ÍNDICE

Página

ÍNDICE ................................................................................................................. ii

INTRODUCCION ................................................................................................ 1

MÉTODO DE MONTE CARLO ......................................................................... 3

1.1. Historia ........................................................................................................................... 3

1.2. Características ................................................................................................................ 4

1.2.1. Automatización del Modelo de Monte Carlo ................................................................. 7

1.3. Simulación: Método Monte Carlo .................................................................................. 7

1.3.1. Métodos de simulación .................................................................................................. 8

1.3.2. Etapas del proceso de simulación .................................................................................. 8

1.4. Ventajas y desventajas ................................................................................................... 8

1.4.1. Ventajas .......................................................................................................................... 8

1.4.2. Desventajas .................................................................................................................... 9

1.5. Ejemplos....................................................................................................................... 11

Bibliografía ......................................................................................................... 21
INTRODUCCION
El método de Monte Carlo es una herramienta de investigación y planeamiento;
básicamente es una técnica de muestreo artificial, que se inició como la posible solución a
una infinitud de problemas matemáticos como las integrales o cualquier expresión
matemática compleja y costosa de evaluar con exactitud, de las cuales se requería
expresiones más sencillas o aproximaciones de estas más confiables, para operar
numéricamente sistemas complejos que tengan componentes aleatorios.

Gracias a la constante evolución de las microcomputadoras, en lo que se refiere a su

capacidad de procesamiento de la información, el método de Monte Carlo es cada vez más
frecuentemente utilizado. Hoy en día este método es aplicable a cualquier tipo de problema
ya que este método utiliza muestreos estadísticos que luego son insertados en una
computadora, donde se analiza las variables aleatorias y se les designa con mayor exactitud
la posibilidad de que estas ocurran o no de cierta manera.

Por otra parte, este método de Monte Carlo, para producir una solución que se
aproxime más al resultado, mantiene un error absoluto de estimación que se aproxima a la
inversa de la raíz cuadrada de los N posibilidades en un espacio determinado cosa que vuelve
este método más exacto o confiable.

Esta metodología provee como resultado, incorporada a los modelos financieros,

aproximaciones para las distribuciones de probabilidades de los parámetros que están siendo
estudiados.

Para ello son realizadas diversas simulaciones donde, en cada una de ellas, son
generados valores aleatorios para el conjunto de variables de entrada y parámetros del
modelo que están sujetos a incertidumbre. Tales valores aleatorios generados siguen
distribuciones de probabilidades específicas que deben ser identificadas o estimadas
previamente.

En lo que se refiere al uso de la computadora, podemos asegurar que los

procedimiento a desarrollar para obtener una visión clara de la variabilidad y el rédito de los
proyectos bajo análisis, requerirá de técnicas simples; como por ejemplo, y lo vamos a
mostrar en este trabajo, la planilla de cálculo puede emplearse para obtener valiosa
información sobre la sensibilidad del posible rendimiento frente a las variaciones de factores
determinados, y sobre la probabilidad de obtener diversos niveles de rendimiento.

1
 Esta información será fundamental como respaldo de decisiones gerenciales; no
pueden quedar dudas que el conocimiento de la probabilidad de ocurrencia de toda la gama
de posibles rendimientos, brinda una cierta seguridad de que la información disponible ha
sido empleada con la máxima eficacia.

El ejercicio de razonar en base a la incertidumbre contribuye a mejorar la habilidad

de elegir las inversiones, porque comprender la incertidumbre y el riesgo equivale a
comprender el secreto de los negocios, y es la llave para abrir la puerta a las buenas
oportunidades.

