Simulación De Montecarlo 
Cómo funciona la simulación Monte Carlo
¿Qué es la simulación
Monte Carlo?
La simulación Monte Carlo es una técnica matemática computarizada que permite tener en cuenta el riesgo en análisis cuantitativos y tomas de decisiones. Esta técnica es utilizada por profesionales de campos tan dispares como los de finanzas, gestión de proyectos, energía, manufacturación, ingeniería, investigación y desarrollo, seguros, petróleo y gas, transporte y medio ambiente.
La simulación Monte Carlo realiza el análisis de riesgo con la creación de modelos de posibles resultados mediante la sustitución de un rango de valores —una distribución de probabilidad— para cualquier factor con incertidumbre inherente.
La simulación Monte Carlo proporciona una serie de ventajas sobre el análisis determinista o “estimación de un solo punto
Son:
Resultados probabilísticos. Los resultados muestran no sólo lo que puede suceder, sino lo probable que es un resultado.
Resultados gráficos. Gracias a los datos que genera una simulación Monte Carlo, es fácil crear gráficos de diferentes resultados y las posibilidades de que sucedan. Esto es importante para comunicar los resultados a otras personas interesadas.
Análisis de sensibilidad. Con sólo unos pocos resultados, en los análisis deterministas es más difícil ver las variables que más afectan el resultado. En la simulación Monte Carlo, resulta más fácil ver qué variables introducidas tienen mayor influencia sobre los resultados finales.
Análisis de escenario. En los modelos deterministas resulta muy difícil modelar diferentes combinaciones de valores de diferentes valores de entrada, con el fin de ver los efectos de situaciones verdaderamente diferentes. Usando la simulación Monte Carlo, los analistas pueden ver exactamente los valores que tienen cada variable cuando se producen ciertos resultados. Esto resulta muy valioso para profundizar en los análisis.
Proceso de la Técnica Montecarlo
Otras Consideraciones de la Técnica
son
click to edit
- Repita los pasos del 2 al 6 hasta que se genere la cantidad de variables aleatorias deseadas sin perder de vista la secuencia en que se dieron.
- Anote el valor de X correspondiente a la intersección. Este valor de X se toma como un valor de la muestra.
- Proyecte la intersección hacia debajo para obtener la abscisa (X).
- Proyecte horizontalmente el punto correspondiente en el eje Y (para el número decimal aleatorio), hasta que la proyección de la línea interseque la curva acumulativa.
- Elija un número aleatorio entre 0 y 1 por medio de generadores de números aleatorios (puede usar una tabla).
- Tabule el dato de interés (número aleatorio), como una función de distribución de probabilidad acumulada con los valores de variables en el eje X (de la gráfica) y la probabilidad de 0 a 1 trazada en el eje Y.
El concepto, la técnica es relativamente simple:
El diseño de un modelo que contiene elementos estocásticos o probabilísticos, siempre da origen a la pregunta referente a si debemos usar datos empíricos directamente en el muestreo de Montecarlo o si debemos usar una de las distribuciones teóricas. Esta pregunta es muy importante y fundamental por tres razones:
Primera: El uso de datos empíricos implica que todo lo que uno está haciendo es simular el pasado. El uso de datos del año pasado duplicará en forma eficiente sólo el rendimiento de dicho año; los únicos eventos posibles son aquellos que ya ocurrieron. Una cosa es suponer que la forma básica de la distribución permanecerá inalterada a través del tiempo y otra muy diferente es suponer que la idiosincrasia de un período en particular se repetirá.
Segunda: Por lo general resulta más eficiente usar una distribución de probabilidad teórica en términos de tiempo de cómputo y de requerimientos de almacenamiento.
Tercera: Es mucho más fácil cambiar los parámetros de un generador de distribuciones teóricas para realizar las pruebas de sensibilidad o contestarse preguntas del tipo “que pasa sí”.
click to edit