]) X [ nt ]1 0 t T
convergen dbilmente en el intervalo [0, T] hacia una difusin de Ito G(t) cuya ecuacin
diferencial estocstica es dG dt dW , que no es un proceso de Wiener, pero sus saltos
en t son normales de media t y varianza 2 t .
Esta convergencia dbil de los paseos aleatorios a difusiones de Ito con parmetros
constantes se da cualquiera que sea la distribucin de las variables aleatorias siempre que sean
independientes e idnticamente distribuidas y tengan media t y varianza 2 t .
Naturalmente, el inters no est en los paseos aleatorios aritmticos sino en los geomtricos,
en los que cada trmino se deriva del anterior multiplicando por una variable aleatoria positiva,
n

de modo que Sk Sk 1e

Rk

Rk

S0e k 1 , pero que tomando logaritmos se transforman en paseos

aleatorios aritmticos: ln( Sk ) ln( Sk 1 ) Rk ln( S0 )

R
k 1

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

153

VI APLICACIONES DE LA SIMULACIN EN FINANZAS

Los paseos aleatorios geomtricos son los que convergen dbilmente al GBM

dS Sdt SdW . Dada esta convergencia dbil, si se dispone de una sucesin de paseos
aleatorios geomtricos que convergen en distribucin al GBM de riesgo neutro, puede
computarse el valor esperado de cualquier variable directamente mediante la medida de
probabilidad de riesgo neutro, o bien aproximando mediante la sucesin de los valores
esperados de dicha variable con la sucesin de medidas de probabilidad asociadas con los
paseos aleatorios de la sucesin.
La idea por lo tanto, es construirlos con unas variables aleatorias lo ms sencillas posible.
En concreto, se considera una variable que puede tomar dos valores posibles u 1 con
probabilidad p y d 1/ u con 1 p , de modo que el subyacente en cada salto pasa a ser

S k S k 1u con probabilidad p y Sk Sk 1d Sk 1 / u con probabilidad 1 p .


Para que se d la convergencia requerida al GBM con riesgo neutro, el rendimiento
esperado debe ser el de la tasa libre de riesgo, es decir, e r t pu (1 p ) / u , y la varianza

2 t , es decir, 2 t pu 2 (1 p) / u 2 pu (1 p) / u . Resolviendo este sistema se


2

tiene:

u e

er t 1/ u
.
u 1/ u

Obsrvese entonces que se obtiene un rbol binomial con los sucesivos saltos. Por otra
parte, a cada nodo del rbol se llega tras una serie de subidas y bajadas, independientemente de
en qu orden se hayan producido. Es decir, en la etapa n a un nodo se llega tras k subidas y

n k bajadas, desde varias trayectorias, cada una con probabilidad p k (1 p ) n k , y que el


n
k

nmero de caminos que llevan a l es de . Por lo tanto, la probabilidad de que sea

n
k

alcanzado ese nodo es la probabilidad de la distribucin binomial p k (1 p)n k , siendo el

1
u

valor del subyacente en ese nodo Su k

nk

Su 2 k n .

Con la probabilidad asociada a cada nodo se tiene definida una medida de probabilidad en el
conjunto de las posibles trayectorias seguidas por el paseo aleatorio geomtrico de riesgo
neutro, y se puede estimar el valor del pay-off en los nodos finales de forma directa, y con ello
actualizarlo con la tasa libre de riesgo y tener la valoracin de una opcin. ste es el conocido
mtodo binomial.

FACULTAD DE MATEMTICAS

154

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Para una opcin call europea sera


n
n
Vcall europea ( S , t ) e rt p k (1 p)n k Max( Su 2 k n K , 0)
k 1 k

siendo t t / n y u e

er t 1/ u
, donde estas aproximaciones convergen al valor
u 1/ u

real de la opcin.
Este mtodo, siendo vlido para opciones europeas no lo es para opciones americanas, pues
no siempre se ejercen al final. Una modificacin inmediata para usarlo es no utilizar el valor
slo de las hojas del rbol binomial, sino, computarlo en cada nodo del rbol para poder tomar
la decisin, por ejemplo, de ejecutar en ese momento si el valor esperado de etapas futuras es
inferior. Este procedimiento exige ir recorriendo el rbol de las hojas a la raz, para poder
estimar el pay-off esperado, y se conoce como algoritmo binomial.
No es apropiado para opciones europeas pues aunque no maneja grandes nmeros
combinatorios, requiere mucha memoria y tiempo de computacin, pero es la alternativa para
opciones americanas y bermudas.
El algoritmo trata de computar el valor esperado del pay-off en la raz S, pero recorriendo
el rbol de las hojas hasta el vrtice. Comenzando desde el nivel n-simo para el cual el payoff se computa de acuerdo con las caractersticas del contrato y recorriendo el rbol, un paso
atrs cada vez, hasta llegar al vrtice. En cada nodo del nivel t k se computa el valor
esperado del pay-off calculando la media de los valores esperados del pay-off en los dos
nodos del nivel k+1 conectados con l y previamente calculados, actualizados con la tasa libre
de riesgo, y se compara con la ejecucin en el momento, eligiendo lo ms ventajoso. El valor
computado para la raz es la estimacin del valor de la opcin.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

155

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

VII Referencias
Barcel, J. (1996) Simulacin de Sistemas Discretos. Isdefe.
Bratley, P., Fox, B.L., Schrage, L.E. (1987) A Guide to Simulation. Springer-Verlag.
Camao, A. (2006) Opciones Financieras
Carter, G. and Ignall, E.J. (1975) Virtual Measures: A Variance Reduction Technique for
Simulation, Management Science, 21, 607-616.
Fushimi, M. (1989) Random Number Generation on Parallel Processors Proceedings of the
1989 Winter Simulation Conference. pp 459-461.
Geweke, J. (1989) Bayesian Inference in Econometrics using Monte Carlo Integration.
Econometrica, 57, 1317-1340.
Hammersley, J.M. and Handscomb, D.C. (1964) Monte Carlo Methods, Methuen
Hull, J.C. (2006) Options, Futures and Other Derivatives. Prentice Hall.
Kelton, W.D., Sadowski, R.P. and Sadowski, D.A. (2002) Simulation with Arena. McGraw-Hill.
Kleijnen, J.and Van Groenendaal, W. (1994) Simulation. A Statistical Perspective. Wiley&Sons
Law, A.M., Kelton, W.D. (2000) Simulation Modeling and Analysis. McGraw-Hill.
LEcuyer, P. (1999) Good Parameters and Implementations for Combined Multiple Recursive
Random Number Generators Operations Research. Vol. 47, No. 1, January-February, pp
159-164.
LEcuyer, P., Simard, R., Chen, E.J., and Kelton, D. (2002) An Object-Oriented RandomNumber Package with Many Long Streams and Substreams Operations Research. Vol.
50, No. 6, November-December, pp 1073-1075.
Longstaff, F.A. and E.S. Schwartz (2001) Valuing American Options by Simulation: A Simple
Least Squares Approach. eScholarship Repository of Anderson Graduate School of
Management, University of California. http://repositories.cdlib.org/anderson/fin/1-01
Montgomery, D.C. (1991) Diseo y anlisis de experimentos. Ed. Iberoamericana.
Pea, D. (1998) Estadstica. Modelos y mtodos,.(vol. 2). Alianza Universidad Textos.
Ros-Insa, D., Ros-Insa, S., Martn, J. (1997) Simulacin. Mtodos y Aplicaciones. Ra-Ma
Rubinstein, R.Y. and Melamed, B. (1998) Modern Simulation and Modeling. John Wiley&Sons
Thomson, S.K. (1992) Sampling. Wiley.
Trotter, H. and Tukey, J. (1956) Conditional Monte Carlo for normal samples, in Symposium on
Monte Carlo Methods, H. A. Meyer (ed.), Wiley, 64-79

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

157

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

VIII Biblioteca de problemas


VIII.1 Problemas de Mtodos de Monte Carlo
PROBLEMA 1
Sea una variable aleatoria X con funcin de densidad y de distribucin:

x
8

1
f ( x) 12
5 x

4 8
0

0
2
x [0,2]
x
16
1 1
x (2,8]
, F ( x) ( x 2)
4 12
x (8,10]
x 2 5 x 21

16 4 4
resto
1

x <0
x [0,2]
x (2,8]
x (8,10]
resto

a) Explicar cmo se generaran valores de la misma. Aplicacin al caso de disponer de los


nmeros aleatorios 0.680, 0.108, 0.324, 0.814, 0.560 y 0.912.
b) Cmo se generaran valores de una variable aleatoria discreta que toma los valores 1, 5 y 9
con probabilidades 0.2, 0.5 y 0.3, respectivamente? Aplicarlo con los datos del apartado
anterior.

PROBLEMA 2
Aplicar el mtodo de la transformada inversa y el de aceptacin y rechazo para generar
variables aleatorias a partir de las siguientes funciones de densidad, y comentar qu mtodo es
el ms conveniente para cada funcin de densidad:

3x 2

f ( x) 2
0

1 x 1
cualquier otro valor

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

159

VIII.2

0
x

a (1 a )
1
f ( x)
1 a
1 x
a (1 a )

x0
0 xa
a x 1 a para valores de 0 a 1/ 2
1 a x 1
x 1

PROBLEMA 3
Un muelle circular ejerce fuerza en funcin del ngulo de separacin . Dicho ngulo
puede estar entre 0 y 90 grados. Su fuerza en Newton se calcula como: K 2 expresando K en
Newton/rad2. El ngulo de separacin es una variable aleatoria que tiene una funcin de
densidad f ( ) cos( ) .
a) Establecer el procedimiento de la transformada inversa para muestrear la fuerza que ejerce
el muelle.
b) Utilizando como nmeros aleatorios uniformes 0.32, 0.17, 0.78, 0.90 y 0.54 calcular el
valor medio de la fuerza del muelle y la varianza de dicho valor medio.

PROBLEMA 4
Un fondo de inversin ofrece un inters anual equivalente al incremento porcentual en el
ao del ndice IBEX-35. Un potencial inversor ha analizado estadsticamente el incremento
porcentual de este ndice y ha establecido la siguiente funcin de densidad:
Funcin de densidad
1/20
1/40

1/40
% IBEX 35

-10

10

20

Calcular la media muestral del incremento porcentual del IBEX-35 aplicando el mtodo de
la transformada inversa con los nmeros pseudoaleatorios facilitados a continuacin, y
comparar el resultado con el valor real esperado segn la distribucin propuesta. Nmeros
pseudoaleatorios: 0.12, 0.28, 0.79, 0.34, 0.52, 0.37, 0.89, 0.24, 0.09, 0.93.

FACULTAD DE MATEMTICAS

160

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

PROBLEMA 5
Un equipo est formado por tres componentes idnticas configuradas en paralelo y
funcionando en redundancia activa, es decir, las tres al mismo tiempo y con la misma carga. El
fallo de una componente es catastrfico para la misma.
Si designamos por T a la variable duracin de una componente, la probabilidad de que una
cualquiera de las componentes falle antes del instante t viene dada por

F t P T t 1 e

t
5

Estimar, mediante simulacin y con ayuda de la secuencia de nmeros aleatorios que se


adjunta (0.51, 0.46, 0.41, 0.53, 0.21, 0.08, 0.74, 0.10, 0.65, 0.77, 0.25, 0.74, 0.89, 0.95, 0.69), la
vida media del equipo.

