Método de Monte Carlo
Universidad Técnica Cotopaxi (UTC), Quito-Ecuador
Santander Pulí Segundo Aníbal
E-mail:an-ysantander@hotmail.com
Abstract
The Monte Carlo method is a procedure that is
applied to simulation systems, likewise there are
variables, that is, it is applied to probabilities and it is
necessary to apply them in order to reduce the
probabilistic uncertainty that existís in that model.
So you can know how we can approach reality, this can
be achieved once you have worked with a certain
number of times, by this method you can generate
random points between two intervals predefined by us
and through this you can find the success points that
are below the function.
Most of the physical problems, from where a star is
located to how a transistor works can not be solved with
a pencil and a paper, the only way to solve this type of
problems with the Montecarlo method.
They called it the Monte Carlo method because it is the
basis for it to work well, it is a good generator of random
random numbers, as for example we have casinos
roulette where there is an oscillating number that
simulates cases, as well as the famous solitaire game.
Index terms: probabilistic, method, random, interval,
variables.
Resumen
El método Montecarlo es un procedimiento que se
aplica a sistemas de simulación, así mismo las cuales
existen variables, es decir se aplica a probabilidades y
es necesario aplicarlos para poder reducir la
incertidumbre probabilística que existe en ese
modelo.
De manera que se puede saber cómo lo podemos
aproximar a la realidad, esto se puede lograr una vez
que se haya trabajado con un número determinado de
veces, por este método se puede generar puntos
aleatorios entre dos intervalos predefinidos por
nosotros y por medio de esto se puede hallar los
puntos de éxito que hay por debajo de la función.
La mayor parte de los problemas físicos, desde donde
está ubicada una estrella hasta cómo funciona un
transistor no se puede resolver con un lápiz y un
papel, la única forma de resolver este tipo de
problemas en con el método de Montecarlo.
Lo llamaron método Montecarlo porque es la base
para que funcione bien, es un buen generador de
números aleatorios al azar, como por ejemplo
tenemos la ruleta de los casinos donde hay un número
oscilatorio que simula casos, así como el famoso juego
del solitario.
Palabras clave: probabilística, método, aleatorio,
intervalo, variables.
1. INTRODUCCIÓN
El método de Monte Carlo es un procedimiento que se
realiza mediante variables tomados aleatoriamente, por
medio de este método podemos resolver problemas
matemáticos, esto se puede hacer tomando como
referencia al muestreo a, a partir de ello podemos llegar
a la solución, cabe recalcar que con este método podemos
llegar a resolver cualquier tipo de problema.
El método Monte Carlo es básicamente utilizado para
resolver o examinar problemas que no tienen un
componente aleatorio explicito, para esto se usan
números aleatorios para entender el impacto del riesgo en
un modelo de la realidad.
Este método es una técnica cuantitativa que hace uso de
la estadística para realizar modelos matemáticos de algún
sistema, y esto sirve para analizar el comportamiento de
los mismo sistemas basados en componentes aleatorios,
por medio de esta idea vamos a analizar el objetivo de
este método, para ello es importante conocer o identificar
las variables aleatorias cuyo comportamiento determine
el resultado final del sistema.
Cuando ya se haya identificado las variables se llevare el
objetivo que es de generar un conjunto de números
aleatorios para al final comprobar el resultado del
sistema, este método tras mas muestras o más variables
aleatorias que se obtienen vamos a obtener mayor
eficiencia, esto quiere decir que vamos a acercarnos más
al valor real y así podemos entender como es el método.
Este método se puede aplicar en medicina, campo de
cultura física, finanzas en ciencias sociales en lo cual se
llega a la conclusión que en un determinado evento se da
como una probabilidad es ahí que se puede realizar un
estudio, igualmente en finanzas se hace estrategias para
bolsas por ejemplo en campos como la medicina para
determinar una probabilidad de enfermedad, en todos
estos estudios normalmente ese hace basándose en datos
pasados donde se hace su estudio o su modelización y a
partir de ello e saca un resultado que estos están basados
en una probabilidades.
Este método es muy conocido ya que precisamente lo que
