¿Cómo construir una simulación Monte Carlo para una decisión de marketing?
Monte Carlo propaga distribuciones de entrada a través de un modelo decisional. La calidad depende menos del número de simulaciones que de distribuciones, dependencias y escenarios pertinentes.
Respuesta directa
Estimar una distribución de resultados y la probabilidad de superar un umbral.
Monte Carlo propaga distribuciones de entrada a través de un modelo decisional. La calidad depende menos del número de simulaciones que de distribuciones, dependencias y escenarios pertinentes.
01
Respuesta directa
Monte Carlo propaga distribuciones de entrada por un modelo determinista. Con 20.000 simulaciones y semilla 20260822, MSC-010 da mediana 10.538,92 € y 5,555% de escenarios negativos.
02
Pregunta científica
¿Qué distribución del resultado deriva de supuestos declarados y cuál es la probabilidad de cruzar un umbral?
03
Población, unidad y horizonte
La unidad es escenario × simulación × periodo. Las distribuciones describen incertidumbre sobre una decisión, no 20.000 mercados observados.
04
Objetivo estadístico
El objetivo es la distribución condicional de ΔΠ=f(X): mediana, percentiles 5/95% y Pr(ΔΠ<0), dadas distribuciones y dependencias.
05
Datos necesarios
Para cada entrada: distribución, parámetros, unidad, fuente, horizonte y dependencias. MSC-010 usa volumen y elasticidad normales correlacionados −0,20 y costes triangulares.
06
Supuestos
Las distribuciones representan la incertidumbre, la correlación lineal es adecuada, el modelo sigue válido y las restricciones son explícitas.
07
Modelo
Para cada simulación s: P₁=P₀(1+d), Q₁=Q₀(1+d)^ε y ΔΠₛ=(P₁−VC)Q₁−(P₀−VC)Q₀−ΔFC.
08
Cálculo reproducible
El script lee el escenario base, genera 20.000 simulaciones con semilla fija, impone ρ=−0,20, aplica triangulares y calcula percentiles.
09
Resultados
Media 10.437,88 €, mediana 10.538,92 €, P5 −357,20 €, P95 21.066,54 € y Pr(ΔΠ<0)=5,555%.
| Mean | Median | P5 | P95 | Pr(ΔΠ<0) |
|---|---|---|---|---|
| €10,437.88 | €10,538.92 | −€357.20 | €21,066.54 | 5.555% |
10
Error Monte Carlo
Para el riesgo p̂, SE_MC=√[p̂(1−p̂)/S]=0,1620 puntos. No cubre error de modelo ni distribuciones erróneas.
11
Convergencia y sensibilidad
Repetir con más simulaciones y semillas, controlar mediana, percentiles y riesgo, y variar distribuciones y dependencias. La convergencia no valida los supuestos.
12
Diagnósticos
Comprobar valores imposibles, soporte, correlaciones, estabilidad de percentiles, contribuciones, extremos y unidades.
13
Errores frecuentes
Errores: confundir simulaciones y observaciones, elegir distribuciones cómodas, ignorar dependencias, publicar solo la media u ocultar la semilla.
14
Interpretación
Con MSC-010 el escenario suele ser positivo pero la cola baja cruza cero. 5,555% es riesgo condicional, no riesgo real conocido.
15
Decisión posible
Comparar riesgos de umbral, orientar la recogida de datos y fijar una regla condicional de prueba.
16
Decisión imposible
No declarar probabilidad objetiva, garantizar beneficio, validar distribuciones por convergencia ni ignorar incertidumbre estructural.
17
Implementación
El CSV CC0 documenta distribuciones y dependencias; Python MIT fija escenario, semilla y simulaciones y publica las métricas.
CSV · CC0
msc-010-monte-carlo-inputs.csv ↓Python · MIT
msc-p034-reference.py ↓18
Entregable esperado
Registro de supuestos, dependencias, semilla, simulaciones, código, percentiles, riesgo, error MC, convergencia, sensibilidad y decisiones.
19
Fuentes científicas
Saltelli et al. fundamentan Y=f(X), la descomposición de varianza, interacciones y coste computacional. El artículo no valida distribuciones MSC-010 ni el riesgo obtenido.
- Saltelli et al. (2010) ↗Full text verified
Dataset · Herramienta
Conexiones metodológicas