2
MÉTODO DE MONTE CARLO
1.1. Historia

El método originalmente fue llamado de Montecarlo por tener un origen en el

principado de Mónaco la cual es llamada “La capital del juego de azar” pero finalmente se
logra asignar la invención del método de Monte Carlo se asigna a Stanislaw Ulam y a John
von Neumann. Ulam ha explicado cómo se le ocurrió la idea mientras jugaba un solitario
durante una enfermedad en 1946. Advirtió que resulta mucho más simple tener una idea del
resultado general del solitario haciendo pruebas múltiples con las cartas y contando las
proporciones de los resultados que computar todas las posibilidades de combinación
formalmente. Se le ocurrió que esta misma observación debía aplicarse a su trabajo de Los
Álamos sobre difusión de neutrones, para la cual resulta prácticamente imposible solucionar
las ecuaciones íntegro-diferenciales que gobiernan la dispersión, la absorción y la fisión.
“La idea consistía en probar con experimentos mentales los miles de posibilidades, y en cada
etapa, determinar por casualidad, por un número aleatorio distribuido según las
probabilidades, qué sucedería y totalizar todas las posibilidades y tener una idea de la
conducta del proceso físico”.

Podían utilizarse máquinas de computación, que comenzaban a estar disponibles,

para efectuar las pruebas numéricas y en efecto reemplazar el aparato experimental del
físico. Durante una de las visitas de von Neumann a Los Álamos en 1946, Ulam le mencionó
el método. Después de cierto escepticismo inicial, von Neumann se entusiasmó con la idea
y pronto comenzó a desarrollar sus posibilidades en un procedimiento sistemático. Ulam
expresó que Monte Carlo “comenzó a tener forma concreta y empezó a desarrollarse con
todas sus fallas de teoría rudimentaria después de que se lo propuse a Johnny”

Uno de las primeras aplicaciones del método de Monte Carlo en una investigación
aplicada, podemos encontrarla en los trabajos acerca de la bomba atómica durante la segunda
guerra mundial, Esta investigación incluía la simulación directa de problemas
probabilísticos de hidrodinámica concernientes a la difusión de neutrones aleatorios en el
material radioactivo de fusión. Sin embargo, en una primera etapa Jhon von Neumann y
Stanislaw Ulam refinaron la curiosa “Ruleta rusa” y los métodos de división. Pero todo su
trabajo tuvo que esperar hasta que Harris Herman Kahn en 1948 el cual desarrollo un sistema
que englobara ambas ideas.

3
 La importancia de este hecho reside en que por primera vez se hace patente que esta
técnica, además de para el azar y los juegos, también era aplicable a otras áreas del
conocimiento. Tan es así que fue 1964 cuando Hertz aplica esta práctica técnica de
simulación al análisis de las inversiones. (CEREM international Business School, n.d.)

1.2. Características

EI método de Monte Carlo es una técnica de análisis numérico que se basa en el uso
de secuencias de números aleatorios para muestrear los valores de las variables de
probabilidad de un problema determinado.

Bajo el nombre de Método Monte Carlo o Simulación Monte Carlo se agrupan una
serie de procedimientos que analizan distribuciones de variables aleatorias, usando
simulación de números aleatorios. El método de Monte Carlo da solución a una gran
variedad de problemas matemáticos haciendo experimentos con muestreos estadísticos en
una computadora

La simulación Monte Carlo ofrece a la persona responsable de tomar las decisiones

una serie de posibles resultados, así como la probabilidad de que se produzcan según las
medidas tomadas. Muestra las posibilidades extremas —los resultados de tomar la medida
más arriesgada y la más conservadora— así como todas las posibles consecuencias de las
decisiones intermedias.

La primera máquina digital Electronic Numerical Integrator And Computer (Computador

e Integrador Numérico Electrónico)

4
 La técnica de la simulación de Monte Carlo se basa en simular la realidad a través
del estudio de una muestra, que se ha generado de forma totalmente aleatoria. Resulta, por
tanto, de gran utilidad en los casos en los que no es posible obtener información sobre la
realidad a analizar, o cuando la experimentación no es posible, o es muy costosa. Así,
permite tener en cuenta para el análisis un elevado número de escenarios aleatorios, por lo
que, se puede decir que hace posible llevar la técnica del análisis de escenarios al infinito
ampliando la perspectiva de los escenarios posibles. De esta forma, se pueden realizar
análisis que se ajusten en mayor medida a la variabilidad real de las variables consideradas.
La aplicación de esta técnica se basa en la identificación de las variables que se consideran
más significativas, así como las relaciones existentes entre ellas (aunque esto puede resultar
realmente complejo), para explicar la realidad a estudiar mediante la sustitución del universo
real, por un universo teórico utilizando números aleatorios.