hace es dar diferentes escenarios donde se realiza muchas
pruebas y por medio de estos ver qué cantidad de
resultados se podría dar.
2. ANALISIS TEORICO
2.1. Inicio del Método Monte Carlo
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. En efecto, con
mucha frecuencia el número de estados posibles del
sistema es tan elevado que hace imposible calcular
valares promedio sumando sobre todos los estados, por
lo que se opta por tomar una muestra y estimar los valores
promedio a partir de ella. Los valores muestreados se
obtienen a partir de las distribuciones de probabilidad de
cada variable. La solución al problema planteado se
estima analizando los valares de la muestra a través de
mentados estadísticos.[1]
Ante todo este método fue llamado así por quien lo
invento Stanislaw Ulam en el año de 1940, este método
fue aparición con la aparición de la computadora
aproximadamente, fue también desarrollado como una
arma para la investigación tuvo su origen cuando
apareció la bomba atómica, este trabajo involucraba la
simulación directa donde se aplicaba variables de
probabilísticas de hidrodinámica, esto es la difusión de
neutrones aleatorios en material de función.
Este método básicamente aparición con el nombre de
Método Montecarlo o Simulación Montecarlo se trata en
procedimientos que analizan variables aleatorias usando
simulación de números aleatorios.
Por lo que respecta a este método, esto se logró cuando
jugaban el famoso juego del solitario, indicó que
resultaba mucho más simple tener una imagen del
resultado general del solitario haciendo varios ensayos
con las cartas y contando las proporciones de los
resultados que calcular todas las posibilidades de
combinación formalmente.
Por consiguiente esta idea consistía en probar con
experimentos mentales las 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.
El nombre de Montecarlo viene relacionado con la capital
de los juegos del azar, un casino de Mónaco donde se lo
conocía por mucho tiempo como el método de las vegas.
Se define como un proceso estocástico numérico, es decir
es una secuencia de estados cuya evolución viene
determinado por sucesos aleatorios.
Un suceso es un conjunto de resultados que se producen
con cierta probabilidad.
2.2. Que es un modelo
Un modelo está representado básicamente es un conjunto
de relaciones que se utilizan para representar y estudiar
de forma simple y comprensible una porción de la
realidad. Por otra parte un modelo pretende reproducir
solamente algunas propiedades del objeto a ser estudiado
y que este queda representado por otro de menor
complejidad.
En otras palabras un modelo sirve para responder a
cuestiones sobre la realidad que no sería accesibles
mediante la experimentación directa.
2.3 Aplicaciones del método Monte Carlo
El Método de Montecarlo da solución a una gran
variedad de problemas matemáticos haciendo
experimentos con muestreos estadísticos en una
computadora. El método es aplicable a cualquier tipo de
problema, ya sea estocástico o determinístico.
Generalmente en estadística los modelos aleatorios se
usan para simular fenómenos que poseen algún
componente aleatorio. Pero en el método Montecarlo, por
otro lado, el objeto de la investigación es el objeto en sí
mismo, un suceso aleatorio o pseudo-aleatorio se usa
para estudiar el modelo. [1]
Se puedo dar soluciones a diferentes problemas que no se
pueden realizar con simples cálculos matemáticos, es un
sistema que se puede utilizar datos aleatorios para llegar
al resultado. Este método es aplicado en diferentes ramas,
como por ejemplo en las siguientes:
 Flujos de Tráfico
 Pronóstico de comportamiento de Acciones de
Bolsa de Valores
 Exploración de yacimientos y minas
 Evolución de mantos estelares
 Diseño de reactores nucleares
 Comportamiento de nano estructuras
 Estudios de reproducción de células
cancerígenas
 Procesamiento/Generación de Imágenes por
computadora
 Comportamiento de ambientes contaminados
2.4. Variable aleatoria
Para empezar una variable aleatoria, es una variable (X)
que se le puede asignar un valor determinado, estos
valores pueden ser como por ejemplo (𝑿𝟎 , 𝑿𝟏 , 𝑿𝟐 ,
𝑿𝟑….. 𝑿𝒏−𝟏 ) esto genera varias probabilidad (𝑷𝟎 , 𝑷𝟏 , 𝑷𝟐 ,
𝑷𝟑….. 𝑷𝒏−𝟏 ) para poder entender de una mejor manera
veamos un ejemplo con una moneda, los posibles
resultado son (cara o cruz) y vamos a ver cuántas
probabilidades hay (1/2, 1/2).
En los ejemplos de los dados podemos tener 6
