Explicación del proceso

Existen 5 pasos ideales para seguir este método:
1. Establecer distribuciones de probabilidad.
2. Construir una distribución de probabilidad acumulada para cada variable.
3. Establecer intervalos de números aleatorios.
4. Generación de números aleatorios.

Montecarlo es un método probabilístico, en contraposición a los métodos determinísticos, ya que incorpora múltiples simulaciones de resultados, con la variabilidad de elementos individuales, para producir una distribución de resultados potenciales. En cada simulación, la herramienta de simulación escoge al azar un valor para cada evento de riesgo, dentro de su rango de valores posibles, pero de acuerdo con la probabilidad de ocurrencia de cada uno de estos. Luego, se combinan los valores escogidos, igualmente al azar, para generar un solo resultado en la simulación.

Este proceso se repite un cierto número de veces (típicamente más de 1000 iteraciones) y se produce un rango de resultados potenciales, igualmente probables.

El proceso se fundamenta en el hecho de utilizar una entrada invertida en una función de probabilidad acumulada F(x). Así, a través de la generación de números aleatorios entre (0, 1), se genera una probabilidad acumulada, que permite, si se conoce la función F(x), generar un valor de la variable aleatoria Xi = f(x).

La figura 1 presenta este proceso, el cual se describe en la figura 2. El paso más importante es la determinación de la variable aleatoria y la distribución acumulada correspondiente. Es en esta etapa cuando se genera el modelo probabilístico del sistema, por simular.

Las principales limitantes del Método Montecarlo son, por un lado, que hay que repetir varias veces los cálculos, a fin de evitar inferencias causales. Por otro lado, es necesario establecer los controles periódicos necesarios, con el fin de garantizar la calidad de los números aleatorios o de los generadores pseudoaleatorios utilizados en la simulación.

Al ser los procesos de simulación modelos de pronósticos, tienen ventajas y desventajas muy importantes, ya que entre mayor sea el plazo u horizonte del pronóstico, mayor será la desviación de los resultados con los datos reales, cuando se realicen pruebas retrospectivas del modelo construido.

Ventajas
1. Es un método directo y flexible.
2. Existe un amplio abanico de programas y lenguajes destinados para las simulaciones.
3. Cuando el modelo matemático es demasiado complicado, este método permite obtener una aproximación.
4. La simulación nos permite formular condiciones extremas con riesgos nulos.
5. Montecarlo no interfiere con el mundo real, permite experimentar.
6. Es posible estudiar la interacción entre las diferentes variables del problema.
7. La simulación permite resolver problemas que no tienen solución analítica.

Desventajas
1. Una buena simulación puede resultar muy complicada, por el gran número de variables.
2. Este método no genera soluciones óptimas globales.
3. Tampoco, proporciona la respuesta de cuál decisión a tomar, sino que resuelve el problema mediante aproximación, para unas condiciones iniciales.
4. Cada simulación es única, interviene el azar.
5. El desarrollo de un modelo gasta y quita tiempo, además, es costoso.
6. No representa con exactitud la situación real.
7. Relaciones no adecuadas generan errores, por los resultado imprecisos.

El uso de esta metodología permite establecer las siguientes conclusiones:
1. El Método de Montecarlo posibilita obtener soluciones probabilísticas, para ecuaciones donde no es satisfactorio utilizar un método determinístico, por falta de precisión en los datos de entrada.
2. Es muy recomendable hacer uso de un computador, para aplicar el Método de Montecarlo, porque se pueden realizar las cientos o miles de simulaciones necesarias, en pocos segundos. Además, con la cantidad de cifras decimales requeridas.
3. Es muy importante escoger el software indicado, para realizar la simulación. Por un lado, los programas de amplio uso, como Microsoft Excel permiten realizar simulación de Montecarlo con muchas ecuaciones distintas. Sin embargo, la preparación previa conlleva un proceso engorroso y hacer muchas simulaciones es lento. Por otro lado, los programas como @Risk o Crystal Ball tienen definidas las ecuaciones con las que trabajan, por lo que son rápidos tanto en la preparación previa como en las simulaciones.
4. El análisis de resultados puede ser tan preciso como el usuario desee, desde simplemente tomar la media o los límites, hasta escoger un resultado con probabilidades de ocurrencia de distintos rangos, de la variable simulada.