[Resumen] Simulacion de montecarlo
Descargar como DOCX, PDF3 recomendaciones14,245 vistas
La simulación de Monte Carlo es una técnica cuantitativa que utiliza modelos matemáticos y computadoras para simular sistemas reales no dinámicos. Genera múltiples resultados posibles basados en distribuciones de probabilidad para factores inciertos. Repite los cálculos miles de veces para producir distribuciones de valores de resultados posibles.
[Resumen] Simulacion de montecarlo
- 1. SIMULACION DE MONTECARLO La simulación de Monte Carlo es una técnica cuantitativa que hace uso de la estadística y los ordenadores para imitar, mediante modelos matemáticos, el comportamiento aleatorio de sistemas reales no dinámicos (por lo general, cuando se trata de sistemas cuyo estado va cambiando con el paso del tiempo, se recurre bien a la simulación de eventos discretos o bien a la simulación de sistemas continuos). La simulación Monte Carlo ofrece a la persona responsable de tomar las decisiones una serie de posibles resultados, así como la probabilidad de que se produzcan según las medidas tomadas. Muestra las posibilidades extremas (arriesgadas y conservadoras) así como todas las posibles consecuencias de las decisiones intermedias. La simulación Monte Carlo realiza el análisis de riesgo con la creación de modelos de posibles resultados mediante la sustitución de un rango de valores —una distribución de probabilidad— para cualquier factor con incertidumbre inherente. Luego, calcula los resultados una y otra vez, cada vez usando un grupo diferente de valores aleatorios de las funciones de probabilidad. Dependiendo del número de incertidumbres y de los rangos especificados, para completar una simulación Monte Carlo puede ser necesario realizar miles o decenas de miles de cálculos. La simulación Monte Carlo produce distribuciones de valores de los resultados posibles. Pasos para realizar el método: 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
- 2. Ventajas: Resultados probabilísticos. Los resultados muestran no sólo lo que puede suceder, sino lo probable que es un resultado. Resultados gráficos. Gracias a los datos que genera una simulación Monte Carlo, es fácil crear gráficos de diferentes resultados y las posibilidades de que sucedan. Esto es importante para comunicar los resultados a otras personas interesadas. Análisis de sensibilidad. Con sólo unos pocos resultados, en los análisis deterministas es más difícil ver las variables que más afectan el resultado. En la simulación Monte Carlo, resulta más fácil ver qué variables introducidas tienen mayor influencia sobre los resultados finales. Análisis de escenario. En los modelos deterministas resulta muy difícil modelar diferentes combinaciones de valores de diferentes valores de entrada, con el fin de ver los efectos de situaciones verdaderamente diferentes. Usando la simulación Monte Carlo, los analistas pueden ver exactamente los valores que tienen cada variable cuando se producen ciertos resultados. Esto resulta muy valioso para profundizar en los análisis. Correlación de variables de entrada. En la simulación Monte Carlo es posible modelar relaciones interdependientes 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. Uso del muestreo Latino Hipercúbico: Muestrea con mayor precisión a partir de un rango completo de funciones de distribución. Aplicaciones: