Simulación de Montecarlo
¿Qué es la Simulación de Montecarlo?
La Simulación de Montecarlo, también conocida como el Método de Montecarlo o una simulación de probabilidad múltiple, es una técnica matemática, que se utiliza para estimar los posibles resultados de un evento incierto. El método de 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. Recibió su nombre de una conocida ciudad de casinos, llamada Mónaco, ya que el elemento de azar es el núcleo del enfoque de modelización, similar a un juego de ruleta.
Desde su introducción, las simulaciones de Montecarlo han evaluado el impacto del riesgo en muchos escenarios de la vida real, como en la inteligencia artificial, los precios de las acciones, la previsión de ventas, la gestión de proyectos y la fijación de precios. También ofrecen una serie de ventajas sobre los modelos de predicción con entradas fijas, como la posibilidad de realizar análisis de sensibilidad o calcular la correlación de las entradas. El análisis de sensibilidad permite a los responsables de la toma de decisiones ver el impacto de las entradas individuales en un resultado determinado y la correlación les permite entender las relaciones entre cualquier variable de entrada.
¿Cómo funciona la Simulación de Montecarlo?
A diferencia de un modelo de predicción normal, la Simulación de Montecarlo 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 de Montecarlo construye un modelo de posibles resultados aprovechando una distribución de probabilidad, como una distribución uniforme o normal, para cualquier variable que tenga incertidumbre inherente. A continuación, recalcula los resultados una y otra vez, utilizando cada vez un conjunto diferente de números aleatorios entre los valores mínimos y máximos. En un experimento típico de Monte Carlo, este ejercicio puede repetirse miles de veces para producir un gran número de resultados probables.
Las simulaciones de Monte Carlo también se utilizan para las predicciones a largo plazo debido a su precisión. A medida que el número de entradas aumenta, el número de previsiones también crece, lo que le permite proyectar resultados más lejanos en el tiempo con mayor precisión. Cuando se completa una Simulación de Montecarlo, se obtiene un rango de posibles resultados con la probabilidad de que se produzca cada uno de ellos.
Un ejemplo sencillo de Simulación de Montecarlo es considerar el cálculo de la probabilidad de lanzar dos dados estándar. Hay 36 combinaciones de tiradas de dados. Basándose en esto, puede calcular manualmente la probabilidad de un resultado particular. Utilizando una Simulación de Montecarlo, puede simular el lanzamiento de los dados 10.000 veces (o más) para lograr predicciones más precisas.
Cómo utilizar los métodos de Montecarlo
Independientemente de la herramienta que utilice, las técnicas de Montecarlo implican tres pasos básicos:
- Establezca el modelo de predicción, identificando tanto la variable dependiente a predecir como las variables independientes (también conocidas como variables de entrada, de riesgo o predictoras) que impulsarán la predicción.
- 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 asigne pesos de probabilidad para cada uno.
- Ejecute simulaciones repetidamente, generando valores aleatorios de las variables independientes. Haga esto hasta que se reúnan suficientes resultados para constituir una muestra representativa del número casi infinito de combinaciones posibles.
Puede ejecutar tantas simulaciones de Monte Carlo como desee modificando los parámetros subyacentes que utiliza para simular los datos. Sin embargo, también querrá computar el rango de variación dentro de una muestra calculando la varianza y la desviación estándar, que son medidas de dispersión comúnmente utilizadas. La varianza de una 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.
Lea más sobre cómo llevar a cabo una simulación de Montecarlo aquí (el enlace reside fuera de IBM)
Simulaciones de Montecarlo e IBM
Aunque puede realizar simulaciones de Montecarlo con una serie de herramientas, como Microsoft Excel, es mejor contar con un sofisticado programa de software estadístico, como IBM SPSS Statistics, que está optimizado para el análisis de riesgos y las simulaciones de Montecarlo. IBM SPSS Statistics es una potente plataforma de software estadístico que ofrece un sólido conjunto de funciones que permite a su organización extraer información procesable de sus datos.
Con SPSS Statistics puede:
- Analizar y comprender mejor sus datos y resolver problemas complejos de negocio e investigación a través de una interfaz fácil de usar.
- Comprender más rápidamente conjuntos de datos grandes y complejos con procedimientos estadísticos avanzados que ayudan a garantizar una alta precisión y una toma de decisiones de calidad.
- Utilice extensiones, código de los lenguajes de programación Python y R para integrarse con software de código abierto.
- Seleccione y gestione más fácilmente su software con opciones de implementación flexibles.
Utilizando el módulo de simulación en SPSS Statistics, puede, por ejemplo, simular varias cantidades de presupuesto publicitario y ver cómo afecta a las ventas totales. Basándose en el resultado de la simulación, podría decidir gastar más en publicidad para alcanzar su objetivo de ventas totales. Lea más sobre cómo utilizar IBM SPSS Statistics para las simulaciones de Monte Carlo aquí (el enlace reside fuera de IBM).
IBM Cloud Functions también puede ayudar en las simulaciones de Monte Carlo. IBM Cloud Functions es una plataforma de funciones como servicio sin servidor que ejecuta código en respuesta a eventos entrantes. Utilizando IBM Cloud Functions, se completó una simulación de Montecarlo en tan solo 90 segundos con 1.000 invocaciones simultáneas. Lea más sobre cómo llevar a cabo una simulación de Montecarlo utilizando las herramientas de IBM, aquí.
Para obtener más información sobre las simulaciones de Montecarlo, regístrese en IBMid y cree su cuenta de IBM Cloud.