PROBLEMA 6
Un transformador tiene una capacidad mxima de transformacin C que se distribuye
segn una funcin de densidad uniforme en el intervalo a, b . Su potencia transformada p se
distribuye estadsticamente segn una distribucin triangular cuyo valor mnimo es 0 y cuyo
valor mximo es el valor de C y que a su vez coincide con el valor ms probable de la
distribucin, ver figura adjunta.
f(p)

Potencia
transformada

a) Establecer un procedimiento basado en el mtodo de la transformada inversa para simular la


potencia transformada.
b) Establecer un procedimiento que utilice el mtodo de aceptacin-rechazo simple que
permita simular la potencia transformada.
c) Estimar por uno de los dos procedimientos la media de la potencia transformada con los
valores de a 395 y b 410 a partir de la siguiente secuencia de nmeros
pseudoaleatorios: 0.435, 0.128, 0.301, 0.604, 0.321, 0.165, 0.603, 0.516, 0.321, 0.932,
0.859, 0.932.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

161

VIII.2

PROBLEMA 7
Un producto consta de dos componentes que se producen por separado con maquinaria y
personal independiente, y una vez fabricadas se ensamblan conjuntamente. En la planta de
produccin han estimado la distribucin del tiempo que lleva fabricar cada una de las
componentes, en horas, as como el tiempo de ensamblado.
El tiempo de fabricacin de la primera componente se distribuye segn la funcin de densidad

12 x

f ( x) 32
0

4 x 12
resto

La fabricacin de la segunda componente se distribuye segn la funcin de densidad

1/ 6 6 x 7
1/ 3 7 x 9

g ( x)
1/ 6 9 x 10
0
resto
Por ltimo, el tiempo de ensamblado de las dos piezas sigue una distribucin discreta cuya
funcin de masa de probabilidad es:

P(1) 0.3

P(1.5) 0.5

P(2) 0.2

1) Dar un procedimiento para obtener un valor del tiempo total de produccin del
producto. Expresarlo en pseudocdigo o grficamente.
2) Aplicar el procedimiento, utilizando el mtodo de la transformada inversa para simular
el tiempo de produccin de cada componente, para obtener el valor medio del tiempo de
produccin total. Dar el valor medio y la precisin de la estimacin al 95%.
3) Aplicar el procedimiento, utilizando el mtodo de aceptacin-rechazo para simular el
tiempo de produccin de cada componente, para obtener el valor medio del tiempo de
produccin total. Dar el valor medio y la precisin de la estimacin al 95%.
4) Indicar cmo sera el procedimiento con variables antitticas, y aplicarlo utilizando el
mtodo de la transformada inversa para simular el tiempo de produccin de cada
componente, para obtener el valor medio del tiempo de produccin total. Obtener una
muestra del mismo tamao que en el apartado 2, y dar el valor medio y la precisin de
la estimacin al 95%.
Utilizar los siguientes valores uniformes en (0,1), secuencialmente segn se necesiten: 0.01,
0.23, 0.85, 0.97, 0.34, 0.48, 0.08, 0.17, 0.71, 0.68, 0.42, 0.71, 0.16, 0.24, 0.79, 0.92, 0.84, 0.02

FACULTAD DE MATEMTICAS

162

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

VIII.2 Resultados de los problemas de Mtodos de


Monte Carlo
RESULTADO DEL PROBLEMA 3
Datos:
- q varia entre 0 y 90 grados.
- La frmula de la fuerza es: F Kq 2 [N];
- La funcin de densidad de ngulo q: f(q)=cos(q); q (0,90)
- La funcin de distribucin del ngulo q es: F(q) = sen(q) q (0,90)
Generamos un nmero aleatorio entre 0 y 1 y luego se determina x tal que F(x) = u, luego x
= -arcsen(u)
Con los nmeros aleatorios propuestos: 0.32, 0.17, 0.78, 0.90 y 0.54, y x= q:
18,66 9,79 51,26 64,15 32,68
Las diferentes fuerzas saldrn:
Fuerzas
348,2 K
95,84 K
2627 K
4117 K
1069 K
La fuerza media del muelle viene dada por:
i 5

fuerzas
Media =

i 1

K 1651, 23 [ Newton

i 5

( xi x)2

La varianza del valor medio viene dada por: Valor =

s 2 i 1

K 574413;
5
5 (5 1)

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

163

VIII.2

RESULTADO DEL PROBLEMA 4


Establecemos la funcin de densidad y calculamos la funcin de distribucin:
Funcin de densidad:

1/ 20 0 x 10
1/ 40 10 x 0

i ( x)
1/ 40 10 x 20
0 resto
La funcin de distribucin quedar:

0 x 10
x 10

10 x 0
40
p
1 x
I ( x) i ( x)dx
0 x 10
4
20
0

3 x 10
4 40 10 x 20

1 x 20

Nmeros pseudoaleatorios: 0.12, 0.28, 0.79, 0.34, 0.52, 0.37, 0.89, 0.24, 0.09, 0.93
Clculo de la media muestral del incremento porcentual del IBEX-35 aplicando el mtodo
de la transformada inversa:
Regla:
Si u (0,1/ 4) entonces u = (x+10)/40
Si u (1/ 4,3/ 4) entonces u = +x/20;
Si u (3/ 4,1) entonces u = +(x-10)/40;
Las variables aleatorias resultantes:
U

0.12,
0.28,
0.79,
0.34,

-5,2
0,6
11,6
1,8

FACULTAD DE MATEMTICAS

164

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

0.52,
0.37,
0.89,
0.24,
0.09,
0.93

5,4
2,4
15,6
-0,4
-6,4
17,2
i 10

xi

La media sale: media =

i 1

10

4, 26 %

Comparando este resultado con el valor esperado segn la distribucin:


Gracias al grfico adjunto se ve que sale 5 %.

La diferencia entre ambos es de 0.74 %.

RESULTADO DEL PROBLEMA 5

F t P T t 1 e

t
5

exponencial de media 5.

Estimacin de la vida media del equipo:


Mtodo de la transformada inversa: t = - 5 Ln(F);
Con los 15 nmeros aleatorios sacamos 15 tiempos de duracin t y tomamos estos de 3 en 3. La
vida del equipo ser el mximo tiempo de entre los tres; esto es porque estn en paralelo, y el
equipo no dejar de funcionar hasta que las tres componentes fallen.
Usando los nmeros aleatorios:
0.51, 0.46, 0.41, 0.53, 0.21, 0.08, 0.74, 0.10, 0.65, 0.77, 0.25, 0.74, 0.89, 0.95, 0.69

fallos componentes fallos de equipo


u

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

165

VIII.2

1
0.51

3.36672277

0.46

3.88264395

0.41

4.4579906

0.53

3.17439136

0.21

7.80323874

0.08

12.6286432

0.74

1.50552546

0.1

11.5129255

0.65

2.15391458

0.77

1.30682382

0.25

6.93147181

0.74

1.50552546

0.89

0.58266908

0.95

0.25646647

0.69

1.85531841

4.46

12.62

11.51

6.93

1.86

i 5

Vida media

tiempo
i 1

7, 478

RESULTADO DEL PROBLEMA 6


Segn el enunciado, vemos que la funcin de densidad de C va a ser:

f (C )

1
aC b
ba

Segn la distribucin triangular tenemos:

f ( p)dp 1 Area tringulo hC / 2 1 h C


0

La funcin de densidad de f ( p) queda:

FACULTAD DE MATEMTICAS

166

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

f ( p)

2p
C2

0 pC

y la de distribucin:
p

F ( p)
0

1 p C

f ( p )dp p 2
luego p C F ( p)
0

C
2
C

Mtodo de la transformada inversa:


Tomamos dos valores aleatorios de U[0,1]: u1 y u2;
Con u1: C a (b a )u1
Con u2: p C u 2
Como tenemos 12 nmeros aleatorios vamos a obtener 6 valores de p.

Mtodo aceptacin rechazo:

f ( p)

2p
C2

0 pC

Vamos a necesitar tres nmeros aleatorios: u1, u2, u3:


Con u1: C a (b a )u1
Con u2: p* Cu 2
Con u3: f ( p)*

2
u3
C

Si f ( p)* f ( p* ) acepto p *
Si no: no acepto.

Resultados para a = 395 y b = 410:


Mtodo de la transformada inversa:
Con u1: C 395 (410 395)u1
Con u2: p Cmax u 2

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

167

VIII.2

Usamos los siguientes nmeros aleatorios:


u1,u2

0.435 401.525 143.653951


0.128
0.301 399.515 310.492818
0.604
0.321 399.815 162.405621
0.165
0.603 404.045 290.23821
0.516
0.321 399.815 385.981989
0.932
0.859 407.885 393.772779
0.932
i 6

Media

p
i 1

281.09

Mtodo de aceptacin-rechazo:
u1,u2,u3

p*

0.435

401.525

51.3952

f ( p )*

f ( p* )

0.00063757 0.001499284 No acepto

0.128
0.301
0.604

404.06 129.70326 0.00158887 0.00081671

129.7

0.321
0.165
0.603

404.045 208.48722 0.00255417 0.001588932 No acepto

0.516
0.321
0.932

408.98 351.31382 0.00420069 0.00455768 No acepto

0.859
Media: 129.7

FACULTAD DE MATEMTICAS

168

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

VIII.3 Problemas de simulacin de sistemas dinmicos


PROBLEMA 1
Dado un sistema de dos componentes colocadas en serie de modo que el fallo de una de
ellas supone el fallo del sistema, y tal que cuando una pieza falla la otra se desconecta (no sigue
funcionando hasta que la que ha fallado no sea reparada), cuyos tiempos de vida y reparacin
siguen las siguientes distribuciones:
Pieza 1: Tiempo Vida: Cauchy(1,0) truncada en 0
Tiempo reparacin: Exponencial(2)
Pieza 2: Tiempo Vida: Uniforme(1,3)
Tiempo reparacin: Exponencial(4)
a) Hacer un modelo de simulacin discreto con avance al prximo evento para estudiar la
disponibilidad de un sistema de estas caractersticas.12
b) Obtener la disponibilidad del sistema explicando el procedimiento utilizado para generar las
variables aleatorias que aparecen en el modelo, con un tiempo lmite de 10 horas, y
utilizando los siguientes valores obtenidos independientemente y con distribucin uniforme
en el intervalo (0,1) (cada secuencia para una variable)13:
Vida Pieza 1: 0.2, 0.9, 0.7, 0.3, 0.9, 0.8, 0.1
Reparacin Pieza 1: 0.1, 0.3, 0.7, 0.6, 0.9, 0.8, 0.2
Vida Pieza 2: 0.6, 0.8, 0.2, 0.5, 0.7, 0.1, 0.9
Reparacin Pieza 2: 0.4, 0.2, 0.6, 0.8, 0.6, 0.4, 0.3

PROBLEMA 2
Una empresa de envasado de productos congelados del mar dispone de dos envasadoras
iguales. Los productos llegan en contenedores o lotes, segn una distribucin de tiempo entre
las llegadas: 15 minutos con probabilidad 0.25, 30 minutos con probabilidad 0.5 y 45 minutos
con probabilidad 0.25.

Disponibilidad: Proporcin de tiempo que el sistema est funcionando


1
13
Funcin densidad de la distribucin Cauchy(1,0): f (x )
, x
(1 x 2 )
12

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

169

VIII BIBLIOTECA DE PROBLEMAS

Cada contenedor o lote tarda en ser procesado por una envasadora un tiempo que se
distribuye segn una distribucin exponencial de media 1 hora truncada en 45 minutos, no
pudiendo ser la duracin inferior a este valor.
Si un lote llega y no puede ser procesado inmediatamente, la empresa dispone de una
cmara de congelacin para la espera. La cmara puede alojar nicamente a un lote de
productos, y el coste de funcionamiento diario (no proporcional al tiempo que se utilice) est
estimado en 50 euros diarios.
Si la cmara est llena cuando llega un lote, ste habr de ser rechazado. Se ha estimado el
beneficio que produce un lote (en trminos medios) en 100 euros. Se supone un da de 8 horas.
a) Hacer un modelo de simulacin discreto con avance al prximo evento para este problema,
que obtenga el coste (por funcionamiento de cmaras y por prdida de lotes) diario
esperado, que admita ms de una cmara de congelacin.
b) Obtener el coste de un da utilizando los siguientes valores obtenidos independientemente y
con distribucin uniforme en el intervalo (0,1) (cada secuencia para una variable):
Llegadas: 0.2, 0.3, 0.9, 0.7, 0.1, 0.2, 0.9, 0.2, 0.6, 0.5, 0.8, 0.3, 0.7, 0.9, 0.4
Servicios: 0.1, 0.3, 0.7, 0.6, 0.9, 0.8, 0.2, 0.5, 0.1, 0.3, 0.7, 0.2, 0.6, 0.4, 0.9

PROBLEMA 3
El taller de mantenimiento de los autobuses urbanos de Madrid consta de una zona de
inspeccin y otra de reparacin. Los autobuses, una vez acabado su turno acuden a este taller.
Cada media hora un autobs finaliza su turno. En el taller, en primer lugar se inspecciona cada
autobs con un tiempo distribuido segn la distribucin trapezoidal f1(x) que se describe ms
abajo. La zona de inspeccin es alimentada por una nica cola de tipo FIFO. Histricamente, la
inspeccin detecta que el 30 % de los autobuses requiere reparacin. La zona de reparacin est
alimentada tambin por una nica cola de tipo FIFO y los tiempos de reparacin se distribuyen
segn una distribucin Gamma de parmetros p

2ya

0.05 , truncada en 30 minutos (no

puede ser inferior).

x
f1(x )

20
20
50
0.1
25

35 x
50
0

25

30

35

30

resto

FACULTAD DE MATEMTICAS

170

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

a) Obtener el nmero medio de autobuses que hay en el taller, explicando el procedimiento


utilizado para generar las variables aleatorias que aparecen en el modelo, con un tiempo
lmite de 4 horas, y utilizando los siguientes valores obtenidos independientemente y con
distribucin uniforme en el intervalo (0,1) (cada secuencia una variable y redondear a un
decimal los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.9, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.2, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
Serie 3: 0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
b) Hacer un modelo de simulacin discreto con avance al prximo evento para estudiar el
nmero medio de autobuses que hay en el taller de mantenimiento

PROBLEMA 4
Una empresa fabrica dos tipos de productos que han de ser procesados por un nico
empleado. El tiempo de fabricacin del primer tipo de producto sigue una distribucin normal
de media 4 horas y desviacin tpica 1, y el del segundo tipo de producto sigue una distribucin
triangular simtrica entre 2 y 4 horas, es decir, con funcin de densidad:

f (x )

2 x

(2, 3)

x x

(3, 4)

Los pedidos son unitarios, el tiempo que transcurre entre pedidos es uniforme entre 3 y 5
horas, y el 35 % de ellos son pedidos de tipo 1.
a) Obtener el nmero medio de pedidos sin atender al finalizar el da, explicando el
procedimiento utilizado para generar las variables aleatorias que aparecen en el modelo, con
un tiempo lmite de 40 horas, y utilizando los siguientes valores obtenidos
independientemente y con distribucin uniforme en el intervalo (0,1) (cada secuencia una
variable y redondear a un decimal los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.9, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.2, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
Serie 3:0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
Serie 4: 0.2, 0.7, 0.5, 0.3, 0.1, 0.9, 0.5, 0.6, 0.2, 0.8, 0.7, 0.4, 0.5, 0.6, 0.9, 0.3, 0.1, 0.4
b) Hacer un modelo de simulacin discreto con avance al prximo evento para estudiar el
nmero medio de pedidos pendientes de ser servidos en la fbrica.

