ENSAYO CALIDADA TOTAL

Beneficios de la simulación de Montecarlo

La simulación Montecarlo data del año 1940, cuando Neuman y Ullam la aplicaron en el campo de la experimentación de armas nucleares. A partir de entonces, se ha demostrado que es una las técnicas que puede ser aplicada en campo de diversa índole, utilizándose por primera vez para el análisis de inversiones en el año 1964 por Hertz. Hay algunas aplicaciones informáticas especificas, como en el cado del programa “@Risk de Palisade, o el Cristal Bowl”, que permite tener en cuenta la correlación existente entre las variables, y analizar el riesgo en la valoración de proyectos de inversión utilizando la simulación de Montecarlo.

Montecarlo y su casino están relacionados con la simulación. La ruleta, juego estrella de los casinos, es uno de los aparatos mecánicos más sencillos que nos permiten obtener números aleatorios para simular variables aleatorias.

Es importante notar que, en los primeros 30 años de su existencia, esta técnica no fue muy utilizada. Recién, a partir de la segunda mitad de los 90, es que se vuelve popular entre los evaluadores de proyectos. ¿Razones?, básicamente dos, la primera tiene que ver con el desarrollo de hardware (capacidad de procesamiento), la segunda, con la aparición de software que corre en Excel y que facilita, grandemente, su aplicación. Probablemente, haya escuchado de alguno de ellos; los más conocidos son: el Crystall Ball y el Risksimulator.

La técnica de Montecarlo se desarrolla a través de seis pasos, a saber: 1) Elaboración del modelo de pronóstico; 2) Selección de las variables de riesgo; 3) Asignación de la distribución de probabilidades a cada variable; 4) Inclusión de condiciones de correlación; 5) Simulación; y 6) Análisis de resultados.

La simulación de Montecarlo es una es una técnica útil para el modelado financiero ese las entradas al azar de las aplicaciones para modelar incertidumbre.

Cuando un modelo financiero se utiliza para pronosticar un número de entradas en el modelo que son desconocidas. Un acercamiento es tomar una mejor estimación para cada uno de estas entradas.

Por ejemplo suponga que estamos utilizando un modelo para pronosticar los volúmenes de venta de una campaña que sea algo similar. Hay tres entradas inciertas aquí: Crecimiento del GDP, la relación entre el crecimiento del crecimiento y del mercado del GDP y el aumento en cuota de mercado. El acercamiento obvio es utilizar la mejor estimación de cada uno.

Usando una distribución de probabilidad no es fácil. Un acercamiento sería derivar matemáticamente la salida del modelo como distribución de probabilidad. Esto es generalmente muy difícil, y a menudo simplemente no posible.

La simulación de Montecarlo se utiliza mucho para evaluar incertidumbres o riesgos. Hay productos comerciales en ese sentido como el @Risk, Cristal Ball, etc.

Las etapas consisten en: 1) Diseñar el modelo lógico de decisión; 2) Especificar distribuciones de probabilidad para las variables aleatorias relevantes; 3) Incluir posibles dependencias entre variables; 4) Muestrear valores de las variables aleatorias; 5) Calcular el resultado del modelo según los valores del muestreo (iteración) y registrar el resultado; 6) Repetir el proceso hasta tener una muestra estadísticamente representativa; 7) Obtener la distribución de frecuencias del resultado de las iteraciones; 8) Calcular media, desvío y curva de percentiles acumulados.

Los métodos de Montecarlo utilizan las distribuciones de probabilidad de las entradas. Algo que usando las distribuciones ellos mismos como entradas, las distribuciones se utilizan para generar entradas al azar. La metodología es: Extraiga un número al azar de la distribución de probabilidad para cada entrada, calcule y registre las salidas dadas estas entradas, repita del paso uno tantas veces cuanto sea necesario.

Haciendo en varias ocasiones, esto es posible aumentar gradualmente la distribución de probabilidad de las salidas.

Para aplicar los métodos de Montecarlo al modelo simple arriba que necesitaríamos estimar las distribuciones para cada uno de las tres entradas. Podemos terminar tan para arriba hacer algo similar

Los resultados probabilísticos muestran no solo lo que puede suceder, sino lo probable que es un resultado.

Gracias a los datos que genera una simulación Montecarlo, es fácil crear gráficos de diferentes resultados y las posibilidades de que sucedan. Esto es importante para comunicar los resultados a otras personas interesadas.

En la simulación de Montecarlo es posible modelar relaciones interdependiente entre diferentes variables de entrada. Esto es importante para averiguar con precisión la razón real por la que, cuando algunos factores suben, otros suben o bajan paralelamente.

Hoy en dia la simulación es ampliamente aceptada en el mundo de los negocios para predecir, explicar y ayudar a identificar soluciones optimas, en particular, aplicaremos la simulación Montecarlo a un proyecto de inversión con el fin de poder estimar el riesgo de un fracaso, usando para este propósito la hoja Excel.

La simulación es el desarrollo de un modelo lógico-matemático de un sistema, de manera que se obtenga una imitación de un proceso del sistema a través del tiempo. Por lo tanto, la simulación involucra la generación de una historia artificial del sistema y la observación de esta historia mediante la manipulación experimental: además, nos ayuda a inferir las características operacionales de tal sistema.

Consecuentemente resulta que la simulación es uno de los procesos cuantitativos más ampliamente utilizados en la toma de decisiones, pues sirve para aprender lo relacionado con un sistema real mediante la experimentación con el modelo que lo respeta. Así, el objetivo consistirá en crear un entorno en el cual se pueda obtener información sobre posibles acciones alternativas a través de la experimentación usando la computadora. En administración, los modelos matemáticos se construyen y se utilizan para comprobar los resultados de decisiones antes de aplicarlas a la realidad.

Hacer el análisis de riesgo en procesos financieros mediante la imitación repetida de la evolución de las transacciones involucradas para generar un perfil de los posibles resultados: Aplicación al planeamiento de capacidad, aplicación para determinar políticas de mantenimiento óptimo, modelo de intercambio de mercado, el uso de simulación en administración de proyectos, simulando

...