5
 La importancia actual del método Montecarlo se basa en la existencia de problemas
que tienen difícil solución por métodos exclusivamente analíticos o numéricos, pero que
dependen de factores aleatorios o se pueden asociar a un modelo probabilístico artificial
(resolución de integrales de muchas variables, minimización de funciones, etc.). Gracias al
avance en diseño de los ordenadores, cálculos Montecarlo que en otro tiempo hubieran sido
inconcebibles, hoy en día se presentan como asequibles para la resolución de ciertos
problemas. En estos métodos el error ~ 1/√N, donde N es el número de pruebas y, por tanto,
ganar una cifra decimal en la precisión implica aumentar N en 100 veces. La base es la
generación de números aleatorios de los que nos serviremos para calcular probabilidades.

6
Conseguir un buen generador de estos números, así como un conjunto estadístico adecuado
sobre el que trabajar son las primeras dificultades con la que unos se puede encontrar a la
hora de utilizar este método.

1.2.1. Automatización del Modelo de Monte Carlo

De forma simplificada, se puede aplicar el Modelo de Monte Carlo en el Excel de la

siguiente forma:

1. Estimar la escala de valores que podría alcanzar cada factor, y la probabilidad

de ocurrencia asociada a cada valor.
2. Elegir, aleatoriamente, uno de los valores de cada factor, y dependiendo de
la combinación seleccionada, computar la tasa de rendimiento resultante.
3. Repetir el mismo proceso una y otra vez, la cantidad de veces que sea
necesaria, que permita definir y evaluar la probabilidad de ocurrencia de cada
posible tasa de rendimiento. Como existen millones de posibles
combinaciones de factores, necesitamos efectuar un número de pruebas
suficientemente grande para que pueda apreciarse la posibilidad de
ocurrencia de las varias tasas de rendimiento. El resultado al que se llegará
será una lista de distintas tasas de rendimiento que podrían lograrse, que
puede variar desde una pérdida (si los factores son adversos) hasta la
ganancia máxima que sea posible lograr conforme con los pronósticos que se
hayan efectuado.
4. Se calcula la tasa media esperada, que es el promedio ponderado de todas las
tasas resultantes de las sucesivas pruebas realizadas, siendo la base de
ponderación la probabilidad de ocurrencia de cada una.
5. También se determina la variabilidad de los valores respecto del promedio,
lo que es importante porque a igualdad de otros factores, la empresa
presumiblemente preferirá los proyectos de menor variabilidad.

Dependiendo de la política de decisión, el proceso lo podremos aplicar a la tasa

interna de retorno o al valor actual neto. Los ejercicios aquí presentados trabajan en base al
valor actual neto.

1.3. Simulación: Método Monte Carlo

7
 Simulación: es el proceso de diseñar y desarrollar un modelo computarizado de un
sistema o proceso y conducir experimentos con este modelo, con el propósito de entender el
comportamiento del sistema o evaluar varias estrategias con las cuales se puede operar el
sistema

 Modelo de simulación: conjunto de hipótesis acerca del funcionamiento del sistema

expresado como relaciones matemáticas y/o lógicas entre los elementos del sistema.
 Proceso de simulación: ejecución del modelo a través del tiempo en un ordenador
para generar muestras representativas del comportamiento.

1.3.1. Métodos de simulación

 Simulación estadística o Monte Carlo: está basada en el muestreo sistemático de

variables aleatorias.
 Simulación continua: los estados del sistema cambian continuamente su valor. Estas
simulaciones se modelan generalmente con ecuaciones diferenciales.
 Simulación por eventos discretos: se define el modelo cuyo comportamiento varía
en instantes del tiempo dados. Los momentos en los que se producen los cambios
son los que se identifican como los eventos del sistema o simulación.
 Simulación por autómatas celulares: es aplicado en casos complejos, los cuales
dividen el comportamiento del sistema en subsistemas pequeños llamados células, el
resultado de la simulación está dado por la interacción de las diversas células.

1.3.2. Etapas del proceso de simulación

1. Definición, descripción del problema. Plan.

2. Formulación del modelo.
3. Programación.
4. Verificación y validación del modelo.
5. Diseño de experimentos y plan de corridas.
6. Análisis de resultados.