posibilidades de respuesta (1, 2, 3, 4, 5, 6) y sus
probabilidades para llegar a la respuesta son (1/6, 1/6,
1/6, 1/6, 1/6, 1/6,).
2.5. 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. [2]
Es muy buena herramienta para conocer el impacto de los
cambios en los procesos sin necesidad de llevarlos a cabo
en la realidad, con este herramienta podemos llegar a
mejor el conocimiento del proceso actual.
Se puede utilizar como medio de capacitación para la
toma de decisiones, por ello es más económico realizar
un estudio de simulación para saber cuál es el mejor
escenario y así encontrar la condición adecuada para
trabajar.
Dentro de la simulación tenemos desventajas como las
siguientes:
 Puede ser costosa para problemas sencillos
 No es una herramienta de optimización
 Se requiere mucho tiempo para realizar los
estudios de simulación.
2.6. Modelo de simulación
Los modelos de simulación es la recreación que se dan
en realidad mediante la construcción de modelos que
resulta el desarrollo de ciertas aplicaciones específicas.
Las simulaciones es una de las diversas herramientas con
la que cuenta el analista para tomar decisiones y mejorar
sus procesos
Los modelos de simulación, tienen relación con la parte
matemática, es básicamente una hipótesis de
funcionamiento de un sistema.
La realización de un estudio de simulación requiere la
ejecución de una serie de actividades y análisis que
permiten sacar un mejor provecho.
 Definición del sistema bajo estudio.-es
necesario conocer el sistema a modelar, ya que
se requiere saber que origina el estudio de
simulación y establecer en el modelo.
 Generación del modelo de simulación base.- es
el comportamiento de las variables del modelo
 Recolección y análisis de datos.- es la
distribución de cada uno de las variables
aleatorias necesarias para la simulación
2.7. Proceso de simulación
Es la ejecución del modelo de simulación a través del
tiempo en un ordenador, para generar muestras
representativas del comportamiento.
2.8. Métodos de Simulación A continuación vamos a ver un ejemplo del método de
Monte Carlo.
Entre las simulaciones más conocidas tenemos las
siguientes: Vamos a considerar un caso sencillo, digamos que
2.8.1. Simulación estática o Monte Carlo 𝟏
∫𝟎 𝑿𝟐 𝒅𝒙
Este método permite tomar un muestro sistemático de
variables aleatorias para llegar a solución del problema
2.8.2 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. [2]
Los eventos de simulación discreta se caracterizan por ser Fig. 1: curva de la integral. [3]
una secuencia finita o infinita de estados delimitados por
eventos que ocurren de manera asíncrona aunque parecen Siempre podremos considerar que el área se encuentra
simples pero los eventos de simulación discreta pueden inscrita en un cuadrado de área 1. Podremos considerar
modelar muchos eventos que presentan los responsables en el cuadrado de área 1 un número 𝑵 de puntos
de administrar una empresa, por ejemplo: el sistema de aleatorios (𝑿, 𝒀), y un número N′ que aparecen dentro de
control del tránsito aéreo donde podemos encontrar tres la superficie a determinar.
estados, que son:
 Cuando el avión está en el aire
 Cuando está en la tierra
 Cuando deja la pista despejada
Con sus respectivos eventos
 Arribar
Fig. 2: variables aleatorias. [3]
 Aterrizar
x y X^2 Y < X^2
 Despegar 0,84 0,49 0,7056 VERDADERO
0,28 0,87 0,0784 FALSO
2.8.3 Simulación Continua 0,64 0,12 0,4096 VERDADERO
0,49 0,41 0,2401 FALSO
En un modelo de simulación continua, el estado del 0,06 0,46 0,0036 FALSO
0,05 0,56 0,0025 FALSO
sistema se representa mediante baribales dependientes las 0,09 0,35 0,0081 FALSO
cuales cambian continuamente en el tiempo. 0,73 0,81 0,5329 FALSO
0,49 0,69 0,2401 FALSO
El sistema se monitorea en todos y cada uno de los puntos 0,64 0,6 0,40096 FALSO
en el tiempo. Por ejemplo tenemos el flujo de un líquido Tabla 1: variables aleatorias.
en una tubería o el crecimiento de la población mundial. 𝑵′ 𝑺
=
Un modelo de simulación continua se construye 𝑵 𝑨
definiendo ecuaciones para un conjunto de variables de
estado cuyo comportamiento dinámico simula al sistema El procedimiento de Montecarlo tiene N puntos
real, el objetivo principal de este modelos es ayudar a aleatorios de los que N′ resultan corresponder al área que
resolver situaciones complejas. deseamos calcular.
Los estados del sistema cambian continuamente su valor. 𝑵′
Estas simulaciones se modelan generalmente con 𝑺=𝑨∗
ecuaciones diferenciales. 𝑵