PROBLEMA 5
Se considera un taller de reparaciones con dos mecnicos. El primer mecnico cobra a razn
de 30 /h y puede reparar a razn de 5 mquinas por hora. El segundo mecnico cobra 50 /h

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

171

VIII BIBLIOTECA DE PROBLEMAS

pero puede reparar a razn de 8 mquinas por hora. Ambos sueldos se pagan con independencia
de que los trabajadores estn ocupados u ociosos. Los clientes estiman que una mquina
averiada les representa un coste de 80 /h y el taller lo asume como coste por unidad de tiempo
de espera por cliente. Se supone que las mquinas llegan al taller segn un proceso de Poisson
de parmetro 4 mquinas por hora y que el tiempo de reparacin sigue una distribucin
exponencial.
a) Escribir un modelo que permita evaluar el coste de cada mecnico (un nico programa que
evale el coste de cada uno por separado).
b) A la vista de los siguientes resultados Qu trabajador resulta ms econmico para la
empresa? Razonar la respuesta.
Relative clock
Facility
MECAN1
MECAN2

Queue
(AD set)
TLLER1
MECAN1
TLLER2
MECAN2

Queue
(AD set)

720.00

Absolute clock
(1)
(2)
Average
Number
utilization
entries
.80
2869
.51
2892

(1)
Maximum
contents
19
18
11
10
(6)
Average
time/trans

(2)
Average
contents
3.73
2.93
.98
.47
(7)
$Average
time/trans

720.00
(3)
Average
time/trans
.20
.13

(3)
Total
entries

(4)
Zero
entries

2869
2869
2892
2892

0
566
1
1455

(5)
Percent
zeros
.00
19.73
.03
50.31

(8)
Current
contents

TLLER1
.94
.94
1
MECAN1
.74
.92
0
TLLER2
.24
.24
0
MECAN2
.12
.23
0
$Average time/trans=average time/trans excluding zero entries

PROBLEMA 6
A una centralita llaman clientes de dos tipos, con tiempos entre llamadas distribuidos segn
una distribucin Exponencial de parmetro 1 (minutos) para el primer tipo de clientes y
uniforme entre 2 minutos y 5 minutos para el segundo tipo. La centralita tiene varias lneas con
unos amables caballeros que atienden cada una de ellas. Si al recibir una llamada todas las
lneas estn ocupadas, salta una espantosa musiquilla con la que se suponen entretienen al

FACULTAD DE MATEMTICAS

172

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

cliente de modo que ste queda pacientemente esperando a que su llamada sea atendida, lo cual
se hace por riguroso orden de llamada.
Una vez que la llamada del cliente es atendida, se le pasa la llamada a unas agradables
seoritas que amablemente resuelven la razn de la llamada, escuchando una segunda horrorosa
msica si todas las seoritas estn atendiendo otras llamadas hasta que le toque el turno de ser
atendido por stas.
La distribucin del tiempo que cada caballero tarda en atender la llamada se distribuye
segn una uniforme entre 3 y 5 minutos, y la distribucin del tiempo que las seoritas tardan en
resolver el problema uniforme entre 5 y 15 minutos.
Escribir un modelo/programa para estudiar en una jornada de 8 horas el nmero de lneas
que debe tener la centralita y de seoritas que resuelven el problema, dando para el diseo
ptimo el tiempo medio que pasa un cliente escuchando la espantosa primera musiquilla, el
tiempo medio que pasa un cliente escuchando la horrorosa segunda msica, y una tabla de
frecuencias y la media del tiempo que pasa cada tipo de clientes colgado del telfono, adems
del grado de ocupacin de cada uno de los amables caballeros y de las eficientes seoritas.

PROBLEMA 7
En una fbrica se producen dos tipos de producto segn peticiones. La demanda de los
productos es unitaria siguiendo el tiempo entre pedidos una distribucin exponencial de media 2
horas para el primer producto, y de media 30 minutos para el segundo producto.
El proceso de produccin es diferente para cada tipo de producto, involucrando a 5 tipos de
mquinas y con diferente tiempo de proceso en cada una de ellas segn el producto de que se
trate (todo en horas):
M1
P1

U(0.5,1)

P2

U(0.5,1)

M2
U(1,1.5)

M3

M4

M5

U(0.75,1.25)

U(0.3,0.5)

U(0.5,0.8)

U(0.75,1.25)

U(0.75,1.25)

Disear el nmero de mquinas que se debe poner en la planta suponiendo produccin


continua, y para esta configuracin dar el tiempo medio desde que llega la peticin de un
producto hasta que ste es terminado (para cada tipo de producto) con el fin de poder dar una
aproximacin del tiempo en que podr ser servido, el mximo nmero de cola que se forma
delante de cada tipo de mquinas para saber cuanto espacio es necesario reservar, as como el
tamao medio de las colas.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

173

VIII BIBLIOTECA DE PROBLEMAS

PROBLEMA 8
Una compaa ferroviaria pinta sus propios vagones, segn se vayan necesitando, en sus
propios talleres, donde se pinta a mano de uno en uno con una velocidad que se distribuye segn
una exponencial de media uno cada 4 horas y un coste anual de 4 millones de u.m. Se ha
determinado que los vagones pueden llegar segn un proceso de Poisson de media uno cada 5
horas. Adems el coste por cada vagn que no est activo es 500 u.m/hora.
Se plantean otras dos posibilidades. Una es encargar dicho trabajo a una empresa de pintura
que lo hara con aerosol con el consiguiente ahorro de tiempo. Sin embargo el presupuesto para
esta segunda alternativa es de 10 millones de u.m. anuales. En este caso el proceso se aproxima
a uno de Poisson con una tasa de uno cada 3 horas. La otra opcin es poner otro taller
exactamente igual al que hay actualmente, con igual tasa de servicio y coste anual, que permita
pintar dos vagones a la vez. En todos los casos el trabajo se considera ininterrumpido, esto es, se
trabajan 24x365=8760 horas anuales.
A la vista de los resultados de la simulacin:
a) Cul de los tres procedimientos es preferible?
b) Si se deseara conocer la distribucin del tiempo que pasan actualmente los vagones
inactivos, qu informacin sera relevante? Cmo la utilizaras? Con la informacin
actual qu distribucin de probabilidad conjeturaras?
c) Cul es el nivel de utilizacin de los recursos en cada caso?
SIMULATEtall3
GENERATE 5*FN$XPDIS
STORAGE
2QTABLE ARRIVE OPT2
OPT1,0,5,15
SEIZE aer,Q
ADVANCE 3*FN$XPDIS
GENERATE
RELEASE aer
5*FN$XPDISARRIVE
DEPART OPT2
OPT1SEIZE
TERMINATE
tall1,QADVANCE
4*FN$XPDIS
RELEASE tall1
DEPART OPT1
TERMINATE

Facility
TALL1
AER
Storage
contents
.37
Storage

(1)
Average
utilization
.77
.62

(2)
Number
entries
1682
1754

Capacity
Average
utilization
1711
3.76
(6)
Current
contents

GENERATE 5*FN$XPDIS
ARRIVE OPT2
SEIZE aer,Q
ADVANCE 3*FN$XPDIS
RELEASE aer
DEPART OPT2
TERMINATE

GENERATE 8760
TERMINATE 1
START 1
END

(3)
Average
time/trans
4.02
3.08
Average
time/trans TALL3

Entries
2

Average
.73

(7)
Maximum
contents

FACULTAD DE MATEMTICAS

174

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

TALL3

0
(1)
Total
contents

Average
(AD set)
OPT1
TALL1
OPT2
AER
OPT3
TALL3
Queue
(AD set)

19
18
13
12
7
5
(6)
Average
time/trans

2
(2)
(3)
Zero
Percent
contents
entries
3.04
2.26
1.53
.92
.84
.10
(7)
$Average
time/trans

(4)
entries

1682
1682
1754
1754
1711
1711

0
418
0
688
0
1355

(5) Queue

Maximum

zeros
.00
24.85
.00
39.22
.00
79.19

(8)
Current
contents

OPT1
15.81
15.81
0
TALL1
11.79
15.69
0
OPT2
7.65
7.65
1
AER
4.57
7.52
0
OPT3
4.28
4.28
0
TALL3
.52
2.50
0
$Average time/trans=average time/trans excluding zero entries
Table
(1)
(2)
(3)
Entries in table
Mean argument
Standard deviation
1682
15.81
14.87
Range
Observed
Per cent
frequency
of total
percentage
remainder
.00
.00
100.00
.01 5
436
25.92
25.92
5.01 10
358
21.28
47.21
10.01 15
232
13.79
61.00
15.01 20
161
9.57
70.57
20.01 25
121
7.19
77.76
25.01 30
103
6.12
83.89
30.01 35
88
5.23
89.12
35.01 40
56
3.33
92.45
40.01 45
35
2.08
94.53
45.01 50
30
1.78
96.31
50.01 55
19
1.13
97.44
55.01 60
11
.65
98.10
60.01 65
10
.59
98.69
Overflow
22
1.31
100.00
(5) Average value of overflow
72.84

(4)
Sum of arguments
26592.06
Cumulative
Cumulative
0
0
74.08
52.79
39.00
29.43
22.24
16.11
10.88
7.55
5.47
3.69
2.56
1.90
1.31
.00

PROBLEMA 9
El departamento de contabilidad de una empresa tiene un sistema informtico con varios
ordenadores en un mismo dominio, un ordenador que acta como servidor de impresin (que
procesa los trabajos por riguroso orden de llegada sin que sean establecidas prioridades en los
trabajos) y una impresora (con un buffer en principio ilimitado.) Los miembros del
departamento han elevado una solicitud (queja) a la direccin para que sea mejorado este
servicio de impresin, aduciendo que la mquina al final de mes (instante de cierre contable)
est sobresaturada. La direccin desea hacer un modelo de simulacin para analizar el uso de la
impresora, es decir, para obtener el factor de utilizacin de la mquina.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

175

VIII BIBLIOTECA DE PROBLEMAS

Tras realizar las observaciones oportunas en esta poca de final de mes, y analizar los datos
obtenidos llega a las siguientes conclusiones:
-

El tiempo que pasa entre rdenes de impresin que llegan al servidor se distribuye segn
una exponencial de media 5 minutos.
El tiempo que el servidor tarda en procesar la tarea solicitada sigue una distribucin
trapezoidal cuya funcin de densidad es (minutos)

f (x )

4
x
3
2/3
2
(2.25
3
0

0.5
x

0.5
x ) 1.25

1.25

2.25

resto

El tiempo que tarda en imprimir los trabajos la impresora, se distribuye segn la funcin de
distribucin (minutos)

0
x
G (x )

1
12

5
20

1
a)

10

10

15

15

Obtener el factor de utilizacin de la impresora a final de mes simulando media hora,


mediante una traza, explicando qu son todos los elementos del modelo (variables de
estado, datos, hiptesis, eventos, ...) y el procedimiento utilizado para generar las
variables aleatorias que aparecen en el modelo, utilizando los siguientes valores
obtenidos independientemente y con distribucin uniforme en el intervalo (0,1) (cada
secuencia una variable y redondear a un decimal los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2, 0.9
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
Serie 3:0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5

b)

Hacer un modelo para este problema (con distribuciones uniformes de tiempos de


servicio con lmites los mismos de las distribuciones del enunciado), que sea lo mnimo
para ver el factor de utilizacin de la impresora.

