Simulación de Montecarlo

La simulación Monte Carlo es un método computacional para propagar la incertidumbre a través de un modelo. En lugar de calcular un resultado a partir de un conjunto de supuestos, muestrea repetidamente valores de distribuciones de probabilidad específicas y produce una distribución de posibles resultados. Puede aclarar el riesgo, pero no puede convertir en verdaderas las suposiciones débiles.

Cuándo usarlo

Utilice la simulación Monte Carlo cuando interactúen varias entradas inciertas y una decisión dependa del rango, la probabilidad o la cola de los resultados resultantes.

Es útil para lanzamientos de productos, evaluación de inversiones, adquisiciones, duración y coste de proyectos, capacidad, seguros e ingeniería. Ayuda a responder:

• ¿Qué lanzamiento tiene el resultado ajustado al riesgo más atractivo?
• ¿Qué rango de rentabilidad podría producir una inversión?
• ¿Qué supuestos de adquisición generan desventajas?
• ¿Cuánto tiempo puede tardar un proyecto complejo y qué contingencia presupuestaria se justifica?

Utilice un análisis de sensibilidad más simple cuando solo unos pocos escenarios importan o no se pueden estimar distribuciones confiables.

Orígenes

El método moderno fue desarrollado en Los Álamos durante y después de la Segunda Guerra Mundial por investigadores como Stanisław Ulam, John von Neumann, Nicholas Metropolis y Robert Richtmyer. El muestreo aleatorio ayudó a resolver cálculos físicos que de otro modo serían intratables. El nombre se refiere a la asociación de Montecarlo con los juegos de azar, no a la afirmación de que el método sea un juego de azar.

Qué es

Una simulación comienza con un modelo causal. Los insumos inciertos reciben distribuciones que representan valores plausibles y sus probabilidades. La ordenador toma muestras de un valor para cada entrada, calcula el resultado y repite el proceso muchas veces.

Para una nueva planta, la finalización podría ocurrir en 12. meses, 14 meses, 16 meses o 24 meses, pero esos puntos por sí solos no definen una distribución. Los analistas deben elegir su forma, límites y dependencias a partir de la evidencia y la obtención de expertos.

La salida puede mostrar resultados esperados, percentiles, probabilidades de umbral y pérdidas de cola. No muestra automáticamente el “mejor caso” y el “peor caso”: las distribuciones ilimitadas o mal especificadas pueden producir extremos inverosímiles, mientras que los riesgos omitidos nunca aparecen.