Miiioo

Muy buen día

A continuación, dejo en detalle el aporte de acuerdo al análisis de la simulación de

Montecarlo como posibilidad en la solución de problemas reales.

1.Descripción breve del problema a tratar

Una técnica efectiva usada para analizar la ruta crítica de un proyecto es la simulación Monte
Carlo, la cual se usará para estimar la probabilidad de terminar a tiempo un proyecto. Esta
técnica resulta necesaria, dada la alta incertidumbre mostrada en las estimaciones de los
tiempos de duración de las distintas actividades de los proyectos. Para facilitar los cálculos
se cuenta con programas de hoja de cálculo para PC, ofrece a los profesionales la
oportunidad de usar la simulación Monte Carlo en el trabajo diario de análisis. Microsoft
Excel es el programa dominante de análisis en hoja de cálculo.

Como todo modelo de simulación este se encarga de analizar y entregar unos resultados de
viabilidad al momento de lanzar 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.

2.Los supuestos utilizados para las variables Aleatorias

las variables pueden generar diferentes probabilidades de que se produzcan diferentes

resultados. Las distribuciones de probabilidad son una forma mucho más realista de
describir la incertidumbre en las variables de un análisis de riesgo con la ventaja de que nos
va a permitir tener un juicio sobre la probabilidad de los posibles valores de utilidad o de
pérdida. Ahora necesitamos generar valores para las entradas probabilísticas que sean
representativas de lo que pudiéramos observar en la práctica.
• Discretas: una variable aleatoria representada mediante una distribución discreta de
probabilidad puede tomar un valor de entre un conjunto de valores, cada uno de los cuales
tiene asignada una determinada probabilidad de ocurrencia. • Continuas: una variable
aleatoria representada mediante una distribución continua de probabilidad puede tomar
cualquier valor dentro de un rango determinado. • Paramétricas: la distribución de
probabilidad se ajusta a la descripción matemática de un proceso aleatorio que cumple con
determinados supuestos teóricos. Los parámetros que definen la distribución en general no
guardan relación intuitiva con la forma de la distribución. configuración cumple con las
restricciones, se registra esa nueva solución; si no, se queda con la antigua
3. Los escenarios considerados y su efecto en las distribuciones o los parámetros.

La simulación de Monte Carlo nos enseña dos escenarios de pérdida o ganancia de acuerdo
a las variables que se utilicen para la simulación. Al ejecutar el modelo de simulación se
aplican dos escenarios con diferente fin, generación de valor por el costo de los componentes
y la generación de valor para la demanda del primer año. Para la primera se genera
una distribución uniforme y se simula con un número aleatorio y el valor asociado con el
costo de los componentes. Para el segundo se generan valores al azar a partir de una
distribución de probabilidad normal donde se utilizó un valor medio y una desviación
estándar.
En los modelos deterministas resulta muy difícil modelar diferentes combinaciones de
valores de diferentes valores de entrada, con el fin de ver los efectos de situaciones
verdaderamente diferentes. Usando la simulación Monte Carlo, los analistas pueden ver
exactamente los valores que tienen cada variable cuando se producen ciertos
resultados. Esto resulta muy valioso para profundizar en los análisis de escenario,

4. Una conclusión (positiva o negativa) acerca de los resultados presentados en el artículo.

En conclusión, la simulación Monte Carlo es una herramienta ampliamente utilizada en

diferentes ámbitos de estudio. es útil para la proyección y estimación del valor de diferentes
clases de activos, los resultados financieros en condiciones de riesgo e incertidumbre y otras
decisiones de asignación de recursos.
Hoy en día son muchas las aplicaciones que tiene esta herramienta en diferentes campos
como en la física, química, problemas ingenieriles, economía etc. Esto es debido al avance
continúo de la capacidad de las computadoras. El uso de datos simulados que utiliza ésta
Simulación de Monte Carlo y metodología técnica, ha experimentado un gran desarrollo,
constituyendo en la actualidad una importante herramienta para el desarrollo de teorías y
métodos matemáticos