FACULTAD DE MATEMTICAS

176

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

PROBLEMA 10
Se considera un taller de reparaciones con un robot. Se considera la posibilidad de sustituir
ste por otro robot. Ambos robots son diferentes, con diferentes costes. En la siguiente tabla se
recogen los datos de cada uno de los robots, entendindose por costes operativos los costes por
unidad de tiempo que el robot est realizando alguna reparacin y por costes de amortizacin
costes por unidad de tiempo, est reparando o no el robot.

Costes amortizacin (/h)

Costes operativos (/h)

Robot 1

1000

2000

Robot 2

1500

4000

El primer robot puede reparar a razn de 6 mquinas por hora y el segundo puede reparar a
razn de 7 mquinas por hora.
Cuando una mquina se encuentra en el taller de reparacin se considera un coste por
unidad de tiempo por prdida de productividad estimado en 8000 /h y el taller lo asume como
coste por unidad de tiempo y por cliente. Se supone que las mquinas llegan al taller segn un
proceso de Poisson de parmetro 5 mquinas por hora y que el tiempo de reparacin con que
reparan los robots sigue una distribucin exponencial.
Adems los robots se averan, siendo

f (x )

32
(x 0.75) 0.75 x 1
3
16
(1.5 x ) 1 x 1.5
3
0
resto

la distribucin del tiempo en horas hasta que se averan y 15 minutos el tiempo que tarda en ser
reparado un robot. Cuando una mquina se estropea se interrumpe lo que est haciendo, si es
que est activa en ese momento, continuando el proceso una vez reparado en el punto en que se
dej el proceso.
a) Obtener el coste por hora del primer robot, mediante una traza que simule hasta 2 horas (no
incluir eventos posteriores a 2 horas), explicando cules son todos los elementos del modelo
(variables de estado, datos, hiptesis, eventos, ...) y el procedimiento utilizado para generar
las variables aleatorias que aparecen en el modelo, utilizando los siguientes valores

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

177

VIII BIBLIOTECA DE PROBLEMAS

obtenidos independientemente y con distribucin uniforme en el intervalo (0,1) (cada


secuencia una variable en el orden en que se piden en la hoja de soluciones y redondear a 2
decimales los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.2, 0.1, 0.6, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2, 0.9, 0.8
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.1, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6, 0.7
Serie 3: 0.9, 0.1, 0.8, 0.6, 0.2, 0.5, 0.7, 0.4, 0.1, 0.6, 0.3, 0.7, 0.3, 0.1, 0.1, 0.4, 0.3, 0.1
b) Hacer un modelo para el problema del apartado anterior, considerando distribucin
uniforme del tiempo de vida con lmites los mismos de la distribucin del enunciado, y
considerando que la ruptura de la mquina no es tal, sino un proceso de mantenimiento que
cuando se lanza espera para ser procesado a que todos los trabajos previos ejecutndose o en
espera hayan acabado.

PROBLEMA 11
Juan Prez est estudiando la posibilidad de abrir un taller de lavado de vehculos. Los
vehculos que solicitan el servicio pueden ser dos tipos: turismos y camiones. El tiempo que se
tarda en lavar un turismo es de 4 minutos, y el tiempo de un camin es el doble que el requerido
por los turismos, siendo el porcentaje de turismos del 65 %. Supngase que no hubiera
limitacin de espacio y que utiliza una mquina rpida. Para asegurar que el lavado es correcto
un 25 % de los vehculos (elegidos de forma aleatoria, no con un orden) que terminan un
servicio han de pasar de nuevo por el servicio de lavado para recibir otro lavado cuya duracin
sigue una distribucin con funcin de densidad f (x )

12 x
32
0

12

. Estos

resto

vehculos tienen prioridad no interruptora respecto a los del lavado normal. Por otra parte, el
tiempo entre dos llegadas de vehculos sigue una distribucin Exponencial de media 7 minutos.
a) Hacer un modelo de simulacin de eventos discretos con incremento de tiempo al prximo
evento para obtener los ingresos esperados durante un tiempo mximo T si los turismos
pagan 3 euros y los camiones 5, definiendo todos los elementos que intervienen.
b) Obtener los ingresos durante 45 minutos del funcionamiento del taller mediante una traza,
explicando el procedimiento utilizado para generar las variables aleatorias que aparecen en
el modelo, utilizando los siguientes valores obtenidos independientemente y con
distribucin uniforme en el intervalo (0,1) (cada secuencia una variable en el orden en que
se piden en la hoja de soluciones y redondear a 2 decimales los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.6, 0.2, 0.3, 0.8, 0.1, 0.9, 0.7, 0.6, 0.1, 0.5, 0.1, 0.3, 0.5, 0.1, 0.8

FACULTAD DE MATEMTICAS

178

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.1, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6, 0.7
Serie 3: 0.9, 0.2, 0.8, 0.6, 0.2, 0.5, 0.7, 0.4, 0.1, 0.6, 0.3, 0.7, 0.3, 0.5, 0.1, 0.4, 0.3

PROBLEMA 12
Sea una planta de produccin con un puesto al que llegan dos tipos de producto, P1 y P2. El
tiempo entre llegadas de los productos se considera que sigue una distribucin F1, de las cuales
el 65 % son productos de tipo P1. Los productos llegan en un orden aleatorio. En el puesto hay
un robot que tarda en procesar los productos de tipo P1 un tiempo distribuido segn una
distribucin G1 y los productos de tipo P2 segn una distribucin G2. El robot tiene dos modos
de configuracin, uno para cada tipo de producto, de forma que para cambiar de modo de
configuracin (pasar de procesar un producto de un tipo a procesar uno de otro tipo), el robot
requiere un tiempo de ajuste de Taj minutos. Por esta razn, el orden en que se procesan los
productos es tal que si el robot est procesando un producto de un tipo a continuacin procesar
otro del mismo tipo, hasta que no le queden ms, es decir, hasta que al acabar un producto no
queden ms de ese tipo en la cola. Inicialmente, el modo en que est configurado el robot es el
modo 1, es decir, para procesar productos de tipo P1.
a) Hacer un modelo de simulacin de eventos discretos con incremento de tiempo al prximo
evento para obtener el nmero de productos procesados de cada tipo durante un tiempo T y
el nmero de productos de cada tipo que quedan sin procesar al final, definiendo todos los
elementos que intervienen.
b) Obtener durante 100 minutos los productos procesados de cada tipo, y el nmero de
productos que quedan sin procesar de cada tipo al final, siendo:

f (x )

0.1345e
0

x 10
16

10

20

resto

funcin de densidad de la distribucin F1, G1 determinista de valor 5 minutos, G2


determinista de valor 30 minutos, y el tiempo de ajuste Taj de 5 minutos. Explicar el
procedimiento utilizado para generar las variables aleatorias que aparecen en el modelo,
utilizando los siguientes valores obtenidos independientemente y con distribucin uniforme
en el intervalo (0,1) (cada secuencia una variable en el orden en que se piden en la hoja de
soluciones y redondear a 2 decimales los valores obtenidos):
Serie 1: 0.5, 0.9, 0.3, 0.6, 0.2, 0.3, 0.8, 0.1, 0.9, 0.7, 0.6, 0.1, 0.5, 0.1, 0.3, 0.5, 0.1, 0.8
Serie 2: 0.8, 0.1, 0.9, 0.6, 0.2, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6, 0.7, 0.3

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

179

VIII BIBLIOTECA DE PROBLEMAS

PROBLEMA 13

El servicio de entrega de las declaraciones de la renta en la Agencia Tributaria


consiste en dos ventanillas, la primera para comprobar que la declaracin es correcta y
la segunda para pagar o recibir el importe de la declaracin. Una vez que la declaracin
es verificada en la ventanilla primera toda persona se pone en cola en la segunda. Una
vez saldada su cuenta con Hacienda la persona se va de la Agencia Tributaria. Los
declarantes llegan a la Agencia segn una distribucin exponencial de tiempo entre
llegadas con media de 1 minuto. Los tiempos de servicio de las respectivas ventanillas
siguen una distribucin discreta. El tiempo de servicio de la primera es de 0.6 minutos
con probabilidad 0.2, 0.7 minutos con probabilidad 0.5 y 0.8 minutos con probabilidad
0.3. El tiempo de servicio de la segunda es de 0.8 minutos con probabilidad 0.1, 0.9
minutos con probabilidad 0.7 y 1 minuto con probabilidad 0.2.
a) Hacer un modelo de simulacin que simule el proceso estocstico que ocurre en la
Agencia Tributaria durante 10 minutos, con el objetivo de estimar el tiempo medio
pasado por los clientes en dicha agencia y el nmero medio de personas en cada cola
y en el sistema. Suponer que las ventanillas estn vacas al comienzo.
b) Representar en una tabla el avance del tiempo de simulacin, los eventos que se
producen y su tipo, y el valor instantneo del nmero de personas en cada cola de
cada ventanilla y siendo atendidas.
Para representar el comportamiento de las variables aleatorias se han extrado estas
tres series independientes y uniformes de nmeros pseudoaleatorios distribuidos entre 0
y 1 suficientemente largas que se utilizarn para determinar cada una de las variables
aleatorias consecutivamente.
Serie 1: 0,76 0,06 0,16 0,79 0,54 0,59 0,17 0,88
Serie 2: 0,12 0,03

0,3 0,38 0,79 0,46 0,19

0,5 0,93 0,33 0,64 0,51 0,73 0,23 0,62

0,5 0,14

0,6 0,44 0,79 0,01 0,99 0,63 0,37

Serie 3: 0,74 0,73 0,42 0,91 0,02 0,49 0,71 0,62 0,98 0,59 0,05 0,17 0,24 0,78 0,84

0,4

FACULTAD DE MATEMTICAS

180

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

VIII.4 Resultados de los problemas de simulacin de


sistemas dinmicos
RESULTADO DEL PROBLEMA 2
En primer lugar se presentar el modelo con todos los elementos que incluye y en segundo
lugar se presentar la traza, junto con los mtodos utilizados para generar las variables aleatorias
que se describen.
ELEMENTOS DEL MODELO:
Variables de estado:
El objetivo de la simulacin va a ser estudiar el coste diario esperado en una empresa de
envasado; se va a tener en cuenta que el nmero de cmaras de congelacin puede ser ms
de una (para ello, utilizamos el parmetro K). Para saber el coste diario, al final de cada da
deberemos saber el nmero de lotes rechazados. Para ello vamos a usar las siguientes
variables de estado:
N1(t) = Nmero de lotes que hay en la envasadora 1 .
N2(t) = Nmero de lotes que hay en la envasadora 2 .
NR/t)= Nmero de lotes que se rechazan .
NE(t)= Nmero de envases que se congelan en las K camaras disponibles.
Nota: El nmero total de clientes en nuestro sistema va a ser N1+N2+NE.
Eventos:
Los eventos que se pueden dar en nuestro sistema tal que produzcan un cambio en el mismo
son:
- Llegada de un lote.
- Servicio de un lote en envasadora 1.
- Servicio de un lote en envasadora 2.
Mecanismo de transicin:
Los cambios que se producen en el estado del sistema cuando se produce uno de los eventos
anteriormente descritos son:

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

181

VIII BIBLIOTECA DE PROBLEMAS

- Llegada de un lote.

N1

N1

N1

N2

N2

N2

0 N1

NE

NE

N2

1 N1

1.NE

NR

NR

N2

1 N1

1.NE

- Servicio de un lote en envasadora 1. N1


N1-1 o NE
NE-1
- Servicio de un lote en envasadora 2. N2
N2-1 o NE
NE-1
Datos:
- Distribucin de tiempos entre llegadas al sistema (Discreta).
- Distribucin de los tiempos de servicio en ambas envasadoras (Exponencial)
- TMAX = tiempo mximo de simulacin. (8 horas = 480 minutos).
Otras variables:
- TM: Reloj de simulacin.
- DL: Tiempo entre llegadas = Discreta.
- DS1: Tiempo de servicio envasadora1 = Exponencial.
- DS2: Tiempo de servicio envasadora2 = Exponencial.
- TL: Instante de la prxima llegada.
- TS1: Instante del prximo final de servicio en envasadora1
- TS2: Instante del prximo final de servicio en envasadora2
MODELO:
Programa principal:
0.- Inicializacin
N1 = 0; N2 = 0; NR = 0; NE = 0; TM= 0; TS1=inf.; TS2=inf.;
Generar DL; TL = DL
1.- Actualizacin del reloj de simulacin:
TM = min (TL, TS1, TS2);
N= N1 +N2 + NE;
2.- Identificacin de evento y llamada a subrutinas de evento.
Si TM = TL. Llamar a subrutina: Llegada a sistema.
Si TM = TS1. Llamar a subrutina: Servicio1.
Si TM = TS2. Llamar a subrutina: Servicio2.
3.- Regla de parada.
Si TM<TMAX, ir a 1. Si no, parar:
N1, N2. NR. Coste

5000 k

NR 10000

FACULTAD DE MATEMTICAS

182

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Subrutinas
Llegada a sistema
1.- Si N1 = 0, N1=N1+1. Generar DS1, poner TS1=TM+DS1
Si no
Si N2= 0, N2= N2+1. Generar DS2 poner TS2=TM+DS2
Si no,
Si NE < k Entonces NE=NE+1
Si no, NR= NR + 1;
2.- Generar DL, poner TL=TM+DL.
3.- Volver a Programa principal.
Servicio1
1.- Si NE>0 entonces NE=NE-1; Generar DS1, poner TS1 =TM +DS1,
Si no, N1=N1-1, TS1=inf.
3.- Volver a Programa principal.
Servicio2
1.- Si NE>0 entonces NE=NE-1; Generar DS2, poner TS2 =TM +DS2,
Si no, N2=N2-1, TS2=inf.
3.- Volver a Programa principal.