1.4. Ventajas y desventajas

1.4.1. Ventajas

 Herramienta poderosa para entender y cuantificar los efectos de los riesgos de un

proyecto.

8
  Muestra distribución de probabilidades de los resultados para cada nivel de confianza
escogido y no sólo un valor.
 Permite al Project Manager calcular las contingencias del Proyecto.
 Supera restricciones de los enfoques analíticos en la planificación de proyectos que
las hacen inutilizables en situaciones prácticas (Williams, 2003).
 Muestra gráficamente las distribuciones de duración o el costo de un proyecto, que
es una forma mucho más útil de visualización para responder a preguntas sobre el
nivel de confianza de las fechas de finalización y costos del proyecto.
 Simulación de Monte Carlo maneja miles de datos y por lo tanto miles de caminos
que pueden ser analizados (Kwak et al., 2007).
 Posibilidad de variar valores que hagan cambiar la totalidad del proyecto y poder
analizar cada caso.

1.4.2. Desventajas

 Toma grandes cantidades de tiempo para procesar todos los datos (Williams, 2003).
Depende mucho del nivel de complejidad y la cantidad de actividades que se
procesen.
 Falta de Conocimiento de los Software hace difícil de incorporar en la industria.
 Alto costo
 La Simulación de Monte Carlo muestra una distribución de probabilidad de la
duración que es muy ancha en algunos proyectos. (Williams, 2003) explica que esto
se debe a que "las simulaciones se producen de forma poco inteligente, ya que asume
que no hay una acción en la gestión. En el mundo real, es probable que se tomen
medidas para recuperar los proyectos que están severamente retrasados, y algunas de
estas acciones pueden (aunque no siempre) ayudar a traer el proyecto de nuevo en
un rango aceptable.
 El modelo que ejecuta Monte Carlo debe ser acorde a la realidad para que los
resultados sean coherentes.
 Incapacidad de estimar correctamente los valores límites de distribución. La
estimación de la duración de las actividades del proyecto normalmente requiere un
conocimiento experto, o datos históricos de proyectos similares. La experiencia
previa y los datos detallados de proyectos anteriores del mismo tipo son a la vez
útiles para mitigar esta incertidumbre, sin embargo, estos datos a menudo no están
9
 disponibles. Por lo tanto, el gerente de proyecto debe tener mucho cuidado en la
revisión de ambos; las estimaciones de valores y la elección de las distribuciones de
probabilidad con la que modelar para evitar el síndrome "Garbage in, Garbage Out"
(basura entra, basura salen).
 Alto escepticismo en la industria por falta de conocimiento.
 CPM es la base para aplicar este método, y en este contexto identificar las actividades
predecesoras y sucesoras es vital (McCabe, 2003).

Ventajas Desventajas
- Es un método directo y flexible - Una buena simulación puede
(Se puede tener por ejemplo una actividad resultar muy complicada, gran número de
y que se tenga la posibilidad como que no variables.
de que esta ocurra en un tiempo
determinado).
- Existe un amplio abanico de - La simulación no genera
programas y lenguajes destinados a similar soluciones Optimas globales. (El método de
(el cálculo se vuelve mecánico y Montecarlo de todas formas siempre
computarizado). mantiene un error.)
- Cuando el modelo matemático es - No proporciona la decisión a
demasiado complicado tomar, sino que resuelve el problema
la simulación permite obtener mediante aproximación para unas
una aproximación. (Se genera un resultado, condiciones iniciales.
respuestas y aproximaciones de una
incertidumbre acerca de la actividad
analizada).
- La simulación nos permite - Cada simulación es única,
formular condiciones extremas con riesgos interviene el azar.
nulos. (Nos permite visualizar en cierta
forma el futuro de la obra, trabajo o
actividad, es decir, el rumbo más crítico con
ajustes en tiempos necesarios sin llegar a
riesgos innecesarios que puedan perjudicar
el proyecto)
- La simulación no interfiere con el
mundo real. Permite experimentar.
- Permite estudiar
la interacción entre las diferentes variables
del problema.
- Mediante la simulación podemos
“influir en el tiempo” de los procesos.
- La simulación permite resolver
problemas que no tienen solución analítica.