2.8.4 Simulación por autómatas celulares Luego 𝑺 es proporcional a la probabilidad de que un

punto aleatorio caiga en la superficie. Estimaremos esa
Los autómatas celulares son conceptos matemáticos que probabilidad como:
modela un sistema dinámico discreto, se aplica a casos
complejos, en los que se divide al comportamiento del 𝑵′
sistema en subsistemas más pequeños denominadas 𝑷=
células. El resultado de la simulación está dado por la 𝑵
interacción de las diversas células.
Que será la probabilidad de 𝑵′ éxitos en 𝑵 intentos y que
viene dada por la distribución binomial:
𝑵 
′ ′
𝑷(𝑵′ 𝒂𝒄𝒊𝒆𝒓𝒕𝒐𝒔 𝒆𝒏 𝑵) = ( ′ ) ∗ 𝑷𝑵 ∗ 𝒒𝑵−𝑵
𝑵
La distribución binomial se puede aproximar mediante
una normal cuando:
𝑵∗𝒑 >𝟓𝒚𝑵∗𝒒 >𝟓
La distribución normal por la que aproximamos tendrá
media
𝝁 = 𝑵. 𝒑 𝒚 𝒗𝒂𝒓𝒊𝒂𝒏𝒛𝒂 𝝈𝟐 = 𝑵 ∗ 𝒑 ∗ 𝒒
Además para una distribución normal 𝑵(𝝁, 𝝈𝟐 )sabemos
que el 95% de las observaciones se encuentran en el
intervalo:
(𝝁 − 𝟐𝝈, 𝝁 + 𝟐𝝈)
Con lo que suponiendo 𝑵 ∗ 𝒑 > 𝟓 𝒚 𝑵 ∗ 𝒒 > 𝟓
tendremos que el intervalo de confianza al 95% del
número de aciertos N′ en S estará en:
(𝑵 ∗ 𝒑 − 𝟐 √𝑵 ∗ 𝒑 ∗ 𝒒, 𝑵 ∗ 𝒑 √𝑵 ∗ 𝒑 ∗ 𝒒)
2.9. Números aleatorios
Ayuda a detectar generar varios escenarios y esto nos
sirve para dar un mejor panorama para ver lo que pasa
con el modelo.
Por lo tanto es necesario que cumplan las siguientes
características:
 Deben tener igual probabilidad de salir elegidos.
 No debe existir correlación serial
 Se generan por tablas (Rand 1955), o por
dispositivos especiales: ruleta. En la práctica se
utilizan algoritmos y se generan números
pseudo aleatorios.
2.10. Números Pseudo aleatorios
Son números al azar, es decir son resultados de un
proceso donde los números que conforman se van a tener
que elegir mediante una probabilidad, esto nos indica que
son resultados no predecibles. Las características
principales de estos números son:
 Sustituyen a los números aleatorios.
 Se generan por algoritmos o fórmulas.
 Se debe asegurar la existencia de secuencias
largas y densas.
Dentro de los números pseudo aleatorios tenemos las
siguientes ventajas:
 Basta con realizar operaciones aritméticas
sencillas.
Computacionalmente esta tarea no necesita de
elevados recursos.
 Los números aleatorios se pueden reproducir,
permitiendo comprobar la calidad de la
secuencia y aplicarla en diferentes problemas.
2.11. Distintos tipos de generadores pseudo aleatorios.
Todos los algoritmos para generar números pseudo
aleatorios producen enteros positivos, hasta un máximo
m. Para obtener números reales entre 0 y 1 basta dividir
por m. La mayoría se basan en métodos recurrentes
lineales en los que. [4]
𝑿𝒊 + 𝟏 = 𝒂𝟎 𝑿𝒊 + 𝒂𝟏 𝑿𝒊 − 𝟏 + ⋯ + 𝒂𝒓 𝑿𝒊 − 𝒓 + 𝒃
Mod=m
Tipos de generadores pseudo aleatorios
 Generadores congruentes lineales.
 Generadores congruentes multiplicativos.
 Generadores de Fibonacci retardados (Lagged
Fibonacci Congruential Generators).
 Desplazamiento de registros con
retroalimentaci´on lineal (Feedback Shift
Register).
2.12. Generación de Números aleatorios
Los números aleatorios se generan en forma manual o
mecánica utilizando técnicas como ruedas giratorias,
lanzamiento de dados, barajas. También existe métodos
aritméticos que permiten generar un gran conjunto de
números aleatorios, pero el advenimiento de la
computadora ha permitido crear generadores que
permitan generar de manera sucesiva todo los números
aleatorios que se requiera.
Para acercarnos a esa realidad tendríamos que repetir un
número infinito de veces, por lo tanto hay que ver como
acotar este número infinitos de veces que hagamos del
modelo de manera que hagamos que obtengamos un dato
estable y útil y que ya se parezca al dato que tenemos que
obtener en la realidad.
2.13. Tabla de números aleatorios
Estos números se pueden generar por medios de una hoja
de cálculo o por cualquier generador de cualquier
lenguaje de programación por la cual su comportamiento
es totalmente determinístico.
Se puede determinar números aleatorios mediante el
computador digital, existen tres métodos para producir
números aleatorio mediante el computador.
 Provisión externa
 Generación interna a través de un proceso físico.
  Generación por medio de una regla de Cuando haya una secuencia determinada de resultados
recurrencia. que no exceda de ese valor, podemos decir que ya
estamos dentro de la solución correcta y la serie ha sido
2.14. Generador de distribución de probabilidad estabilizada.

