Escuela Académica
Profesional de Ingeniería
Informática y Sistemas
Método de Montecarlo
➢
➢
➢
➢
➢
¿QUÉ ES LA SIMULACIÓN MONTECARLO?
• También conocida como el método Montecarlo o
una simulación de probabilidad múltiple, es una
técnica matemática que se utiliza para estimar los
posibles resultados de un suceso incierto.
¿QUÉ ES LA SIMULACIÓN MONTECARLO?
• La Simulación Montecarlo 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 a la simulación de
eventos discretos o bien continuos).
HISTORIA
• El método Montecarlo fue inventado por John von
Neumann y Stanislaw Ulam durante la Segunda
Guerra Mundial para mejorar la toma de
decisiones en condiciones de incertidumbre.
Tiene el nombre de un conocido barrio de Mónaco
célebre por su casino, ya que el elemento de la
suerte es la base del enfoque de modelado,
similar a un juego de ruleta.
¿CÓMO FUNCIONA LA SIMULACIÓN MONTECARLO?
VENTAJAS
VENTAJAS
• permite estudiar los problemas y las
diferentes variables que lo provocan.
• Nos permite simular sin interferir los
resultados reales.
• Mientras más compleja es la simulación,
los resultados obtenidos son más
aproximados a los hechos reales.
DESVENTAJAS
• La simulación más compleja resulta ser muy
extensa, debido al número variables a analizar.
• No nos genera soluciones globales, ya que solo es
para un cierto número de eventos.
• No brinda una decisión a tomar, sino más bien nos
ayuda a resolver el comportamiento mediante las
aproximaciones.
CONDICIONES PARA UTILIZAR SMC
• Los resultados de una organización son el efecto de relacionar
los ingresos o incrementos patrimoniales menos los costos y los
gastos o disminuciones patrimoniales, producto de las
operaciones ordinarias o extraordinarias.
• Datos Históricos Confiables
• Variables Relevantes Identificadas
• Segmentación de Costos
• Correlaciones entre Variables
• Modelo de Negocio Detallado
DATOS HISTÓRICOS CONFIABLES
• La simulación de Monte Carlo se basa en la generación de múltiples
escenarios utilizando datos históricos como punto de partida. Por lo tanto,
es crucial contar con datos financieros históricos precisos y confiables
sobre ingresos, costos, gastos y otros factores relevantes.
VARIABLES RELEVANTES
IDENTIFICADAS
• Es necesario identificar y recopilar datos sobre las variables relevantes que
afectan el estado de resultados de la empresa. Esto puede incluir factores
como ventas, costos de producción, precios de materias primas, tipos de
cambio, entre otros.
SEGMENTACIÓN DE COSTOS
• Es importante segmentar los costos en variables y fijos de manera clara y
precisa. Los costos variables son aquellos que varían directamente con el
nivel de actividad, mientras que los costos fijos permanecen constantes
independientemente del nivel de producción o ventas.
CORRELACIONES ENTRE VARIABLES
• Si existen relaciones o dependencias entre las variables que afectan el
estado de resultados, estas correlaciones deben ser identificadas y tenidas
en cuenta en la simulación. Por ejemplo, cambios en el precio de las
materias primas pueden influir en los costos de producción y, por ende, en
los márgenes de beneficio
MODELO DE NEGOCIO DETALLADO
• Es fundamental tener un modelo de negocio detallado que describa cómo
las diferentes variables afectan los ingresos, costos y gastos de la empresa.
Esto permitirá construir un modelo de simulación preciso y relevante
CONSTRUCCIÓN DE SMC (SIMULACIÓN
MÉTODO MONTECARLO)
PASOS PARA LA CONSTRUCCIÓN
DE SMC
• Determinar las variables aleatorias y sus distribuciones.
• Iterar tantas veces como sean necesarias:
• Generar un número aleatorio.
• Uniforme [0,1].
• Determinar el valor para el número aleatorio generado de acuerdo al
rango o clases que se especifiquen
PASOS PARA LA CONSTRUCCIÓN
DE SMC
• Calcular media, desviación estándar o métodos estadísticos
comparables.
• Analizar los resultados.
• Diseñar el modelo lógico de decisión.
• Especificar distribuciones de probabilidad para las variables aleatorias
relevantes.
PASOS PARA LA CONSTRUCCIÓN
DE SMC
• Calcular el resultado del modelo según valores de muestreo
(iteración) y registrar el resultado.