10
1.5. Ejemplos

A) El primer ejemplo que expondremos, es el más simple para describir este método,
asumiremos que tenemos una circunferencia inscrita en un cuadrado y tenemos una forma
de marcar puntos en el cuadrado aleatoriamente. Unos puntos quedarán fuera del círculo y
otros quedarán dentro. Pues bien, si generamos el número suficiente de puntos, podremos
calcular el número π de la siguiente forma:

Suponemos que el cuadrado tiene un lado de tamaño 2r y por tanto la circunferencia

inscrita tiene un radio r. Asumimos que el valor de r, será de 10, para ello calculamos lo
siguiente:

Área
Cuadrado 100.000 AREA ROJA 21.460
Área AREA
circunferencia 78.540 AMARILLA 78.540

Donde:

𝐴𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜 = (2𝑟)2 = 4𝑟 2

𝐴𝑐𝑖𝑟𝑐𝑢𝑙𝑜 = П𝑟^2

𝐴𝑐𝑖𝑟𝑐𝑢𝑙𝑜 П
=
𝐴𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜 4

𝑃𝑢𝑛𝑡𝑜𝑠 𝑒𝑛 𝑒𝑙 𝑐𝑖𝑟𝑐𝑢𝑙𝑜 П
=
𝑃𝑢𝑛𝑡𝑜𝑠 𝑒𝑛 𝑡𝑜𝑡𝑎𝑙 4

Como se puede observar, se deduce una relación entre los puntos que inciden dentro
del círculo y los puntos totales en el cuadrado, dicha relación, según el generador de puntos
aleatorios, y según la cantidad de puntos, expresa el valor de pi.
𝐸𝑛 𝑒𝑙 𝑐𝑖𝑟𝑐𝑢𝑙𝑜
П= 𝑇𝑜𝑡𝑎𝑙
*4
11
 Para corroborar esto, generamos un cuadro de intervalos y valores posibles de
incidencia en cada caso.

VALORES
P(X) F(X) intervalos
POSIBLES
Dentro del
0.785 0.785 0 0.785
circulo
Fuera del
0.215 1.000 0.785 1.000
circulo

Las frecuencias están en función el porcentaje de área que posee cada parte de la
figura, posteriormente generamos 20000 puntos aleatorios y obtuvimos los siguientes
resultados:

¿Cuántas veces aparece el dato?

Dentro del circulo Fuera del circulo
15740 4260

Y utilizando la relación ya anteriormente deducida, obtenemos el siguiente valor para

pi:

П 3.1408

B) Para calcular la probabilidad de resultados en una moneda, resulta mucho más

sencillo, por lo cual generamos un cuadro de intervalos y valores posibles de incidencia.

VALORES
P(X) F(X) intervalos
POSIBLES
CARA 0.500 0.500 0 0.500
SELLO 0.500 1.000 0.500 1.000

12
 Debido a que la moneda solo tiene dos casos, y la posibilidad de aparición en ambos
casos en la misma, tenemos distribuciones iguales en cada caso, 50% para cada uno.

Posteriormente generamos los intervalos aleatorios, cabe resaltar que el posible éxito
de estas aproximaciones dependerá también de la menos cantidad de variables al momento
de generar las variables, es decir, por ejemplo en este caso, que la moneda se lance con
aproximadamente la misma fuerza en todos los lanzamientos.

PRUEBA
1 0.370 CARA
PRUEBA
2 0.724 SELLO
PRUEBA
3 0.329 CARA
PRUEBA
4 0.845 SELLO
PRUEBA
5 0.718 SELLO
PRUEBA
6 0.395 CARA
PRUEBA
7 0.490 CARA
PRUEBA
8 0.505 SELLO
PRUEBA
9 0.910 SELLO
PRUEBA
10 0.724 SELLO
PRUEBA
11 0.475 CARA
PRUEBA
12 0.093 CARA

13
 PRUEBA
13 0.426 CARA
PRUEBA
14 0.269 CARA
PRUEBA
15 0.151 CARA
PRUEBA
16 0.398 CARA
PRUEBA
17 0.369 CARA
PRUEBA
18 0.813 SELLO
PRUEBA
19 0.990 SELLO
PRUEBA
20 0.928 SELLO

Luego de los 20 lanzamientos aleatorios, procesamos los datos, contabilizando la

incidencia de cada uno:

¿Cuántas veces aparece el dato?