Para entender mejor vamos a ver un ejemplo: A continuación se ve un ejemplo del método de Monte
Carlo.
Supongamos que en un sistema en un periodo de 10
minutos, un número de clientes requería un servicio con Supongamos que tenemos un satélite, que para su
la siguiente probabilidad. funcionamiento depende de que al menos 2 paneles
solares de los 5 que tiene disponibles estén en
cliente probabilidad probabilidad acumulada funcionamiento, y queremos calcular φ la vida ´útil
0 0.40 0.40 esperada del satélite (el tiempo promedio de
1 0.25 0.65 funcionamiento hasta que falla, usualmente conocido en
2 0.20 0.85 la literatura como MTTF - Mean Time To Failure). [4]
3 0.15 1
Tabla 2: números aleatorias Supongamos que cada panel solar tiene una vida ´útil que
es aleatoria, y esta uniformemente distribuida en el rango
Esto nos indica que en esos 10 minutos la probabilidad [1000 horas, 5000 horas] (valor promedio: 3000 horas).
de que cero clientes (ningún cliente) haga ninguna
llamada su probabilidad es del 40%, y que es esos 10 Para estimar por Monte Carlo el valor de φ, haremos n
minutos llame un cliente su probabilidad es del 25%, las experimentos, cada uno de los cuales consistirá en sortear
probabilidades acumuladas nos estaría dando para el de el tiempo de falla de cada uno de los paneles solares del
cero clientes es 40, para el de un cliente es 65. satélite, y observar cual es el momento en el cual han
fallado 4 de los mismos, esta es la variable aleatoria cuya
Estas generaciones de probabilidad podemos generarlas esperanza es el tiempo promedio de funcionamiento del
bien cuando se utiliza distribuciones de tipo teórico es satélite.
decir que yo haya observado una serie de datos y sea
capaz de asimilarlo a una función específica teórica El valor promedio de la n observaciones nos proporciona
una estimación de φ.
 El modelo es más útil si se puede usar una
distribución teórica. experimento panel 1 panel 2 panel 3 panel 4 panel 5 satelite X
 Los datos empíricos deben comprobarse para 1 3027 1738 2376 4685 4546 4546
ver si se ajustan una distribución conocida. 2 4162 4029 4615 3455 3372 4162
3 3655 2896 1378 4010 4144 4010
4 2573 2649 2117 3956 1281 2649
2.15. Reducción de incertidumbre probabilística. 5 2977 2724 1355 2268 3262 2977
6 3756 4190 1749 3398 2581 3756
Esto tiene que ver con el número de repeticiones que promedio Sn/n=3683
tengo que hacer en los procedimientos. Tabla 3: simulación con n=6 experimentos [4]