MTODOS DE GENERACIN DE VARIABLES ALEATORIAS:


- Los tiempos de llegada al sistema: distribucin discreta.
Probabilidad de 0.25 que sean 15 minutos: Si u<0.25,

x 15

Probabilidad de 0.5 que sean 30 minutos:

x 30

Si 0.25<u<0.75,

Probabilidad de 0.25 que sean 45 minutos: Si u>0.75,

x 45

Valores para DL con la serie 1:


0.2, 0.3, 0.9, 0.7, 0.1, 0.2, 0.9, 0.2, 0.6, 0.5, 0.8, 0.3, 0.7, 0.9, 0.4, 0.8
- Llegadas al servicio1 y 2: distribucin exponencial de media 1 minuto, truncada en 45
minutos: x=-Ln(u);
- Valores para DS1 y DS2 con la serie 2:
0.1, 0.3, 0.7, 0.6, 0.9, 0.8, 0.2, 0.5, 0.1, 0.3, 0.7, 0.2, 0.6, 0.4, 0.9 0.47 0,19 0,074

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

183

VIII BIBLIOTECA DE PROBLEMAS

TRAZA: (k=1)
DL: Tiempo de llegada a la ventanilla 1:
15 30 45 30 15 15 45 15 30 30 45 30 30 45 30 45
DS1: Tiempos de servicio1 y 2:
138 72 nulo nulo nulo nulo 96 nulo 138 72 nulo 96 nulo 54 nulo 45 99 156

Nota: Usaremos los nmeros aleatorios para ambos servicios.


N even. TM

Evento

N1 N2 NR NE

TL

TS1 TS2

Inicio

15

15

Llegada

45

153

45

Llegada

90

153

117

90

Llegada

120

153

117

117

Servicio2

120

153

213

120

Llegada

135

153

213

135

Llegada

150

153

213

150

Llegada

195

153

213

153

Servicio1

195

291

213

195

Llegada

210

291

213

10

210

Llegada

240

291

213

11

213

Servicio2

240

291

285

12

240

Llegada

270

291

285

13

270

Llegada

315

291

285

14

285

Servicio2

315

291

381

15

291

Servicio1

315

16

315

Llegada

345

345

381

17

345

Llegada

375

345

381

18

345

Servicio1

375

390

381

19

375

Llegada

420

390

381

20

381

Servicio2

420

390

480

21

390

Servicio1

420

546

480

22

420

Llegada

450

546

480

23

450

Llegada

495

546

480

24

480

Servicio2

381

FACULTAD DE MATEMTICAS

184

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

La solucin final y objetivo del problema, ser:


Al cabo de 8 horas se tiene que

Coste

5000 k

NR 10000

5000 1

4 10000

45000pts

272.

RESULTADO DEL PROBLEMA 3


En primer lugar se presentar el modelo con todos los elementos que incluye y en segundo
lugar se presentar la traza, junto con los mtodos utilizados para generar las variables aleatorias
que se describen.
ELEMENTOS DEL MODELO:
Variables de estado:
El objetivo de la simulacin va a ser estudiar el nmero de autobuses que hay en el sistema,
formado por las zonas de inspeccin y de reparacin (vamos a saber cal es el n de
autobuses en cada zona en cada momento):
N1(t) = Nmero de clientes que hay en el servidor 1 ( zona de inspeccin).
N2(t) = Nmero de clientes que hay en el servidor 2 ( zona de reparacin).
Nota: El nmero total de clientes en nuestro sistema va a ser N1+ N2.
Eventos:
Los eventos que se pueden dar en nuestro sistema tal que produzcan un cambio en el mismo
son:
- Llegada de un autobs al servidor 1.
- Servicio de un autobs en el servidor 1, que implica la llegada de autobs al servidor 2 o
la salida definitiva del sistema despus de servicio 1
- Servicio de un autobs en el servidor 2 (lo que equivale a irse definitivamente del
sistema).
Mecanismo de transicin:
Los cambios que se producen en el estado del sistema cuando se produce uno de los eventos
anteriormente descritos son:
- Llegada de un autobs al servidor 1 : N1 N1+1.
- Servicio de un autobs del servidor 1. N1
N1-1. y con probabilidad p es la llegada de
un autobs al servidor 2 N2
N2+1, o la salida definitiva del sistema despus de
servicio 1.
- Servicio de un autobs en el servidor2: N2
N2-1.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

185

VIII BIBLIOTECA DE PROBLEMAS

Datos:
- Distribucin de tiempos entre llegadas a la zona de inspeccin (la llegada se produce
cada 30 minutos).
- Distribucin de los tiempos de servicio en la zona de inspeccin 1 (distribucin
trapezoidal).
- Llegada de autobuses a la zona de reparacin (discreta), p.
- Distribucin de los tiempos de servicio en la zona de reparacin (distribucin Gamma de
parmetros p = 0,2 y a = 0,05, truncada en 30 minutos).
- TMAX = tiempo mximo de simulacin. ( 4 horas =240 minutos).
Otras variables:
- TM: Reloj de simulacin.
- DL1: Tiempo entre llegadas al servidor 1 = Cte.
- DS1: Tiempo de servicio ventanilla1 = Trapeizoidal.
- DS2: Tiempo de servicio ventanilla2 = Gamma.
- DP: Tipo de servicio despus de salir de servidor1 (llegada a servidor 2 o salida
definitiva).
- TL1: Instante de la prxima llegada.
- TS1: Instante del prximo final de servicio en ventanilla1.
- TS2: Instante del prximo final de servicio en ventanilla2.
- SUMA: contador acumulado suma de reas de autobuses en el sistema por tiempo de
permanencia.
- TANT: variable auxiliar.
- NANT: variable auxiliar.

MODELO:
Programa principal:
0.- Inicializacin
N1 = 0; N2 = 0; TM = 0; TS1=inf.; TS2=inf.;
DL1 = 30; TL = DL1; SUMA=0;
1.- Actualizacin del reloj de simulacin: TM = min (TL, TS1, TS2);
2.- Identificacin de evento y llamada a subrutinas de evento.
Si TM = TL1. Llamar a subrutina: Llegada a servidor 1.
Si TM = TS1. Llamar a subrutina: Servicio1.
Si TM = TS2. Llamar a subrutina: Servicio2.

FACULTAD DE MATEMTICAS

186

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

3.- Regla de parada.


Si TM< TMAX, ir a 1. Si no, parar: N1, N2.
N = N1 + N2;
SUMA/TM
Subrutinas
Llegada a servidor1
1.- N1=N1+1:
2.- Generar DL, poner TL1= TM+DL.
Si N1=1, Generar DS1, poner TS1=TM+DS1
3.- SUMA = SUMA + NANT x (TM-TANT)
4.- NANT=N1+N2, TANT=TM
5.- Volver a Programa principal.
Servicio1
1.- N1 = N1 - 1; .
2.- Si N1 = 0, poner TS1=inf. Si no, Generar DS1, poner TS1 = TM + DS1
3.- Generar TP.
-Si TP = servidor 2 (prob. p), N2= N2+1; Si N2=1, Generar DS2, poner TS2 = TM +
DS2
3.- SUMA = SUMA + NANT x (TM-TANT)
4.- NANT=N1+N2, TANT=TM
5.- Volver a Programa principal.
Servicio2
1.- N2 = N2 1.
2.- Si N2 = 0, poner TS2= inf. Si no, Generar DS2, poner TS2 = TM + DS2
3.- SUMA = SUMA + NANT x (TM-TANT)
4.- NANT=N1+N2, TANT=TM
5.- Volver a Programa principal.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

187

VIII BIBLIOTECA DE PROBLEMAS

MTODOS DE GENERACIN DE VARIABLES ALEATORIAS:


- Llegadas al servidor 1: Cte de 30 min.
- Distribucin de los tiempos de servicio en la zona de inspeccin 1 (distribucin
trapezoidal).

x
f1(x )

20
20
50
0.1
25

35 x
50
0

30

25

30

35
resto

Valores para DS1 con la serie 1:


Serie 1: 0.5, 0.9, 0.3, 0.7, 0.9, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2
Modo de obtencin de las variables aleatorias:

(20, 35);

max f (x ) : x

0,1;

(20, 35) ;

Genero
u1, u 2
x

20

15 u1;

0,1 u 2;

Calculof (x )
Si y

f (x )

Acepto x ;

- Llegada de autobuses a la zona de reparacin (discreta). Generacin de TP.


Probabilidad de 0.3 que el autobs pase al servidor 2:
Si u<0.3, TP
servidor2.
Probabilidad de 0.7 que el autobs se vaya definitivamente del sistema.
TP
Fuera

Si

0.3<u<1,

Usaremos la serie 2:
0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.2, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6

FACULTAD DE MATEMTICAS

188

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

- Distribucin de los tiempos de servicio en la zona de reparacin (distribucin Gamma de


parmetros p = 2 y a = 0,05) truncada en 30 minutos:
Nota: Al ser el parmetro p natural, vamos a usar una Erlang(2, 0.05)
p

ln ui
De la serie 3 calcularemos: x

i 1

Vamos a usar la serie 3:


0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
TRAZA:
DS1: Tiempos de servicio del servidor 1 salen:
27,5 24,5 33,5 nulo 32 29 nulo 33,5 26
DS2: Tiempos de servicio de la ventanilla 2:
64,37 nulo 39,32 59,91 nulo nulo 34,29 31,21 37,94
TP: S2, Fuera, Fuera, Fuera, Fuera, S2, S2, Fuera, Fuera, , Fuera, Fuera Fuera, Fuera S2 S2
Fuera S2 fuera
N Evento

TM

Evento

N1 N2

Inicio

30

Llegada

57.5

Servicio1

60

60

Llegada

90

84.5

Servicio1

90

90

Llegada

120 123.5 121.87

84.5

120

Llegada

150 123.5 121.87

144.5
150.11

TL

TS1

TS2

TP

30
60

SUMA
0

57.5

0
121.87

84.5

S2

27.5

121.87

30

121.87 Fuera

79

121.87 Servicio2

150 123.5

123.5

Servicio1

150 155.5

150

Llegada

180 155.5

10

155.5

Servicio1

180 184.5

11

180

Llegada

210 184.5

12

184.5

Servicio1

210

218

13

210

Llegada

240

218

14

218

Servicio1

240

244

257

15

240

Llegada

270

244

257

Fuera

153.37
179.87

Fuera

190.87
215.37

Fuera

224.37
249.87

S2

265.87
309.87

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

189

VIII BIBLIOTECA DE PROBLEMAS

Al cabo de las 4 horas el nmero total de autobuses es:


N= N1 + N2 = 3 autobuses en el taller de mantenimiento.
Al cabo de los 4 horas el nmero medio de autobuses es:
SUMA/TM = 1,29 autobuses cada minuto en el sistema.

RESULTADO DEL PROBLEMA 4


En primer lugar se presentar el modelo con todos los elementos que incluye y en segundo
lugar se presentar la traza, junto con los mtodos utilizados para generar las variables aleatorias
que se describen.
ELEMENTOS DEL MODELO:
Variables de estado: El objetivo de la simulacin va a ser estudiar el nmero medio de
pedidos sin atender que quedan al final del da; as pues, las variables de estado van a ser:
N(t) = Nmero de pedidos de ambos tipos que hay en el sistema.
Eventos:
Los eventos que se pueden dar en nuestro sistema tal que produzcan un cambio en el mismo
son:
- Llegada de pedido.
- Fabricacin de pedido.
Mecanismo de transicin:
Los cambios que se producen en el estado del sistema cuando se produce uno de los eventos
anteriormente descritos son:
-

Llegada de pedido. N

N+1

- Fabricacin de pedido. N2 N - 1
Datos:
- Distribucin de tiempo entre pedidos. Es uniforme entre 3 y 5 horas.
- Distribucin de tiempo de fabricacin de tipo de producto 1 (normal)
- Distribucin de tiempo de fabricacin de tipo de producto 2 (triangular)
- Tipo de pedido (discreta)
- TMAX = tiempo mximo de simulacin. (40 horas).
Otras variables:
- TM: Reloj de simulacin.
- DL: Tiempo entre pedidos. (uniforme).
- DS1: Tiempo de servicio tipo 1 = Normal.