CARA SELLO
11 9
PROBABILIDAD 55.00% 45.00%

14
 ¿Cuántas veces aparece el dato?
60.00%

50.00%

40.00%

CARA
30.00%
SELLO

20.00%

10.00%

0.00%

Concluyendo este ejemplo, la incidencia probabilística para la aparición de cara en

los lanzamientos es mayor, pero cabe resaltar nuevamente, que esto depende mucho de la
menor variación entre lanzamientos y también del azar.

C) En este ejemplo planteamos el caso de un dado de 6 caras, la posible aparición de

cada cara del dado es igual, debido a su simetría, por lo tanto su cuadro de distribuciones e
intervalos es el siguiente:

VALORES
P(X) F(X) intervalos
POSIBLES
1 0.167 0.167 0 0.167
2 0.167 0.333 0.167 0.333
3 0.167 0.500 0.333 0.500

4 0.167 0.667 0.500 0.667

5 0.167 0.833 0.667 0.833

6 0.167 1.000 0.833 1.000

15
 Generamos nuevamente valores aleatorios que representan lanzamientos reales,
obteniendo los siguientes resultados:

¿Cuántas veces aparece el dato?

N° N°
N°1 N°2 N°3 N°4 5 6
4 6 4 4 1 1
20. 30. 20. 20. 5.0 5.0
PROBABILIDAD 00% 00% 00% 00% 0% 0%

¿Cuántas veces aparece el dato?

35.00%

30.00%

25.00%

20.00%

15.00%

10.00%

5.00%

0.00%
N°1 N°2 N°3 N°4 N°5 N°6

Donde observamos que para los datos aleatorios realizados, obtenemos mayor
posibilidad de la aparición de la cara con el número dos.

Es importante notar que dichos análisis son independientes uno del otro, es decir, si
en un turno obtenemos 1, es posible que en el siguiente turno lo volvamos a obtener, debido
a que cada lanzamiento es distinto. Para aproximarlo más a la realidad se necesita ajustarlo
usando la cadena de Markov, cuyas deducciones, nos permitirán unir cada lanzamiento,
creando dependencias una con otra.

D) Como último ejemplo tenemos una aproximación a lo que sería la gestión de

riesgos en una secuencia de actividades, para lo cual asumiremos las actividades que se
hicieron para la realización del presente proyecto.

Para ello, asumiremos los mejores tiempos, los peores tiempos y los tiempos más
probables:
16
 MEJOR TIEMPO PEOR
ACTIVIDAD TIEMPO MAS TIEMPO
ESTIMADO PROBABLE ESTIMADO
REUNION DE
1 2 3
COORDINACION
RECOLECCION
2 3 5
DE INFORMACION
ELABORACION
2 3 4
DE INFORME
ELABORACION
1 2 4
DE DIAPOSITIVAS
DURACION
6 10 16
TOTAL

Como se puede observar, el presente trabajo estaba estimado para realizarse en el

mejor tiempo en 6 días, y en el peor tiempo en 16, teniendo un valor más probable de 10
días, por lo cual podemos realizar una tabla de frecuencias, otorgándole a cada uno una
incidencia promedio igual (es aquí donde entran a trabajar los simuladores, debido a que
según las variables internas y externas, algunos días del proyecto deberías tener mayor
posibilidad de ocurrencia).

