0 оценок0% нашли этот документ полезным (0 голосов)
266 просмотров3 страницы
La simulación de Monte Carlo es una técnica de simulación que permite definir valores esperados para variables inciertas mediante la selección aleatoria de valores de acuerdo a sus distribuciones de probabilidad. El método selecciona valores aleatorios para cada variable y ejecuta miles de iteraciones para obtener una distribución de resultados probables. La simulación de Monte Carlo proporciona resultados probabilísticos, gráficos y análisis de sensibilidad, escenarios y correlación de variables que brindan una visión más completa que el análisis determin
Исходное описание:
Resumen para elaborar una simulación de forma correcta.
La simulación de Monte Carlo es una técnica de simulación que permite definir valores esperados para variables inciertas mediante la selección aleatoria de valores de acuerdo a sus distribuciones de probabilidad. El método selecciona valores aleatorios para cada variable y ejecuta miles de iteraciones para obtener una distribución de resultados probables. La simulación de Monte Carlo proporciona resultados probabilísticos, gráficos y análisis de sensibilidad, escenarios y correlación de variables que brindan una visión más completa que el análisis determin
La simulación de Monte Carlo es una técnica de simulación que permite definir valores esperados para variables inciertas mediante la selección aleatoria de valores de acuerdo a sus distribuciones de probabilidad. El método selecciona valores aleatorios para cada variable y ejecuta miles de iteraciones para obtener una distribución de resultados probables. La simulación de Monte Carlo proporciona resultados probabilísticos, gráficos y análisis de sensibilidad, escenarios y correlación de variables que brindan una visión más completa que el análisis determin
El modelo de Monte Carlo, llamado tambin mtodo de ensayos estadsticos, es
una tcnica de simulacin de situaciones inciertas que permite definir valores esperados para variables no controlables, mediante la seleccin aleatoria de valores, donde la probabilidad de elegir entre todos los resultados posibles est en estricta relacin con sus respectivas distribuciones de probabilidades.
El mtodo se llam as en referencia al Casino de Monte Carlo (Principado de
Mnaco) por ser la capital del juego de azar, al ser la ruleta un generador simple de nmeros aleatorios. El nombre y el desarrollo sistemtico de los mtodos de Monte Carlo datan aproximadamente de 1944 y se mejoraron enormemente con el desarrollo de la computadora.
De esta manera, el programa selecciona un valor aleatorio al azar para cada
variable elegida, el cual est acorde con la distribucin de probabilidades asignada a cada una. Al pedirle que ejecute, por ejemplo, mil iteraciones, permite obtener valores actuales netos, los cuales presenta en un resumen grfico con los resultados de la simulacin. Adems de entregar informacin estadstica, indica el porcentaje de escenarios en que el VAN es igual o superior a cero. Durante 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. La simulacin Monte Carlo realiza esta operacin cientos o miles de veces, y el resultado es una distribucin de probabilidad de posibles resultados. De esta forma, la simulacin Monte Carlo proporciona una visin mucho ms completa de lo que puede suceder. Indica no slo lo que puede suceder, sino la probabilidad de que suceda.
La simulacin Monte Carlo proporciona una serie de ventajas sobre el
anlisis determinista o estimacin de un solo punto: Resultados probabilsticos. Los resultados muestran no slo lo que puede suceder, sino lo probable que es un resultado. Resultados grficos. Gracias 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. Anlisis de sensibilidad. Con slo unos pocos resultados, en los anlisis deterministas es ms difcil 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.
Anlisis de escenario. En los modelos deterministas resulta muy difcil
modelar diferentes combinaciones de valores de diferentes valores de entrada, con el fin de ver los efectos de situaciones verdaderamente diferentes. Usando la simulacin 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 anlisis. Correlacin de variables 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 razn real por la que, cuando algunos factores suben, otros suben o bajan
paralelamente.
MODELO UNIDIMENSIONAL DE LA SENSIBILIZACIN DEL VAN
El anlisis unidimensional de la sensibilizacin del VAN determina hasta dnde puede modificarse el valor de una variable para que el proyecto siga siendo rentable. Si en la evaluacin del proyecto se concluy que en el escenario proyectado como el ms probable el VAN era positivo, es posible preguntarse hasta dnde puede bajarse el precio o caer la cantidad demandada o subir un costo, entre otras posibles variaciones, para que ese VAN positivo se haga cero. Se define el VAN de equilibrio como cero por cuanto es el nivel mnimo de aprobacin de un proyecto. De aqu que al hacer el VAN igual a cero se busca determinar el punto de quiebre o variabilidad mxima de una variable que resistira el proyecto. Como su nombre lo indica, y aqu radica la principal limitacin del modelo, slo se puede sensibilizar una variable por vez.