Simulación de Monte Carlo explicada de forma sencilla

Una simulación de Monte Carlo permite responder a la pregunta: ¿qué podría ocurrir si los datos de entrada importantes son inciertos? En lugar de calcular un único resultado, la simulación calcula el mismo modelo muchas veces con valores de entrada seleccionados aleatoriamente.

El resultado no es un único número. Es un intervalo de resultados posibles junto con una estimación de la probabilidad de cada resultado. Esto hace que la simulación de Monte Carlo sea útil para el análisis de riesgos, las previsiones, la capacidad de los procesos, los estudios de tolerancia y la planificación empresarial.

Puede probarla directamente con la calculadora de simulación de Monte Carlo.

¿Qué es una simulación de Monte Carlo?

En un cálculo normal se introducen valores fijos. Por ejemplo, podría calcular los ingresos con esta ecuación:

Sin embargo, en la vida real rara vez se conocen estos valores con exactitud. El número de visitantes cambia de una semana a otra, la tasa de conversión puede ser mayor o menor y el valor medio del pedido también varía. Una simulación de Monte Carlo describe cada entrada incierta mediante una distribución de probabilidad y calcula muchos ingresos posibles.

¿Cómo funciona?

1. Defina las variables de entrada inciertas.
2. Elija una distribución de probabilidad para cada entrada.
3. Escriba la fórmula que relaciona las entradas con la salida.
4. Deje que el ordenador repita el cálculo miles de veces.
5. Observe la distribución de todos los resultados simulados.

Cada ejecución representa una versión posible de la realidad. Tras muchas ejecuciones, el patrón de los resultados muestra qué resultados son habituales, cuáles son poco frecuentes y dónde se encuentran los mayores riesgos.

Un ejemplo sencillo

Imagine que una tienda en línea quiere estimar sus ingresos del próximo mes. El equipo no conoce los valores exactos, pero puede formular supuestos realistas:

• Normalmente hay unos 12 000 visitantes, aunque el número puede variar.
• Es probable que la tasa de conversión esté entre el 2,5 % y el 6 %.
• Es probable que el valor medio del pedido esté entre 42 y 68.

Un único cálculo basado en valores medios oculta esta incertidumbre. Una simulación de Monte Carlo combina, en cambio, muchos números posibles de visitantes, tasas de conversión y valores de pedido. El resultado puede mostrar los ingresos esperados, los extremos inferior y superior y la probabilidad de no alcanzar un objetivo como 18 000.

Distribuciones de probabilidad habituales

La distribución indica a la simulación qué valores son posibles y cuáles son más probables. La elección adecuada depende de lo que represente la entrada.

Cómo interpretar los resultados

El resultado más importante es la distribución de los resultados simulados. Un histograma muestra dónde se concentran la mayoría de los resultados y la amplitud del intervalo posible.

La media es el promedio de los resultados simulados. La desviación estándar muestra cuánto varía el resultado. El mínimo y el máximo muestran los valores simulados extremos, pero no deben interpretarse como límites garantizados.

Si se añaden límites de especificación u objetivos, la simulación puede estimar con qué frecuencia el resultado queda por debajo o por encima del límite. Esto resulta útil cuando la pregunta no es solo «¿cuál es el resultado esperado?», sino también «¿qué probabilidad hay de que no alcancemos el objetivo?».

¿Qué es el análisis de sensibilidad?

El análisis de sensibilidad muestra qué variables de entrada tienen mayor influencia sobre la salida. Esto ayuda a decidir dónde sería más valioso disponer de mejores datos.

Por ejemplo, si los ingresos son mucho más sensibles a la tasa de conversión que al valor del pedido, mejorar la estimación de la tasa de conversión mejorará más la simulación que perfeccionar la estimación del valor del pedido.

¿Cuándo debería utilizar una simulación de Monte Carlo?

• Cuando varias entradas inciertas influyen en un resultado.
• Cuando un cálculo sencillo basado en valores medios es demasiado optimista o limitado.
• Cuando necesite estimar la probabilidad de no alcanzar un objetivo.
• Cuando quiera comparar resultados favorables, habituales y desfavorables.
• Cuando quiera identificar las variables de entrada que generan la mayor parte del riesgo.

Calcular una simulación de Monte Carlo en línea

Con numiqo puede definir distribuciones de entrada, introducir ecuaciones de salida, añadir límites de especificación y ejecutar la simulación en línea. Abra la calculadora de simulación de Monte Carlo para crear su propio modelo.