Un ejemplo sencillo es lazar la moneda un número
elevado de veces vamos aproximándonos al valor real
que sería un 50% cara y el otro 50% cruz.
Cuando vayamos a ejemplos más complejos y que
tengamos un número grande de variables, abra que
repetir el experimento de lanzar la moneda las veces que
haya falta dependiendo de la complejidad del
experimento.
Para realizar un experimento es necesario realizarlo un
número elevado de veces superiores a 500 veces, esto
dependerá de caso en cuestión y la serie de números
aleatorios que se genere y del número de variables
aleatorias del problema.
El experimento podrá detenerse cuando la media
aritmética y la varianza se estabilicen dentro del entorno
del problema.
De esta simulación, tenemos un valor estimado para la
vida útil esperada del satélite de 3683. Un indicador del
error que podemos estar cometiendo es la varianza o
equivalentemente la desviación estándar de Sn, que en
este caso es 297.
2.16. Ventajas y desventajas del método del método
de Monte Carlo.
Este método tiene como características ventajas y
desventajas que permiten ver los resultados
probabilísticos y gráficos, con los probabilísticos
muestran lo que puede suceder y que tan probables es que
suceda un resultados, esto también se puede ver
gráficamente con los datos que son generados por el
método y así de esta manera se hace fácil crear gráficas
para resolver cuales son las posibilidades de que suceda
algo. [5]

