Monte Carlo

El anlisis de riesgo forma parte de todas las decisiones que tomamos. Nos enfrentamos continuamente a la
incertidumbre, la ambigedad y la variabilidad. Y aunque tenemos un acceso a la informacin sin precedentes,
no podemos predecir con precisin el futuro. a simulacin Monte Carlo permite ver todos los resultados
posibles de las decisiones que tomamos y evaluar el impacto del riesgo, lo cual nos permite tomar me!ores
decisiones en condiciones de incertidumbre.
"#u$ es la simulacin
Monte Carlo%
a simulacin Monte Carlo es una t$cnica matemtica computari&ada que permite tener en cuenta el riesgo
en anlisis cuantitativos y tomas de decisiones. Esta t$cnica es utili&ada por profesionales de campos tan
dispares como los de finan&as, gestin de proyectos, energ'a, manufacturacin, ingenier'a, investigacin y
desarrollo, seguros, petrleo y gas, transporte y medio ambiente.
a simulacin Monte Carlo ofrece a la persona responsable de tomar las decisiones una serie de posibles
resultados, as' como la probabilidad de que se produ&can seg(n las medidas tomadas. Muestra las
posibilidades e)tremas *los resultados de tomar la medida ms arriesgada y la ms conservadora* as'
como todas las posibles consecuencias de las decisiones intermedias.
os cient'ficos que traba!aron con la bomba atmica utili&aron esta t$cnica por primera+ y le dieron el nombre
de Monte Carlo, la ciudad tur'stica de Mnaco conocida por sus casinos. ,esde su introduccin durante la
-egunda .uerra Mundial, la simulacin Monte Carlo se /a utili&ado para modelar diferentes sistemas f'sicos y
conceptuales.
Cmo funciona la simulacin Monte Carlo
a simulacin Monte Carlo reali&a el anlisis de riesgo con la creacin de modelos de posibles resultados
mediante la sustitucin de un rango de valores *una distribucin de probabilidad * para cualquier factor con
incertidumbre in/erente. uego, calcula los resultados una y otra ve&, cada ve& usando un grupo diferente de
valores aleatorios de las funciones de probabilidad. ,ependiendo del n(mero de incertidumbres y de los
rangos especificados, para completar una simulacin Monte Carlo puede ser necesario reali&ar miles o
decenas de miles de reclculos. a simulacin Monte Carlo produce distribuciones de valores de los
resultados posibles.
El anlisis de riesgo se puede reali&ar cualitativa y cuantitativamente. El anlisis de riesgo cualitativo
generalmente incluye la evaluacin instintiva o 0por cora&onada1 de una situacin, y se caracteri&a por
afirmaciones como 0Eso parece muy arriesgado1 o 02robablemente obtendremos buenos resultados1. El
anlisis de riesgo cuantitativo trata de asignar valores num$ricos a los riesgos, utili&ando datos emp'ricos o
cuantificando evaluaciones cualitativas. 3amos a concentrarnos en el anlisis de riesgo cuantitativo.
Mediante el uso de distribuciones de probabilidad, las variables pueden generar diferentes probabilidades de
que se produ&can diferentes resultados. as distribuciones de probabilidad son una forma muc/o ms realista
de describir la incertidumbre en las variables de un anlisis de riesgo. as distribuciones de probabilidad ms
comunes son4
Normal 5 6 0curva de campana1. El usuario simplemente define la media o valor esperado y una desviacin
estndar para describir la variacin con respecto a la media. os valores intermedios cercanos a la media
tienen mayor probabilidad de producirse. Es una distribucin sim$trica y describe muc/os fenmenos
naturales, como puede ser la estatura de una poblacin. E!emplos de variables que se pueden describir con
distribuciones normales son los 'ndices de inflacin y los precios de la energ'a.
Lognormal5 os valores muestran una clara desviacin+ no son sim$tricos como en la distribucin normal. -e
utili&a para representar valores que no ba!an por deba!o del cero, pero tienen un potencial positivo ilimitado.
E!emplos de variables descritas por la distribucin lognormal son los valores de las propiedades inmobiliarias
y bienes ra'ces, los precios de las acciones de bolsa y las reservas de petrleo.
Uniform5 7odos los valores tienen las mismas probabilidades de producirse+ el usuario slo tiene que definir el
m'nimo y el m)imo. E!emplos de variables que se distribuyen de forma uniforme son los costos de
manufacturacin o los ingresos por las ventas futuras de un nuevo producto.
Triangular5 El usuario define los valores m'nimo, ms probable y m)imo. os valores situados alrededor del
valor ms probable tienen ms probabilidades de producirse. as variables que se pueden describir con una
distribucin triangular son el /istorial de ventas pasadas por unidad de tiempo y los niveles de inventario.
PERT 5 El usuario define los valores m'nimo, ms probable y m)imo, como en la distribucin triangular. os
valores situados alrededor del ms probable tienen ms probabilidades de producirse. -in embargo, los
valores situados entre el ms probable y los e)tremos tienen ms probabilidades de producirse que en la
distribucin triangular+ es decir, los e)tremos no tienen tanto peso. 8n e!emplo de uso de la distribucin 2E97
es la descripcin de la duracin de una tarea en un modelo de gestin de un proyecto.
Discrete5 El usuario define los valores espec'ficos que pueden ocurrir y la probabilidad de cada uno. 8n
e!emplo podr'a ser los resultados de una demanda legal4 :;< de posibilidades de obtener un veredicto
positivo, =;< de posibilidades de obtener un veredicto negativo, >;< de posibilidades de llegar a un acuerdo,
y ?;< de posibilidades de que se repita el !uicio.
,urante una simulacin Monte Carlo, los valores se muestrean aleatoriamente a partir de las distribuciones de
probabilidad introducidas. Cada grupo de muestras se denomina iteracin, y el resultado correspondiente de
esa muestra queda registrado. a simulacin Monte Carlo reali&a esta operacin cientos o miles de veces, y el
resultado es una distribucin de probabilidad de posibles resultados. ,e esta forma, la simulacin Monte Carlo
proporciona una visin muc/o ms completa de lo que puede suceder. @ndica no slo lo que puede suceder,
sino la probabilidad de que suceda.
a simulacin Monte Carlo proporciona una serie de venta!as sobre el anlisis determinista o 0estimacin de
un solo punto14
Resultados probabilsticos. os resultados muestran no slo lo que puede suceder, sino lo probable
que es un resultado.
Resultados grficos. .racias a los datos que genera una simulacin Monte Carlo, es fcil crear
grficos de diferentes resultados y las posibilidades de que sucedan. Esto es importante para comunicar los
resultados a otras personas interesadas.
nlisis de sensibilidad. Con slo unos pocos resultados, en los anlisis deterministas es ms dif'cil
ver las variables que ms afectan el resultado. En la simulacin Monte Carlo, resulta ms fcil ver qu$
variables introducidas tienen mayor influencia sobre los resultados finales.
nlisis de escenario. En los modelos deterministas resulta muy dif'cil modelar diferentes
combinaciones de valores de diferentes valores de entrada, con el fin de ver los efectos de situaciones
verdaderamente diferentes. 8sando la simulacin Monte Carlo, los analistas pueden ver e)actamente los
valores que tienen cada variable cuando se producen ciertos resultados. Esto resulta muy valioso para
profundi&ar en los anlisis.
!orrelacin de "ariables de entrada. En la simulacin Monte Carlo es posible modelar relaciones
interdependientes entre diferentes variables de entrada. Esto es importante para averiguar con precisin la
ra&n real por la que, cuando algunos factores suben, otros suben o ba!an paralelamente.
8na venta!a de la simulacin Monte Carlo es el uso del muestreo atino Aiperc(bico, que muestrea con mayor
precisin a partir de un rango completo de funciones de distribucin.
2roductos 2alisade con simulacin Monte Carlo
El uso generali&ado de programas de /o!a de clculo para 2C ofrece a los profesionales la oportunidad de
usar la simulacin Monte Carlo en el traba!o diario de anlisis. Microsoft E)cel es el programa dominante de
anlisis en /o!a de clculo, y el programa B9@-C de 2alisade Ddisponible en ingl$s, espaEol, portugu$s,
franc$s, alemn y !apon$sF es el programa complementario con simulacin Monte Carlo l'der para E)cel.
@nicialmente introducido para otus ?G:G= para ,6- en ?HIJ, B9@-C tiene una reputacin establecida de
precisin en computacin, fle)ibilidad en modelacin y facilidad de uso. a introduccin de Microsoft 2ro!ect
produ!o otra aplicacin lgica de la simulacin Monte Carlo4 el anlisis de incertidumbre y riesgo in/erentes a
la gestin de grandes proyectos. B9@-C para 2ro!ect es el programa complementario de 2alisade con
simulacin Monte Carlo para Microsoft 2ro!ect