Simulación Monte Carlo
El análisis de riesgos es parte de cada decisión que tomamos.
Recursos
Método Monte Carlo
Nos enfrentamos constantemente a la incertidumbre, la ambigüedad y la variabilidad. Y aunque tenemos un acceso a la información sin precedentes, no podemos predecir el futuro con precisión. La simulación Monte Carlo (también conocida como Método Monte Carlo) le permite ver todos los resultados posibles de sus decisiones y evaluar el impacto del riesgo, lo que permite una mejor toma de decisiones en condiciones de incertidumbre.
¿Qué es la simulación Monte Carlo?
Técnica matemática computarizada
- finanzas
- gestión de proyectos
- energía
- manufactura
- ingeniería
- investigación y desarrollo
- seguros
- petróleo y gas
- transporte
- y medio ambiente.
Elección de acción
- las posibilidades extremas
- los resultados de apostarlo todo o ir por la decisión más conservadora,
- junto con todas las posibles consecuencias para las decisiones intermedias.
Sistemas físicos y conceptuales
Cómo funciona la simulación Monte Carlo
La simulación Monte Carlo realiza análisis de riesgo mediante la construcción de modelos de posibles resultados sustituyendo un rango de valores (una distribución de probabilidad) por cualquier factor que tenga incertidumbre inherente. Luego calcula los resultados una y otra vez, cada vez utilizando un conjunto diferente de valores aleatorios de las funciones de probabilidad. Dependiendo del número de incertidumbres y los rangos especificados para ellas, una simulación Monte Carlo podría involucrar miles o decenas de miles de nuevos cálculos antes de completarse. La simulación Monte Carlo produce distribuciones de posibles resultados.
Al usar distribuciones de probabilidad, las variables pueden tener diferentes probabilidades de que diferentes resultados ocurran. Las distribuciones de probabilidad son una forma mucho más realista de describir la incertidumbre en las variables de un análisis de riesgo.
Entre las distribuciones de probabilidad comunes podemos encontrar:
Normal
Lognormal
Uniforme
Triangular
PERT
Discreta
Muestras
Durante una simulación Monte Carlo, los valores se muestrean al azar a partir de las distribuciones de probabilidad. Cada conjunto de muestras se denomina iteración y se registra el resultado resultante de esa muestra. La simulación Monte Carlo hace esto cientos o miles de veces, y el resultado es una distribución de probabilidad de posibles resultados. De esta forma, la simulación Monte Carlo proporciona una visión mucho más completa de lo que puede suceder. No solo le dice lo que podría suceder, sino también la probabilidad de que suceda.
La simulación Monte Carlo ofrece una serie de ventajas sobre el análisis determinístico o de “estimación de un solo punto”:
- Resultados probabilísticos. Los resultados muestran no solo lo que podría suceder, sino también la probabilidad de que cada resultado ocurra.
- Resultados gráficos. Debido a los datos que genera una simulación Monte Carlo, es fácil crear gráficos de diferentes resultados y sus posibilidades de ocurrencia. Esto es importante para comunicar los hallazgos a otras partes interesadas.
- Análisis de sensibilidad Con solo unos pocos casos, el análisis determinístico dificulta ver qué variables impactan más en el resultado. En la simulación Monte Carlo, es fácil ver qué entradas tuvieron el mayor efecto en los resultados finales.
- Análisis de escenarios: en modelos determinísticos, es muy difícil modelar diferentes combinaciones de valores para diferentes entradas para ver los efectos de escenarios realmente diferentes. Con la simulación Monte Carlo, los analistas pueden ver exactamente qué entradas tenían qué valores juntos cuando se produjeron ciertos resultados. Esto es invaluable para continuar con el análisis.
- Correlaciones. En la simulación Monte Carlo, es posible modelar relaciones interdependientes entre variables de entrada. Es importante para la precisión representar cómo, en realidad, cuando algunos factores aumentan, otros aumentan o disminuyen en consecuencia.