Dentro de estas tenemos ventajas como:
 Es un método directo y flexible.
 Existe un amplio abanico de programas y
lenguajes destinados a simular.
 Cuando el modelo matemático es demasiado
complicado la simulación permite obtener una
aproximación.
 La simulación nos permite formular
condiciones extremas con riesgos nulos.
 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.
Este método tiene sus desventajas y es que no
siempre proporciona un resultado correcto y
podemos cometer un error.
 Una buena simulación puede resultar muy
complicada, gran número de variables.
 La simulación no genera soluciones
óptimas globales.
 No proporciona la decisión a tomar, sino
que resuelve el problema mediante
aproximación para unas condiciones
iniciales.
 Cada simulación es ´única, interviene el
azar.
2.17. Aplicación del método Monte Carlo
Este método se puede aplicar en la planificación de
proyectos de ingeniería civil, que está en la fase de
construcción.
Proponer la metodología para que su uso sea utilizado
por cualquier organización o empresa que desarrolle el
diseño y construcción de obras civiles.
2.18. Método de reducción de varianza
El valor esperado y la varianza son los parámetros por
medio de los cuales es posible caracterizar el
comportamiento de los datos reunidos en el desarrollo de
una situación experimental; el valor esperado permite
establecer el valor sobre el cual se centra la distribución
de la probabilidad, mientras que la varianza proporciona
información acerca de la manera como se distribuyen los
datos obtenidos.
Las simulaciones que proveen una estimación de un
parámetro de interés siempre lo hacen con un error
𝟏
estándar proporcional a donde N es el tamaño de la
√𝑵
muestra. [7]
Para reducir el intervalo de confianza en tamaño lo que
se debe hacer es realizar muchas más trayectorias. Una
de la alternativa para reducir el tamaño de los intervalos
de varianza es utilizar métodos estadísticos
Las técnicas de reducción de varianza discutidas en este
capítulo son:
 Variables aleatorias antitéticas.
 Variables de Control.
Variables aleatorias antitéticas.
Un par de variables aleatorias reales (𝒀, 𝒀∗ ), es llamado
un par antitético si 𝒀 𝒚 𝒀∗ tienen la misma distribución y
están negativamente correlacionadas. [8]
Estas variables del promedio de los resultados deberá
estar más cerca del valor esperado que el promedio de
corridas usando torrentes de números independientes.
Esto es cierto en modelos pequeños y simples. No
siempre se cumple en sistemas complejos donde por
ejemplo la salida de alguna actividad es luego la tasa de
entrada de otra.
Variables de Control.
Sea Y una variable aleatoria que representa la salida de
una ejecución de una simulación. Una variable 𝒀∗
obtenida de la misma ejecución de una simulación, es
llamada variable de control de Y si 𝒀 𝒚 𝒀∗ están
correlacionadas (negativamente o positivamente) y la
esperanza de 𝒀∗ es conocida. [8]
Este método nos permite estimar la esperanza de una
variable aleatoria X con varianza finita y aquí es donde
dependemos de una segunda variable Y donde debemos
conocer su esperanza analítica y saber que esta nueva
varianza Y sea finita.
Lo importante de este método es elegir el mejor valor de
la forma de minimizar el valor. En la práctica esto no es
tan fácil, ya que depende de la naturaleza de la variable
Y.
3. CONCLUSIONES
 Finalmente el método de Monte Carlo sirve para
establecer probabilidades que se presentan en
diferentes escenarios y es por ello que nos
permite resolver problemas físicos.
 En conclusión podemos definir al método como
una solución para solucionar cualquier tipo de
problemas, este básicamente depende de
factores como datos o variables aleatorias que
estas se pueden relacionar con un modelo
probabilístico.
 En otras palabras el método sirve para
solucionar problemas ya sean determinísticos o
estocásticos que no son de fáciles de resolución
y que para esto se necesita hacer muchos
cálculos usando variables al azar para aproximar
expresiones matemáticamente difíciles y
complicadas para evaluar con exactitud
[5] Departamento de Investigación Operativa Instituto
de computacion, Metodos de Monte Carlo,
Montevideo, Uruguay: primero, 2010.
[6] J. I. Illana, Metodos Monte Carlo Departamento de
fisica y teoria y del cosmos, Universidad de
Granada, Granada, 2013.
[7] H. A. Cruz Suarez, Técnicas de reducción de
varianza para el método Monte Carlo aplicado a
opciones financieras, Mexico, 2013.
[8] R. Oliva Lopez, Metodo de Monte Carlo para el
cálculo de integrales n-dimensionales, Mexico:
primera, 2017.

4. RECOMENDACIONES
 Realizar un estudio más amplio de este tema,
para así conocer a fondo todas sus
características y aplicarla de mejor manera en el
campo laboral.
 Conocer más a fondo los métodos y las
fórmulas para aplicarlas de una manera correcta
y de esta manera no obtener erros al momento
de obtener un resultado.
 Resolver varios ejercicios de práctica siguiendo
los pasos adecuados para así ampliar los
conocimientos adquiridos en este tema.
Segundo Aníbal Santander Pulí.-
Nació en Cuenca, Ecuador el 15 de
Noviembre de 1995, los estudios
primarios los realizó en la Escuela
“Luz de América” del canto Mejía.
Sus estudios secundarios los
culminó en el instituto Tecnológico "I.T.S.A" obteniendo
el título de bachiller en Máquinas eléctricas. Actualmente
se encuentra cursando el sexto semestre de la carrera de
ingeniería eléctrica en la Universidad Técnica de
Cotopaxi.

5. AGRADECIMIENTOS
A Dios Nuestro Señor por ser nuestra guía, a nuestros
padres que gracias a su ayuda moral y económica nos
ayudan a seguir en nuestro camino académico, a nuestros
amigos y docentes quienes nos brindan su amistad y
conocimiento respectivamente, mismos que son de vital
importancia en la realización del presente trabajo.

6. REFERENCIAS BIBLIOGRÁFICAS

[1] G. Leon, Metodos de Montecarlo, México: primera,

2013.

[2] Buenos Aires, Investigación Operativa, Argentina:

primera, 2005.

[3] L. J. Rodriguez Aragon, Simulacion, Metodo de

Montecarlo, España: primera, 2011.

[4] R. Y. Dirk Kroese, Simulation and the Monte Carlo

Method, Third Edition, 2016.