¿En que consiste la simulación Monte Carlo?

Las simulaciones de Monte Carlo son una técnica matemática que predice los posibles
resultados de un evento incierto. Los programas informáticos utilizan este método para
analizar datos pasados y predecir una serie de resultados futuros en función de una
elección de acción. Por ejemplo, si desea estimar las ventas del primer mes de un
nuevo producto, puede proporcionar al programa de simulación de Monte Carlo los
datos históricos de ventas. El programa estimará diferentes valores de venta en función
de factores como las condiciones generales del mercado, el precio del producto y el
presupuesto de publicidad.
¿Porque es importante la simulación Monte Carlo?
Una simulación de Monte Carlo es un modelo probabilístico que puede incluir un
elemento de incertidumbre o aleatoriedad en su predicción. Cuando se utiliza un
modelo probabilístico para simular una salida, se obtienen resultados diferentes cada
vez. Por ejemplo, la distancia que separa su casa de la oficina es fija. Sin embargo, una
simulación probabilística podría predecir tiempos de viaje diferentes al considerar
factores como la congestión, el mal tiempo y las averías de los vehículos.  

En cambio, los métodos de previsión convencionales son más deterministas.

Proporcionan una respuesta definitiva a la predicción y no pueden tener en cuenta la
incertidumbre. Por ejemplo, es posible que indiquen el tiempo de viaje mínimo y
máximo, pero ambas respuestas son menos precisas.  

Ventajas de las simulaciones Monte Carlo.

Las simulaciones de Monte Carlo proporcionan múltiples salidas posibles y la

probabilidad de cada una de estas a partir de un gran conjunto de muestras de datos
aleatorios. Ofrece un panorama más claro que una previsión determinista. Por ejemplo,
prever los riesgos financieros requiere analizar docenas o cientos de factores de riesgo.
Los analistas financieros utilizan la simulación de Monte Carlo para obtener la
probabilidad de cada resultado posible. 

¿Qué desafíos plantea las simulaciones de Monte Carlo?

Estos son dos desafíos comunes a la hora de utilizar las simulaciones de Monte Carlo: 

 La simulación de Monte Carlo depende en gran medida de los valores de entrada y de la

distribución. Si se cometen errores al elegir la entrada y la distribución de probabilidad, se pueden
obtener resultados inexactos. 

Es posible que se necesite una potencia de computación excesiva para realizar los experimentos de
Monte Carlo. La computación con el método de Monte Carlo puede llevar horas o días en una sola
computadora. 
¿En qué consisten las distribuciones de probabilidad en las simulaciones de Monte Carlo?
Las distribuciones de probabilidad son funciones estadísticas que representan un rango de valores
distribuidos entre límites. Los expertos en estadística utilizan las distribuciones de probabilidad para
predecir la posible presencia de una variable incierta, que puede consistir en valores discretos o
continuos. 

La distribución de probabilidad discreta se representa mediante números enteros o una secuencia

de números finitos. Cada uno de los valores discretos tiene una probabilidad mayor que cero. Los
especialistas en estadística trazan la distribución de probabilidad discreta en una tabla, pero trazan
la distribución de probabilidad continua como una curva entre dos puntos dados en el eje x de un
gráfico. Los siguientes son tipos comunes de distribuciones de probabilidad que una simulación de
Monte Carlo puede modelar.

Distribución normal, uniforme, y triangular.