Simulación Montecarlo

menu icon

Simulación Montecarlo

Aprenda todo lo que necesita saber sobre la simulación Montecarlo, un tipo de algoritmo computacional que utiliza un muestreo aleatorio repetido para obtener la probabilidad de que se produzcan una serie de resultados.

¿Qué es la simulación Montecarlo?

La simulación Montecarlo, también conocida como el método Montecarlo o una simulación de probabilidad múltiple, es una técnica matemática que se utiliza para estimar los posibles resultados de un suceso incierto. El método Montecarlo fue inventado por John von Neumann y Stanislaw Ulam durante la Segunda Guerra Mundial para mejorar la toma de decisiones en condiciones de incertidumbre. Tiene el nombre de un conocido barrio de Mónaco célebre por su casino, ya que el elemento de suerte es la base del enfoque de modelado, similar a un juego de ruleta.

Desde su introducción, las simulaciones Montecarlo han evaluado el impacto del riesgo en muchos escenarios de la vida real como, por ejemplo, en inteligencia artificial, los precios de las acciones, la previsión de ventas, la gestión de proyectos y la fijación de precios. También proporcionan una serie de ventajas frente a los modelos predictivos con entradas fijas como, por ejemplo, la capacidad de realizar análisis de sensibilidad o calcular la correlación de entradas. El análisis de sensibilidad permite a los responsables de la toma de decisiones ver el impacto de las entradas individuales en un determinado resultado, y la correlación les permite comprender las relaciones entre las variables de entrada.

¿Cómo funciona la simulación Montecarlo?

A diferencia de un modelo de previsión normal, la simulación Montecarlo predice un conjunto de resultados basándose en un rango estimado de valores frente a un conjunto de valores de entrada fijos. En otras palabras, una simulación Montecarlo crea un modelo de resultados posibles aprovechando una distribución de probabilidad, por ejemplo, una distribución uniforme o normal, para cualquier variable que tenga una incertidumbre inherente. A continuación, vuelve a calcular los resultados repetidamente, utilizando cada vez un conjunto diferente de números aleatorios entre los valores mínimo y máximo. En un experimento típico de Montecarlo, este ejercicio puede repetirse miles de veces para generar un gran número de resultados probables.

Las simulaciones Montecarlo también se utilizan para predicciones a largo plazo debido a su precisión. A medida que aumenta el número de entradas, el número de predicciones también crece, lo que le permite proyectar los resultados más lejos en el tiempo con más precisión. Cuando finaliza una simulación Montecarlo, proporciona un rango de posibles resultados con la probabilidad de que se produzca cada resultado.

Un ejemplo sencillo de una simulación Montecarlo es considerar el cálculo de la probabilidad de lanzar dos dados estándar. Hay 36 combinaciones al lanzar los dados. En función de esto, puede calcular manualmente la probabilidad de un determinado resultado. Usando una simulación Montecarlo, puede simular el lanzamiento de los dados 10 000 veces (o más) para lograr predicciones más precisas.

Cómo utilizar los métodos Montecarlo

Independientemente de la herramienta que utilice, las técnicas Montecarlo implican tres pasos básicos:

  1. Configure el modelo predictivo, identificando la variable dependiente que se debe predecir y las variables independientes (también conocidas como variables de entrada, de riesgo o predictivas) que permitirán la predicción.
  2. Especifique las distribuciones de probabilidad de las variables independientes. Utilice datos históricos y/o el juicio subjetivo del analista para definir un rango de valores probables y asignar ponderaciones de probabilidad para cada uno.
  3. Ejecute simulaciones repetidamente para generar valores aleatorios de las variables independientes. Hágalo hasta que se hayan reunido suficientes resultados para crear una muestra representativa del número infinito de combinaciones posibles.

Puede ejecutar tantas simulaciones Montecarlo como desee modificando los parámetros subyacentes que utiliza para simular los datos. Sin embargo, también querrá estimar el rango de variación dentro de una muestra calculando la varianza y la desviación estándar, que son las medidas de propagación más utilizadas. La varianza de la variable dada es el valor esperado de la diferencia al cuadrado entre la variable y su valor esperado. La desviación estándar es la raíz cuadrada de la varianza. Normalmente, las varianzas más pequeñas se consideran mejores.

Puede encontrar más información sobre cómo realizar una simulación Montecarlo aquí (enlace externo a IBM)

Simulaciones Montecarlo e IBM

Aunque puede realizar simulaciones Montecarlo con distintas herramientas, como Microsoft Excel, se recomienda tener un sofisticado programa de software estadístico, como IBM SPSS Statistics, que está optimizado para el análisis de riesgos y las simulaciones Montecarlo. IBM SPSS Statistics es una potente plataforma de software estadístico con un sólido conjunto de características que permite a su organización extraer información procesable de sus datos.

Con SPSS Statistics podrá:

  • Analice y conozca mejor sus datos y resuelva problemas de negocio e investigación complejos mediante una interfaz fácil de utilizar.
  • Comprender más rápidamente conjuntos de datos de gran tamaño y complejidad con procedimientos estadísticos avanzados que ayudan a garantizar una toma de decisiones de alta precisión y calidad.
  • Utilice extensiones, Python y el código de lenguaje de programación R para integrarse con software de código abierto.
  • Seleccionar y gestionar más fácilmente el software con opciones de despliegue flexibles.

Por ejemplo, utilizando el módulo de simulación en SPSS Statistics, puede simular varios importes de presupuesto de publicidad y ver su efecto en las ventas totales. Dependiendo del resultado de la simulación, podrá decidir gastar más en publicidad para cumplir con su objetivo de ventas totales. Puede encontrar más información sobre cómo utilizar las simulaciones Montecarlo de IBM SPSS Statistics aquí (enlace externo a IBM).

IBM Cloud Functions también es muy útil en las simulaciones Montecarlo. IBM Cloud Functions es una plataforma sin servidor de funciones como servicio que ejecuta código como respuesta a sucesos de entrada. Utilizando las funciones de IBM Cloud, se ha realizado una simulación Montecarlo completa en solo 90 segundos con 1000 invocaciones simultáneas. Puede encontrar más información sobre cómo realizar una simulación Montecarlo utilizando las herramientas de IBM aquí.

Para obtener más información sobre las simulaciones Montecarlo, regístrese para obtener un ID de IBM y cree su cuenta de IBM Cloud.