Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

Monte Carlo

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 3

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.

Cómo funciona la simulación Monte Carlo

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. Luego, calcula los
resultados una y otra vez, cada vez usando un grupo diferente de valores aleatorios de las
funciones de probabilidad. Dependiendo del número de incertidumbres y de los rangos
especificados, para completar una simulación Monte Carlo puede ser necesario realizar
miles o decenas de miles de recálculos. La simulación Monte Carlo produce distribuciones
de valores de los resultados posibles.

El análisis de riesgo se puede realizar cualitativa y cuantitativamente. El análisis de riesgo


cualitativo generalmente incluye la evaluación instintiva o ―por corazonada‖ de una
situación, y se caracteriza por afirmaciones como ―Eso parece muy arriesgado‖ o
―Probablemente obtendremos buenos resultados‖. El análisis de riesgo cuantitativo trata de
asignar valores numéricos a los riesgos, utilizando datos empíricos o cuantificando
evaluaciones cualitativas. Vamos a concentrarnos en el análisis de riesgo cuantitativo.
Mediante el uso de distribuciones de probabilidad, 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. Las distribuciones de probabilidad más comunes son:

Normal – O ―curva de campana‖. El usuario simplemente define la media o valor esperado


y una desviación estándar para describir la variación con respecto a la media. Los valores
intermedios cercanos a la media tienen mayor probabilidad de producirse. Es una
distribución simétrica y describe muchos fenómenos naturales, como puede ser la estatura
de una población. Ejemplos de variables que se pueden describir con distribuciones
normales son los índices de inflación y los precios de la energía.

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‖:

 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.
 Correlación de variables de entrada. En la simulación Monte Carlo es posible
modelar relaciones interdependientes entre diferentes variables de entrada. Esto es
importante para averiguar con precisión la razón real por la que, cuando algunos
factores suben, otros suben o bajan paralelamente.

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.

También podría gustarte