VALORES
P(X) F(X) intervalos
POSIBLES
6 0.091 0.091 0 0.091
7 0.091 0.182 0.091 0.182
8 0.091 0.273 0.182 0.273
9 0.091 0.364 0.273 0.364
10 0.091 0.455 0.364 0.455
11 0.091 0.545 0.455 0.545
12 0.091 0.636 0.545 0.636
13 0.091 0.727 0.636 0.727
14 0.091 0.818 0.727 0.818

17
 15 0.091 0.909 0.818 0.909
16 0.091 1.000 0.909 1.000

Se generan las posibles duraciones del proyecto, esto también dependerán de

distintas variables, es por ello que es necesario el uso de simuladores, por lo ya anteriormente
explicado. El número de pruebas aleatorias que realizamos es 20000, para ello presentamos
las 20 primeras:

PRUEBA 1 0.570 12
PRUEBA 2 0.282 9
PRUEBA 3 0.775 14
PRUEBA 4 0.495 11
PRUEBA 5 0.531 11
PRUEBA 6 0.163 7
PRUEBA 7 0.992 16
PRUEBA 8 0.104 7
PRUEBA 9 0.452 10
PRUEBA 10 0.248 8
PRUEBA 11 0.371 10
PRUEBA 12 0.054 6
PRUEBA 13 0.747 14
PRUEBA 14 0.710 13
PRUEBA 15 0.790 14
PRUEBA 16 0.414 10
PRUEBA 17 0.126 7
PRUEBA 18 0.984 16
PRUEBA 19 0.854 15
PRUEBA 20 0.450 10
… … …

Analizando los resultados obtenidos, calculamos el número de incidencias.

18
 VALORES NUMERO DE
POSIBLES APARICIONES
6 1830
7 1818
8 1823
9 1890
10 1755
11 1840
12 1787
13 1763
14 1802
15 1842
16 1850

Posteriormente analizamos las frecuencias para cada cantidad de días:

RANGO DE
Relativas Acumuladas
POSIBILIDADES
6 9.15% 9.15%
7 9.09% 18.24%
8 9.12% 27.36%
9 9.45% 36.81%
10 8.78% 45.58%
11 9.20% 54.78%
12 8.94% 63.72%
13 8.82% 72.53%
14 9.01% 81.54%
15 9.21% 90.75%
16 9.25% 100.00%

19
 Relativas
9.60%

9.40%

9.20%

9.00%

8.80%

8.60%

8.40%
6 7 8 9 10 11 12 13 14 15 16

Acumuladas
120.00%

100.00%

80.00%

60.00%

40.00%

20.00%

0.00%
6 7 8 9 10 11 12 13 14 15 16

Donde podemos observar las posibilidades que el proyecto se dé, por ejemplo existe
una posibilidad del 81.54% que el proyecto se de en menos de 14 días, pero solo una
posibilidad de 9,01% que se dé exactamente en 14 días.

Así mismo podemos observar que la cantidad de días con mayor posibilidad son: 9
días y 16 días.

Para concluir con este ejemplo es necesario mencionar nuevamente que estas
incidencias dependen de un simulador, en el cual se introducen mayores variables del
proyecto.

20
Bibliografía
Análisis y cuantificación del Riesgo. (n.d.). Retrieved from
http://www.madrid.org/cs/StaticFiles/Emprendedores/Analisis_Riesgos/pages/pdf/m
etodologia/4AnalisisycuantificaciondelRiesgo%28AR%29_es.pdf

CEREM international Business School. (n.d.). El método Monte Carlo y su importancia en

la gestión de los riesgos. Retrieved November 13, 2018, from
https://www.cerem.pe/blog/cuanto-vale-el-riesgo-el-metodo-monte-carlo

Grijalva, Y. E. (2009). Introducción al método de simulación de Monte Carlo. Métodos

Cuantitativos Para Los Negocios, 232–249. Retrieved from
https://uplamcdn.files.wordpress.com/2009/04/libro-cap-08.pdf

Mcmurray, A., Pearson, T., & Casarim, F. (n.d.). GUÍA PARA APLICAR EL ENFOQUE
MONTE CARLO AL ANÁLISIS DE INCERTIDUMBRE EN LA CONTABILIDAD
FORESTAL Y DE GASES DE EFECTO INVERNADERO. Retrieved from
https://www.winrock.org/wp-content/uploads/2018/03/UncertaintyReport-12.26.17-
ES.pdf

Peña, D. (2001). Fundamentos de estadística. Alianza. Retrieved

from https://es.wikipedia.org/wiki/Método_de_Montecarlo

21