La simulación Monte Carlo, también conocida como el método de Monte Carlo o simulación de probabilidad múltiple, es una técnica matemática que se utiliza para estimar los posibles resultados de un evento incierto. El método Monte Carlo fue inventado por John von Neumann y Stanislaw Ulam durante la Segunda Guerra Mundial para mejorar la toma de decisiones en condiciones inciertas. Lleva el nombre de una conocida ciudad de casinos, llamada Mónaco, ya que el elemento de azar es fundamental para el enfoque de modelado, similar a un juego de ruleta.
Desde su introducción, las simulaciones Monte Carlo han evaluado el impacto del riesgo en muchos escenarios de la vida real, como la inteligencia artificial, los precios de acciones, la previsión de ventas, la gestión de proyectos y la fijación de precios. También proporcionan una serie de ventajas sobre los modelos predictivos con entradas fijas, como la capacidad de realizar análisis de sensibilidad o calcular la correlación de entradas. El análisis de sensibilidad permite a los tomadores de decisiones ver el impacto de las entradas individuales en un resultado específico y la correlación les permite comprender las relaciones entre cualquier variable de entrada.
A diferencia de un modelo de pronóstico normal, la simulación Monte Carlo predice un conjunto de resultados basados en un rango estimado de valores frente a un conjunto de valores de entrada fijos. En otras palabras, una simulación Monte Carlo crea un modelo de posibles resultados al utilizar una distribución de probabilidades, como una distribución uniforme o normal, para cualquier variable que tenga una incertidumbre inherente. Luego, recalcula los resultados una y otra vez, cada vez mediante un conjunto diferente de números aleatorios entre los valores mínimo y máximo. En un experimento típico de Monte Carlo, este ejercicio se puede repetir miles de veces para producir una gran cantidad de resultados probables.
Las simulaciones Monte Carlo también se utilizan para predicciones a largo plazo debido a su precisión. A medida que aumenta el número de entradas, también crece el número de pronósticos, lo que le permite proyectar los resultados más lejos en el tiempo con más precisión. Cuando se completa una simulación Monte Carlo, se obtiene un rango de resultados posibles con la probabilidad de que ocurra cada resultado.
Un ejemplo simple de una simulación Monte Carlo es considerar el cálculo de la probabilidad de lanzar dos dados estándar. Hay 36 combinaciones de tiradas de dados. En base a esto, puede calcular manualmente la probabilidad de un resultado en particular. Con una simulación Monte Carlo, puede simular lanzar los dados 10,000 veces (o más) para lograr predicciones más precisas.
Independientemente de la herramienta que utilice, las técnicas de Monte Carlo implican tres pasos básicos:
Puede ejecutar tantas simulaciones Monte Carlo como desee modificando los parámetros subyacentes que utiliza para simular los datos. Sin embargo, también querrá calcular el rango de variación dentro de una muestra al calcular la varianza y la desviación estándar, que son medidas de dispersión de uso común. La varianza de una variable específica 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 variaciones más pequeñas se consideran mejores.
Ejecute el código de su aplicación sin servidores, escale automáticamente y no pague nada cuando no esté en uso.
Descubra insights extraídos de los datos que pueden ayudar a resolver problemas de negocios y de investigación.
Híbrido. Abierto. Resiliente. Su plataforma y asociado para la transformación digital.