FACULTAD DE MATEMTICAS

190

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

DS2: Tiempo de servicio tipo 2 = Normal.


TL: Instante de la prxima llegada de cualquier tipo de pedido.
TS1: Instante del prximo final de servicio de tipo 1.
TS2: Instante del prximo final de servicio de tipo 2.
TP: Tipo de pedido.

MODELO:
Programa principal:
0.- Inicializacin
N = 0; TM = 0; TS1 = inf.; TS2 = inf.; SUMA =0;
Generar DL;
TL = DL;
1.- Actualizacin del reloj de simulacin: TM = min (TL TS1, TS2);
TANT =TM;
2.- Identificacin de evento y llamada a subrutinas de evento.
Si TM = TL1. Llamar a subrutina: Llegada a fabricaron.
Si TM = TS1. Llamar a subrutina: Servicio1.
Si TM = TS2. Llamar a subrutina: Servicio2.
3.- Regla de parada.
Si TM < TMAX, ir a 1. Si no, parar: SUMA/TM
Subrutinas
Llegada a fabricacin
1.- N = N + 1;
2.- Generar DL; TL = TM + DL;
3.- Si N = 1; Generar TP;
Si TP = 1; Generar DS1 TS1= TM + DS1; TS2 = inf.
Si TP = 2; Generar DS2 TS2= TM + DS2; TS1 = inf.
4.- SUMA

SUMA

(N

1) (TM

TANT )

5.- Volver a Programa principal.


Servicio1
1.- N = N - 1.
2.- Si N = 0, poner TS1 = inf. TS2 = inf.
Si N > 0;Generar TP;

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

191

VIII BIBLIOTECA DE PROBLEMAS

Si TP = 1; Generar DS1 TS1= TM + DS1; TS2 = inf.


Si TP = 2; Generar DS2 TS2= TM + DS2; TS1 = inf.
3.- SUMA

SUMA

(N

1) (TM

TANT ).

4.- Volver a Programa principal.


Servicio2
1.- N = N - 1.
2.- Si N = 0, poner TS1 = inf. TS2 = inf.
Si N > 0 Generar TP;
Si TP = 1; Generar DS1 TS1= TM + DS1; TS2 = inf.
Si TP = 2; Generar DS2 TS2= TM + DS2; TS1 = inf;
3.- SUMA

SUMA

(N

1) (TM

TANT ).

4.- Volver a Programa principal.

MTODOS DE GENERACIN DE VARIABLES ALEATORIAS:


- Llegadas de pedidos: distribucin uniforme de entre 3 y 5 horas.
Usamos la serie:
Serie 3: 0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
Calculamos las variables aleatorias:
Dado u (0,1); tenemos que x = 3 + (5-3) u;
Resultado: 3.2 3.8 4 4.2 4.4 3.4 3.2 4 4.4 4.8 4.6 4.2 4.8 3.4 3.6 4.4 3.6 4

- Los tiempos de fabricacin de los pedidos de tipo 1: distribucin normal de media 4 horas
y desviacin tpica 1.
Vamos a usar como nmeros aleatorios:
Serie 1: 0.5, 0.9, 0.3, 0.7, 0.9, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4, 0.2
Dado u (0 ,1); tenemos que x = 1 u + 4;
Resultado:
4.5, 4.9, 4.3, 4.7, 4.9, 4.2, 4.1, 4.6, 4.8, 4.3, 4.6, 4.1, 4.8, 4.7, 4.9, 4.1, 4.4, 4.2

- Los tiempos de fabricacin de los pedidos de tipo 2: distribucin triangular simtrica


entre 2 y 4 horas.

FACULTAD DE MATEMTICAS

192

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Vamos a usar como nmeros aleatorios:


Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.2, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
Dado u1, u2 (0,1); tenemos el tringulo de base (2,4) y altura (0,1):
Mtodo:

(2, 4);

max f (x ) : x

1;

Genero

(2, 4) ;

u1, u 2

2 u1;

1 u 2;

Calculof (x )
Si y

f (x )

Acepto x ;

Resultado: No acepto; No acepto; No acepto; 3.4; 2.4; 3.6; No acepto; No acepto; 3.4:

- Lo tipos de pedido se distribuyen segn una discreta; vamos a usar:


Serie 4: 0.2, 0.7, 0.5, 0.3, 0.1, 0.9, 0.5, 0.6, 0.2, 0.8, 0.7, 0.4, 0.5, 0.6, 0.9, 0.3, 0.1, 0.4
Probabilidad de 0.35 que sea de tipo1:

Si u<0.35,

Probabilidad de 0.65 que sea de tipo 2.:

Si 0.35<u<1,

Valores para TP segn la serie 4: 1 2 2 2 2 1 1 2 2 2 2 2 2 1 1 2 1 2

TRAZA:
DL: Tiempo de llegadas al sistema:
3.2 3.8 4 4.2 4.4 3.4 3.2 4 4.4 4.8 4.6 4.2 4.8 3.4 3.6 4.4 3.6 4
DS1: Tiempos de fabricacin de pedido 1:
4.5, 4.9, 4.3,
4.7, 4.9, 4.2, 4.1, 4.6, 4.8, 4.3, 4.6, 4.1, 4.8, 4.7, 4.9, 4.1, 4.4, 4.2
DS2: Tiempos de fabricacin de pedido 2:
No acepto; No acepto; No acepto; 3,4; 2,4; 3,6; No acepto; No acepto; 3,4:
TP: tipo de pedido: 1 2 2 2 2 1 1 2 2 2 2 2 2 1 1 2 1 2

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

193

VIII BIBLIOTECA DE PROBLEMAS

N
Reloj
evento TM

Tipo
evento

N TL

TS1

Inicio

3.2

3.2

Llegada

7.7

Llegada

11

7.7

7.7

Servicio1 1

11

11

Llegada

TS2

11.1

11.1

Servicio2 1 15.2

13.5

13.5

Servicio2 0 15.2

15.2

18.8

19.6

Llegada

10

23

Llegada

2 26.4

11

23

7.1
2

18.8

Servicio2 0 19.6
23

27.9

2 29.6

27.9

13

27.9 Servicio1 1 29.6

32.2

14

29.6 Llegada

32.2

15

32.2 Servicio1 1 33.6

35.6

16

33.6 Llegada

38

35.6

17

35.6 Servicio2 1

38

38

19

38

Servicio2 1 42.8

7.1

2 42.8

7.1
10.5

26.4 Llegada

Llegada

23

12

38

7.1

7.1

23

18

3.8

7.1

1 19.6

2 33.6

0
3.8

11.1

Servicio2 1 26.4

SUMA

2 15.2

Llegada

TP

10.5
13.9

13.9
15.6

15.6
17

17

38

19.4

41.6

19.4

Al cabo de estas 40 horas se han dejado sin atender 1 pedido. Se han dado servicio a una
media de 19.4/40 = 0.485 productos cada hora.

FACULTAD DE MATEMTICAS

194

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

RESULTADO DEL PROBLEMA 9


En primer lugar se presentar el modelo con todos los elementos que incluye y en segundo
lugar se presentar la traza, junto con los mtodos utilizados para generar las variables aleatorias
que se describen.
ELEMENTOS DEL MODELO:
Variables de estado:
El objetivo de la simulacin va a ser estudiar el factor de utilizacin de la impresora.
NES(t) = Nmero de trabajos que esperan para ser procesados por el servidor
NEI(t) = Nmero de trabajos que esperan en el buffer para ser impresos o estn siendo
impresos.
N(t) = Nmero de trabajos impresos.
Eventos:
Los eventos que se pueden dar en nuestro sistema produciendo un cambio en el mismo son:
- Llegada de un trabajo al servidor.
- Servicio de un trabajo en el servidor = Llegada de cliente al buffer directamente a
impresin.
- Impresin de un trabajo (lo que equivale a irse definitivamente del sistema).
Mecanismo de transicin:
Los cambios que se producen en el estado del sistema cuando se produce uno de los eventos
anteriormente descritos son:
- Llegada de un cliente al servidor 1 : NES
NES+1.
- Servicio de un trabajo en el servidor =Llegada de un cliente al servidor 2
NES(t)
NES(t)-1;
NEI(t)

NEI(t)+1.

- Servicio de un cliente en el servidor2: NEI(t)


N(t)

NEI(t)-1.
N(t) + 1.

Datos:
- Distribucin de tiempos entre llegadas al servidor (exponencial de media 5 minutos)
- Distribucin de los tiempos de servicio del servidor (trapezoidal)
- Distribucin de los tiempos de impresin de la impresora (G(x))
- TMAX = tiempo mximo de simulacin. (30 minutos).
Otras variables:
- TM: Reloj de simulacin.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

195

VIII BIBLIOTECA DE PROBLEMAS

TU: tiempo que la impresora ha estado trabajando.


DL: Tiempo entre llegadas = Exponencial.
DS1: Tiempo de servicio servidor = Trapezoidal.
DS2: Tiempo de servicio impresora = G(x).
TL: Instante de la prxima llegada.
TS1: Instante del prximo final de servicio en servidor.
TS2: Instante del prximo final de servicio en impresora.

MODELO:
Programa principal:
0.- Inicializacin
NES = 0; NEI = 0; N = 0;TM = 0; TS1 = inf.; TS2 = inf.; TU = 0
Generar DL; TL = DL
1.- Actualizacin del reloj de simulacin: TM = min (TL, TS1, TS2);
2.- Identificacin de evento y llamada a subrutinas de evento.
Si TM = TL. Llamar a subrutina: Llegada a servidor.
Si TM = TS1. Llamar a subrutina: Servicio.
Si TM = TS2. Llamar a subrutina: Impresin.
3.- Regla de parada.
Si TM < TMAX, ir a 1. Si no, parar: NES, NEI, N, factor de utilizacin = TU/TM;
Subrutinas
Llegada a servidor
1.- NES = NES + 1:
2.- Generar DL, poner TL = TM + DL.
Si NES = 1, Generar DS1, poner TS1 = TM + DS1:
3.- Volver a Programa principal.
Servicio
1.- NES = NES - 1; NEI = NEI + 1.
2.- Si NES = 0, poner TS1 = inf. Si no, Generar DS1, poner TS1 = TM + DS1;

FACULTAD DE MATEMTICAS

196

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Si NEI = 1, Generar DS2, poner TS2 = TM + DS2; TU = TU +DS2.


3.- Volver a Programa principal.
Impresin
1.- NEI = NEI 1. N = N + 1;
2.- Si NEI = 0, poner TS2 = inf. Si no, Generar DS2, poner TS2 = TM + DS2;
TU = TU + DS2.
3.- Volver a Programa principal.

MTODOS DE GENERACIN DE VARIABLES ALEATORIAS:


- Los tiempos de llegada al sistema: distribucin exponencial de media 5
Se emplea el mtodo de la transformada inversa; mediante los nmeros aleatorios uniforme
u

[0,1) obtenemos DL: x

ln(u )
1/ 5

Usamos serie 1: 0.5, 0.9, 0.3, 0.7, 0.2, 0.1, 0.6, 0.8, 0.3, 0.6, 0.1, 0.8, 0.7, 0.9, 0.1, 0.4,
0.2, 0.9
Valores para DL con la serie 1:
3.47 0.53 6.02 1.78 8.05 11.51 2.55 1.12 6.02 2.55 11.51 1.12 1.78 0.53 11.51 4.58 8.05
0.53
- Los tiempos de servicio del servidor: distribucin trapezoidal de funcin de densidad:.

f (x )

4
x
3
2/3
2
(2.25
3
0

0.5
x

0.5
x ) 1.25

1.25
2.25

resto

Usaremos la serie 2:
Serie 2: 0.2, 0.8, 0.1, 0.5, 0.9, 0.6, 0.7, 0.1, 0.3, 0.6, 0.8, 0.3, 0.4, 0.5, 0.2, 0.9, 0.7, 0.6
Modo de obtencin de las variables aleatorias:

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

197

VIII BIBLIOTECA DE PROBLEMAS

(0.2,25);

max f (x ) : x

2 / 3;

Genero

(0.2,25) ;

u1, u 2

2,25 u1;

2 / 3 u 2;

Calculof (x )
Si

f (x )

Acepto x ;

Valores para DS1: 0.45 no acepto no acepto 1.575 0.675 1.8 0.9 0.45 1.575
-Los tiempos de servicio de la impresora DS2: funcin de distribucin G(x):

0
x
G (x )

1
12

5
20

10

10

15

15

Usamos el mtodo de la transformada inversa:


Si u < 0.75

12

Si u > 0.75

20

Usamos la serie 3:
Serie 3:0.1, 0.4, 0.8, 0.6, 0.7, 0.2, 0.1, 0.5, 0.7, 0.9, 0.8, 0.6, 0.9, 0.2, 0.3, 0.7, 0.3, 0.5
Resultados para DS2:
4.6 5.8 11 8.2 9.4 3.4 2.2 7 9.4 13 11 8.2 13 3.4 4.6 9.4 4.6 7

TRAZA:
DL: 3.47 0.53 6.02 1.78 8.05 11.51 2.55 1.12 6.02 2.55 11.51 1.12 1.78 0.53 11.51 4.58
8.05 0.53
DS1: 0.45 no acepto no acepto 1.575 0.675 1.8 0.9 0.45 1.575
DS2: 4.6 5.8 11 8.2 9.4 3.4 2.2 7 9.4 13 11 8.2 13 3.4 4.6 9.4 4.6 7

FACULTAD DE MATEMTICAS

198

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

N evento Reloj TM Tipo evento NES NEI


0

TL

TS1

TS2

TU

8.52

4.6

8.52

4.6

Inicio

3.47

3.47

Llegada

3.92

Servicio

Llegada

10.02

5.75

Servicio

10.02

8.52

4.6

8.52

Impresin

10.02

14.32

10.4

10.02

Llegada

11.8

10.7

14.32

10.4

10.7

Servicio

11.8

12.5

14.32

10.4

11.8

llegada

19.85

12.5

14.32

10.4

12.5

Servicio

19.85

14.32

10.4

10

14.32

Impresin

19.85

25.32

21.4

11

19.85

Llegada

31.36

25.32

21.4

12

20.75

Servicio

31.36

25.32

21.4

13

25.32

Impresin

31.36

33.52

29.6

3.92
5.75

20.75

El factor de utilizacin resulta de dividir el nmero de trabajos impresos entre el tiempo de


utilizacin de la mquina en los 30 minutos simulados.
Factor de utilizacin = 3/29.6 = 0.101.

RESULTADO DEL PROBLEMA 10


En primer lugar se presentar el modelo con todos los elementos que incluye y en segundo
lugar se presentar la traza, junto con los mtodos utilizados para generar las variables aleatorias
que se describen.
ELEMENTOS DEL MODELO:
Variables de estado:
El objetivo de la simulacin va a ser estudiar el coste por hora del primer robot:
N1(t) = Nmero de maquinas que hay en el taller de reparacin.
R: Variable que me dice si el robot esta funcionando (R = 0) o esta arreglndose (R = 1).
Eventos:
Los eventos que se pueden dar en nuestro sistema tal que produzcan un cambio en el mismo
son:
- Llegada de una mquina al taller.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

199

VIII BIBLIOTECA DE PROBLEMAS

- Reparacin de una maquina = Salida de mquina del taller.


- Inicio avera de un robot.
- Fin reparacin del robot
Mecanismo de transicin:
Los cambios que se producen en el estado del sistema cuando se produce uno de los eventos
anteriormente descritos son:
- Llegada de una mquina al taller : N1
N1+1.
- Reparacin de una maquina = Salida de mquina del taller.
N1

N1-1;

- Avera de un robot. N1 se mantiene. R=0


- Fin de reparacin de robot. R=1
Datos:
- Distribucin de tiempos entre llegadas de mquinas al taller (Poisson de parmetro 5 )
- Distribucin de los tiempos de reparacin (exponencial)
- Distribucin de los tiempos de avera del robot: f(x)
- Tiempo de duracin de reparacin robot 15 min.
- TMAX = tiempo mximo de simulacin. (120 minutos).
Otras variables:
- TM: Reloj de simulacin.
- DL: Tiempo entre llegadas = Poisson
- DS1: Tiempo de reparacin = Exponencial.
- DAR: Tiempo entre averas de robot. F(x).
- TL: Instante de la prxima llegada.
- TS1: Instante del prximo final de reparacin.
- TAR: Instante del prximo final de avera de robot.
- TFR: instante del prximo final de reparacin de robot
- SUMA: contador acumulado suma de reas de taller en el sistema por tiempo de
permanencia.
- TANT: variable auxiliar.
- NANT: variable auxiliar.
- A: Variable auxiliar que me dice cuanto tiempo trabaja el robot.
- T(t) :Tiempo que el robot esta funcionando.
MODELO:
Programa principal:

FACULTAD DE MATEMTICAS

200

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

0.- Inicializacin
N1 = 0; N2 = 0; TM = 0; TS1 = inf.; TFR = inf.; NNAT = 0; TANT = 0; R=0 ; A = 0 ;
Generar DL; TL = DL
Generar DAR; TAR = DAR;
1.- Actualizacin del reloj de simulacin: TM = min (TL, TS1, TAR, TFR);
2.- Identificacin de evento y llamada a subrutinas de evento.
Si TM = TL. Llamar a subrutina: Llegada a taller.
Si TM = TS1. Llamar a subrutina: Reparacin.
Si TM = TAR. Llamar a subrutina: Avera.
Si TM = TFR. Llamar a subrutina: Fin Avera.
3.- Regla de parada.
Si TM < TMAX, ir a 1. Si no, parar:
Coste = 1000 2+2000 A/60+8000 SUMA/120
Subrutinas
Llegada a taller
1.- Si R = 0
1.- N1 = N1 + 1:
Si N1 = 1, Generar DS1, poner TS1 = TM + DS1, A = DS1 + A;
NANT=N1, TANT=TM
Volver a Programa principal.
2.- Si R = 1
N1 = N1 +1
Si N1 = 1
Generar DS1, TS1 = TFR + DS1, A = DS1 + A;
3. Generar DL, poner TL = TM + DL.
SUMA = SUMA + NANT x (TM-TANT)
NANT=N1, TANT=TM
4. Volver a Programa principal.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

201

VIII BIBLIOTECA DE PROBLEMAS

Reparacin
1.- N1 = N1 - 1;
2.- Si N1 = 0, poner TS1 = inf. Si no, Generar DS1, poner TS1 = TM + DS1; A = A + DS1;
3.-SUMA = SUMA + NANT x (TM-TANT)
4.- NANT=N1, TANT=TM
5.- Volver a Programa principal.
Avera
R=1
1.- TFR = TAR + 15;
Si N >= 1
TS1 = TS1 + 15;
2.-SUMA = SUMA + NANT x (TM-TANT)
3.- NANT=N1, TANT=TM
4.- Volver a Programa principal.
Fin avera
R=0
1.- TFR = infinito;
Generar DAR; TAR = DAR + TM;
2.- Volver a programa principal

MTODOS DE GENERACIN DE VARIABLES ALEATORIAS:


- Llegadas al taller: distribucin exponencial de media 1/5 *60 = 12 minutos
X = -Ln(u)*12;
Valores para DL con la serie 1:
8,31 1,26 14,44 4,28 19,31 27,63 6,12 14,44 6,12 27,63 2,67 4,28 1,26 27,63 10,99 19,31
1,26 2,67

FACULTAD DE MATEMTICAS

202

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

- Los tiempos de reparacin: distribucin exponencial. El robot 1 arregla. 6 mquinas por


hora: Exponencial de media 10 minutos.
X = -Ln(u) 10;
Valores para DS1 con la serie 2:
16,09 2,23 22,07 6,93 1,05 5,10 23,02 12,03 5,10 2,23 12,03 9,16 6,93 16,09 1,05 3,56 5,10
3,56
-

Los tiempos de servicio del servidor: distribucin de funcin de densidad:.

f (x )

32
(x 0.75) 0.75 x 1
3
16
(1.5 x ) 1 x 1.5
3
0
resto

Usaremos la serie 3:
Serie 3: 0.9, 0.1, 0.8, 0.6, 0.2, 0.5, 0.7, 0.4, 0.1, 0.6, 0.3, 0.7, 0.3, 0.1, 0.1, 0.4, 0.3, 0.1
Modo de obtencin de las variables aleatorias:

(0, 75.1, 5);

max f (x ) : x

2, 66

Genero

(0, 75.1, 5) ;

u1, u 2

0, 75

0, 5 u1;

2, 66 u 2;

Calculof (x )
Si

f (x )

Acepto x ;

Valores para DAR (en minutos): 72 No acepto 69 63 51 60 66 57 48


TRAZA:
DL: Tiempo de llegada al taller: 8,31 1,26 14,44 4,28 19,31 27,63 6,12 14,44 6,12 27,63
2,67 4,28 1,26 27,63 10,99 19,31 1,26 2,67
DS1: Tiempos de reparacin del robot 1: 16,09 2,23 22,07 6,93 1,05 5,10 23,02 12,03 5,10
2,23 12,03 9,16 6,93 16,09 1,05 3,56 5,10 3,56
Valores para DAR (en minutos): Tiempos de avera robot. 72 No acepto 69 63 51 60 66 57 48

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

203

VIII BIBLIOTECA DE PROBLEMAS

N
Reloj
evento TM

Tipo
evento

N1 N2

TL

Inicio

8.31

8.31

Llegada

16.09

9.57

9.57

Llegada

24.01

Llegada

24.4

Reparacin

26.63

TS1

TAR

TFR

R SUMA

72

24.4

72

16.09 24.01

24.4

72

1.26

16.09 28.29

24.4

72

30.14

18.32 28.29

26.63

72

31.31

Reparacin

40.39 28.29

48.7

72

35.77

28.29

Llegada

40.39

47.6

48.7

72

37.42

47.6

Llegada

40.39 75.23

48.7

72

76.04

48.7

Reparacin

47.32 75.23

55.63

72

79.34

55.63

Reparacin

48.37 75.23

56.68

72

93.2

10

56.68

Reparacin

48.37 75.23

72

94.25

11

72

Avera

48.37 75.23

72

87

94.25

12

75.23

Llegada

53.47

77.9

92.1

87

94.25

13

77.9

Llegada

53.47 82.18

92.1

87

96.92

14

82.18

Llegada

53.47 83.44

92.1

87

1 105.48

15

83.44

Llegada

53.47 111.07

92.1

87

1 109.26

16

87

Fin avera

53.47 111.07

92.1

17

92.1

Reparacin

18

111.07

Llegada

19

115.92 Reparacin

141

0 109.26

76.49 111.07 115.02

141

0 129.66

76.49 122.07 115.02

141

0 186.57

88.52 122.07

141

0 205.97

126.8

Coste = 1000 2+2000 A/60+8000 SUMA/120 = 18679 euros en dos horas. 9339 Euros
/ hora.

FACULTAD DE MATEMTICAS

204

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

RESULTADOS DEL PROBLEMA 13


En primer lugar se presentar el modelo con todos los elementos que incluye y en segundo
lugar se presentar la traza, junto con los mtodos utilizados para generar las variables aleatorias
que se describen.
ELEMENTOS DEL MODELO:
Variables de estado:
El objetivo de la simulacin va a ser estudiar el nmero de clientes que hay en cada una
de las ventanillas, as pues, las variables de estado van a ser:
- N1 = Nmero de clientes que hay en el servidor 1 ( ventanilla para comprobar que la
declaracin es correcta).
- N2 = Nmero de clientes que hay en el servidor 2 ( ventanilla para pagar o recibir el
importe de la declaracin ).
Nota: El nmero total de clientes en nuestro sistema va a ser N1+N2.
Eventos:
Los eventos que se pueden dar en nuestro sistema tal que produzcan un cambio en el
mismo son:
- Llegada de un cliente al servidor 1.
- Servicio de un cliente en el servidor 1 = Llegada de cliente al servidor 2
- Servicio de un cliente en el servidor 2 (lo que equivale a irse definitivamente de la
agencia o sistema).
Mecanismo de transicin:
Los cambios que se producen en el estado del sistema cuando se produce uno de los
eventos anteriormente descritos son:
- Llegada de un cliente al servidor 1 : N1 N1+1.
- Servicio de un cliente del servidor 1 =Llegada de un cliente al servidor 2
N1
N1-1;
N2

N2+1.

- Servicio de un cliente en el servidor2: N2 N2-1.


Datos:
- Distribucin de tiempos entre llegadas a la ventanilla 1 (exponencial de media 1 min.)
- Distribucin de los tiempos de servicio de la ventanilla 1 (discreta)
- Distribucin de los tiempos de servicio de la ventanilla 2 (discreta)
- TMAX = tiempo mximo de simulacin. (10 minutos).

