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 la 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 muchas situaciones de la vida real como, por ejemplo, inteligencia artificial, precios de las acciones, previsión de ventas, gestión de proyectos y 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.

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.

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.