Monte Carlo
Monte Carlo
Monte Carlo
El análisis de riesgo forma parte de todas las decisiones que tomamos. Nos enfrentamos
continuamente a la incertidumbre, la ambigüedad y la variabilidad. Y aunque tenemos un
acceso a la información sin precedentes, no podemos predecir con precisión el futuro. La
simulación Monte Carlo permite ver todos los resultados posibles de las decisiones que
tomamos y evaluar el impacto del riesgo, lo cual nos permite tomar mejores decisiones en
condiciones de incertidumbre.
¿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 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.
Los científicos que trabajaron con la bomba atómica utilizaron esta técnica por primera; y
le dieron el nombre de Monte Carlo, la ciudad turística de Mónaco conocida por sus
casinos. Desde su introducción durante la Segunda Guerra Mundial, la simulación Monte
Carlo se ha utilizado para modelar diferentes sistemas físicos y conceptuales.
Lognormal – Los valores muestran una clara desviación; no son simétricos como en la
distribución normal. Se utiliza para representar valores que no bajan por debajo del cero,
pero tienen un potencial positivo ilimitado. Ejemplos de variables descritas por la
distribución lognormal son los valores de las propiedades inmobiliarias y bienes raíces, los
precios de las acciones de bolsa y las reservas de petróleo.
Uniform – Todos los valores tienen las mismas probabilidades de producirse; el usuario
sólo tiene que definir el mínimo y el máximo. Ejemplos de variables que se distribuyen de
forma uniforme son los costos de manufacturación o los ingresos por las ventas futuras de
un nuevo producto.
Triangular – El usuario define los valores mínimo, más probable y máximo. Los valores
situados alrededor del valor más probable tienen más probabilidades de producirse. Las
variables que se pueden describir con una distribución triangular son el historial de ventas
pasadas por unidad de tiempo y los niveles de inventario.
PERT – El usuario define los valores mínimo, más probable y máximo, como en la
distribución triangular. Los valores situados alrededor del más probable tienen más
probabilidades de producirse. Sin embargo, los valores situados entre el más probable y los
extremos tienen más probabilidades de producirse que en la distribución triangular; es
decir, los extremos no tienen tanto peso. Un ejemplo de uso de la distribución PERT es la
descripción de la duración de una tarea en un modelo de gestión de un proyecto.
Discrete – El usuario define los valores específicos que pueden ocurrir y la probabilidad de
cada uno. Un ejemplo podría ser los resultados de una demanda legal: 20% de
posibilidades de obtener un veredicto positivo, 30% de posibilidades de obtener un
veredicto negativo, 40% de posibilidades de llegar a un acuerdo, y 10% de posibilidades de
que se repita el juicio.
Durante una simulación Monte Carlo, los valores se muestrean aleatoriamente a partir de
las distribuciones de probabilidad introducidas. Cada grupo de muestras se denomina
iteración, y el resultado correspondiente de esa muestra queda registrado. La simulación
Monte Carlo realiza esta operación 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. Indica no sólo
lo que puede suceder, sino la probabilidad de que suceda.
La simulación Monte Carlo proporciona una serie de ventajas sobre el análisis determinista
o ―estimación de un solo punto‖:
Una ventaja de la simulación Monte Carlo es el uso del muestreo Latino Hipercúbico, que
muestrea con mayor precisión a partir de un rango completo de funciones de distribución.