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

205

VIII BIBLIOTECA DE PROBLEMAS

Otras variables:
- TM: Reloj de simulacin.
- DL: Tiempo entre llegadas = Exponencial.
- DS1: Tiempo de servicio ventanilla1 = Discreta.
- DS2: Tiempo de servicio ventanilla2 = Discreta.
- TL: Instante de la prxima llegada.
- TS1: Instante del prximo final de servicio en ventanilla1.
- TS2: Instante del prximo final de servicio en ventanilla2.
MODELO:
Programa principal:
0.- Inicializacin
N1 = 0; N2 = 0; TM = 0; TS1=inf.; TS2=inf.;
Generar DL; TL = DL
1.- Actualizacin del reloj de simulacin: TM = min (TL, TS1, TS2);
2.- Identificacin de evento y llamada a subrutinas de evento.
Si TM = TL. Llamar a subrutina: Llegada a servidor 1.
Si TM = TS1. Llamar a subrutina: Servicio1.
Si TM = TS2. Llamar a subrutina: Servicio2.
3.- Regla de parada.
Si TM<TMAX, ir a 1. Si no, parar: N1, N2.
Subrutinas
Llegada a servidor1
1.- N1=N1+1:
2.- Generar DL, poner TL=TM+DL.
Si N1=1, Generar DS1, poner TS1=TM+DS1:
3.- Volver a Programa principal.
Servicio1
1.- N1 = N1 - 1; N2 = N2 + 1.
2.- Si N1 = 0, poner TS1=inf. Si no, Generar DS1, poner TS1 = TM + DS1
Si N2=1, Generar DS2, poner TS2 = TM + DS2;
3.- Volver a Programa principal.

FACULTAD DE MATEMTICAS

206

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

Servicio2
1.- N2 = N2 1.
2.- Si N2 = 0, poner TS2=inf. Si no, Generar DS2, poner TS2 = TM + DS2;
3.- Volver a Programa principal.

MTODOS DE GENERACIN DE VARIABLES ALEATORIAS:


- Llegadas a la ventanilla 1: distribucin exponencial de media 1 minuto: x=-Ln(u);
Valores para DL con la serie 1:
0.27, 2.81, 1.83, 0.23, 0.61, 0.52, 1.77, 0.12, 0.69, 0.07, 1.1, 0.44, 0.67, 00.31, 1.46, 0.47.
- Los tiempos de servicio de la ventanilla 1: distribucin discreta.
Probabilidad de 0.2 que sean 0.6 minutos:

Si u<0.2,

x 0.6

Probabilidad de 0.5 que sean 0.7 minutos:

Si 0.2<u<0.7,

x 0.7

Probabilidad de 0.3 que sean 0.8 minutos:

Si u>0.7,

x 0.8

Valores para DS1 segn la serie 2:


0.6, 0.6, 0.7, 0.7, 0.8, 0.7, 0.6, 0.7, 0.6, 0.7, 0.7, 0.8, 0.6, 0.8, 0.7, 0.7
-Los tiempos de servicio de la ventanilla 2: distribucin discreta.
Probabilidad de 0.1 que sean 0.8 minutos: Si u<0.1,

x 0.8

Probabilidad de 0.7 que sean 0.9 minutos: Si 0.1<u<0.8, x 0.9


Probabilidad de 0.2 que sea 1 minuto:

Si u>0.8,

x 1

Valores para DS2 segn la serie 3:


0.9, 0.9, 0.9, 1, 0.8, 0.9, 0.9, 0.9, 1, 0.9, 0.8, 0.9, 0.9, 0.9, 1, 0.9
TRAZA:
DL: Tiempo de llegada a la ventanilla 1:
0.27, 2.81, 1.83, 0.23, 0.61, 0.52, 1.77, 0.12, 0.69, 0.07, 1.1, 0.44, 0.67, 0.31
DS1: Tiempos de servicio de la ventanilla 1:
0.6, 0.6, 0.7, 0.7, 0.8, 0.7, 0.6, 0.7, 0.6, 0.7, 0.7, 0.8, 0.6, 0.8, 0.7, 0.7
DS2: Tiempos de servicio de la ventanilla 2:
0.9, 0.9, 0.9, 1, 0.8, 0.9, 0.9, 0.9, 1, 0.9, 0.8, 0.9, 0.9, 0.9, 1, 0.9

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

207

VIII BIBLIOTECA DE PROBLEMAS

N evento
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

Reloj TM
0
0.27
0.87
1.77
3.08
3.68
4.58
4.91
5.14
5.61
5.75
6.27
6.31
6.51
7.11
7.51
7.81
8.04
8.16
8.31
8.64
8.85
8.92
9.21
9.34
9.94
10.02

Tipo evento
Inicio
Llegada
Servicio1
Servicio2
Llegada
Servicio1
Servicio2
Llegada
Llegada
Servicio1
Llegada
Llegada
Servicio1
Servicio2
Servicio1
Servicio2
Servicio1
Llegada
Llegada
Servicio2
Servicio1
Llegada
Llegada
Servicio2
Servicio1
Servicio1
Parada

N1
0
1
0
0
1
0
0
1
2
1
2
3
2
2
1
1
0
1
2
2
1
2
3
3
2
1
1

N2
0
0
1
0
0
1
0
0
0
1
1
1
2
1
2
1
2
2
2
1
2
2
2
1
2
3
3

TL
0.27
3.08
3.08
3.08
4.91
4.91
4.91
5.14
5.75
5.75
6.27
8.04
8.04
8.04
8.04
8.04
8.04
8.16
8.85
8.85
8.85
8.92
10.02
10.02
10.02
10.02

TS1

TS2

0.87
1.77
3.68
4.58
5.61
5.61
6.31
6.31
6.31
7.11
7.11
7.81
7.81
8.64
8.64
8.64
9.34
9.34
9.34
9.34
9.94
10.64

6.51
6.51
6.51
6.51
7.51
7.51
8.31
8.31
8.31
8.31
9.21
9.21
9.21
9.21
10.11
10.11
10.11

FACULTAD DE MATEMTICAS

208

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

IX Prcticas propuestas para finanzas


Estas prcticas estn propuestas como gua en el inicio a la simulacin aplicada a finanzas, con
orden creciente de complejidad, sobre todo del instrumento financiero sobre el que se proponen.
Pueden programarse en cualquier lenguaje, herramienta u hoja de clculo (Matlab, Excel).
PRCTICA 1: GENERADOR CONGRUENCIAL Y NORMAL
1. Programar un generador congruencial ( m 231 1 , a=16807, b=0)
2. Generar dos series de normales mediante Box-Mller ( x 2ln u1 cos(2 u2 ) ,

y 2ln u1 sen(2 u2 ) )
3. Hacer el histograma, y dar la media, varianza, coeficientes de asimetra y curtosis, el VaR y
la correlacin entre ambas series.

PRCTICA 2: VARIABLES ANTITTICAS Y ESTIMACIN


1. Generar las antitticas de las muestras anteriores.
2. Estimar la correlacin entre las muestras originales y sus antitticas. Estimar VaR, media y
varianza de las muestras antitticas y de las formadas por las muestras originales y las
antitticas

PRCTICA 3: MOVIMIENTO BROWNIANO


1. Generar un movimiento browniano unidimensional para T=100, con t 1 segn la
expresin X X t N (0,1) . Representar grficamente
2. Generar un movimiento browniano bidimensional para T=100, con t 1 segn la
expresin X X t N (0,1), Y Y t N (0,1) . Representar grficamente
3. Generar una muestra de valores de un movimiento browniano en T=100, con t 1 segn
las dos opciones siguientes y comparar los resultados de la estimacin de media y varianza
a.

X X t N (0,1)

b.

Z T N (0,1)

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

209

VIII BIBLIOTECA DE PROBLEMAS

PRCTICA 4: VALORACIN OPCIN CALL EUROPEA VAINILLA


Obtener el valor de una opcin call europea vainilla con vencimiento T. Dar la estimacin del
valor si Vcall e

rc t

Eriesgo neutro [ payoff ] (1 r ) t Eriesgo neutro [ payoff ] y la precisin (tened en

cuenta que la varianza de la estimacin del valor es S 2Vcall e rct

2
).
S payoff

1. Obtener el valor final del subyacente mediante la expresin en el plazo final

S (t ) S (0)e

1 2

rc d c t t N (0,1)
2

2. Obtener el valor final del subyacente mediante simulacin dinmica con t 1/12 y la
1 2

rc dc t t N (0,1)
2

expresin S Se

3. Obtener el valor final del subyacente mediante simulacin dinmica con t 1/12 y el
mecanismo de transicin

S S S (rt d t ) S t N (0,1) Se( rc dc ) t S t N (0,1) S (1 r d ) t S t N (0,1)


4. Comparar

los

resultados

anteriores

con

la

frmula

de

Black-Scholes

Vcall (S , t ) Se dc (d1 ) Ke rct (d2 ) , donde

d1

ln S / K rc dc 1/ 2 2 t

y d 2 d1 t )

Utilizar datos anuales: r= 3%, Strike = 14, Plazo T = 1, 2 y 3 aos, = 0,3; S0 = 14, d (divid)=0%

PRCTICA 5: VALORACIN OPCIN CALL EUROPEA VAINILLA NO BROWNIANA


(T DE STUDENT)
Obtener mediante simulacin el valor de una opcin call europea vainilla con dividendos para
plazos t=1, 2,,T, pero cuyos incrementos se rigen segn una distribucin T de Student. Dar la
estimacin del valor y la precisin y comparar con el resultado de la prctica anterior. Utilizar
los mismos datos de la prctica anterior, y n 6 . (Nota: recordar que la varianza de una T de
Student con n grados de libertad es
ha

de

hacerse

con

S Se( rc dc ) t S t

sta

n
, con lo que al sustituir la normal por la T de Student,
n2

tipificada).

Utilizar

para

la

evolucin

del

subyacente

Tn
.
n / (n 2)

FACULTAD DE MATEMTICAS

210

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015

MODELOS Y MTODOS DE SIMULACIN: TCNICAS DE MONTE CARLO. APLICACIONES EN FINANZAS

PRCTICA 6: VALORACIN OPCIN CALL EUROPEA VAINILLA BROWNIANA CON


SALTOS
Obtener mediante simulacin el valor de una opcin call europea vainilla en la que el
subyacente evoluciona segn un proceso de Wiener y un proceso de Poisson. Es decir, suponer
que sobre el proceso de Wiener acta un proceso de Poisson de parmetro 2 (anual) para

10%S 1/ 2
. Dar la
15%S 1/ 2

saltos en la valoracin, y que esos saltos se distribuyen segn X S

estimacin del valor y la precisin, y comparar con el resultado de las prcticas anteriores.

PRCTICA 7: VALORACIN OPCIN PUT EUROPEA Y AMERICANA: ALGORITMO


BINOMIAL
Obtener mediante el algoritmo binomial el valor de una opcin put europea y una opcin put
americana, con los datos de la prctica 4, y comparar el resultado de la estimacin del valor de
la opcin europea con el obtenido mediante simulacin (usar la relacin de paridad sobre el
valor obtenido en el ejercicio 4).

PRCTICA 8: VALORACIN OPCIN CALL ASITICA


Obtener mediante simulacin el valor de una opcin call asitica browniana con dividendos y
vencimiento T. Dar la estimacin del valor y la precisin. Utilizar los mismos datos que en la
prctica 4, y comparar el resultado con los obtenidos en esa prctica.

PRCTICA 9: VALORACIN OPCIN PUT BERMUDAS


Obtener el valor de una opcin put bermudas browniana y con opcin de ejercicio trimestral.
Utilizar los mismos datos que en la prctica 4, y comparar con los resultados de la prctica 7.

PRCTICA 10: VALORACIN ESTRATEGIA BUTTERFLY


Obtener mediante simulacin el valor de una estrategia butterfly formada por la compra de una
opcin call europea con strike K, la compra de otra opcin europea con strike K>K, y la venta
de dos call europeas con strike K tal que K<K<K, todas sobre el mismo subyacente. Aplicar
suponiendo los datos del apartado 4 con K=14, K=16 y K=15.

FACULTAD DE MATEMTICAS

07/10/2015

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

211

VIII BIBLIOTECA DE PROBLEMAS

PRCTICA 11: VALOR Y RIESGO DE UNA CARTERA DE OPCIONES


Obtener mediante simulacin el valor de una cartera formada por opciones call y put europeas
sobre diversos subyacentes relacionados entre s, y comparar con el valor supuesto que son
independientes. Obtener el VaR de los payoff de la cartera a los 3 aos. Suponer la siguiente
composicin de la cartera (una unidad de cada opcin) y los siguientes datos: r = 5%
Correlacin 12 0, 7
Opcin 1: Subyacente S1 , call Strike = 15, Plazo T = 3 aos, sigma = 0,3, S1 (0) = 14
Opcin 2: Subyacente S1 , put Strike = 14, Plazo T = 3 aos, sigma = 0,3, S1 (0) = 14
Opcin 3: Subyacente S 2 , call Strike = 11, Plazo T = 3 aos, sigma = 0,4, S 2 (0) = 10

FACULTAD DE MATEMTICAS

212

DEPARTAMENTO DE ESTADSTICA
E INVESTIGACIN OPERATIVA I

07/10/2015