• Repetir el proceso hasta tener una muestra
estadísticamente representativa.
• Calcular media o desviación estándar.
• Analizar los resultados.
VARIABLES ALEATORIAS
• Una variable X que puede tomar un conjunto de valores {x0, x1, x2, ... xn-1}
con probabilidad {p0, p1, p2, ... pn-1}. Una variable aleatoria de
probabilidad dada por la función P(s) a partir de los valores de una variable
aleatoria uniformemente distribuida en el intervalo [0, 1).
FUNCIONES DE DISTRIBUCIONES
DE PROBABILIDAD (FDP)
INTERPRETACIÓN DE
RESULTADOS
• Se basa también en las iteraciones del modelo propuesto. Cuantas más
iteraciones se hagan, más preciso será. Sin embargo, el esfuerzo
computacional también será mayor. El número de iteraciones dependerá de
la complejidad del modelo propuesto.
• El resultado obtenido después de todas las iteraciones y su interpretación
por métodos estadísticos puede tener diferentes significados dependiendo
del objetivo y de lo que se esté buscando
COMO UTILIZAR EL MÉTODO DE
MONTECARLO
• El método Montecarlo implican tres pasos básicos:
1. Configure el modelo predictivo
2. Especifique las distribuciones de probabilidad de las variables
independientes
3. Ejecute simulaciones repetidamente para generar valores
aleatorios de las variables independientes
CONTEXTO DE LA CONSTRUCCIÓN
• El método de Montecarlo puede ser aplicado para modelar y simular diversos
aspectos, como la estimación de costos, programación de proyectos, la evaluación
de riesgos y la optimización de diseños.
1. EJECUCION DE SIMULACIONES:
2. ANÁLISIS DE RESULTADOS:
3. INTERPRETACIÓN Y TOMA DE DESICIONES:
CONCLUSIONES
• El método Montecarlo es útil para establecer
probabilidades y definir escenarios de actuación.
• El objetivo de este método no es el de brindar decisiones
sino apoyar a la toma de estas.
REFERENCIAS BIBLIOGRÁFICAS
• Cuervo, J., Osorio, J., & Duque, M. (2013). Costeo basado en actividades ABC gestión basada en actividades ABM (Segunda ed.). Bogotá: Ecoe
Ediciones.
• Duque Roldán, M. I., Muñoz Osorio, L. M., & Osorio Agudelo, J. A. (2011). El Estado del Costo de Producción y Venta y el Estado de Resultados en las
Normas Internacionales de Información Financiera – NIIF/IFRS. CONTADURÍA UNIVERSIDAD DE ANTIOQUIA, 58-59, 13-28.
https://doi.org/10.17533/udea.rc.14627
• Gonzales, J. (2015). Introducción del Factor Humano al Análisis de Riesgo. CERTEC.
• Horngren, C. T., Datar, S., & Foster, G. (2007). Contabilidad de costos un enfoque gerencial (Decimosegunda ed.). México: Pearson Education.
• IFRS Foundation (Ed.). (2015). el marco conceptual y los requerimientos. Londres: IFRS Foundation.
REFERENCIAS BIBLIOGRÁFICAS
• Laporta, R. (2014). Manual de costos y gestión. Montevideo: Grupo Magro.
• Medina, S., & Restrepo, J. (2013). Estimación de la utilidad en riesgo de una empresa de transmisión de energía eléctrica considerando variables económicas. Cuadernos de
economía.
• Método de Montecarlo | Cómo usarlo para hacer simulaciones. (2015, 07 03). Recursos en project management. Retrieved February 24, 2024, from
https://www.recursosenprojectmanagement.com/metodo-de-montecarlo/
• Olivares, J. (2007). Generación de valores de las variables aleatorias. Proyeto Universidad de Atacama.
• Osorio, J., Alzate, W., & Agudelo, D. (2016, Junio 27). Análisis de tendencia gráfica: complemento para separar los costos semivariables en sus componentes fijo y variable
[Ponencia del X Congreso Iberoamericano de Contabilidad de Gestión]. Valencia., España.
• Polimeni, R., Fabozzi, F., Adelberg, & Arthur. (1994). Contabilidad de costos conceptos y aplicaciones para la toma de decisiones gerenciales (tercera ed.). Bogotá: McGraw-Hill
Interamericana.
GRACIAS POR SU ATENCIÓN
