Modelo de Presentacion Feria Robotica Educativa 2024 - Versión3.pptx
El Método Monte Carlo en la evaluación de riesgos de la SI
1. El método Monte Carlo en
la evaluación de riesgos
de la Seguridad de la
Información
VI Congreso Internacional sobre
Gobierno, Riesgos, Auditoría y Seguridad
de la Información
Ing. P.A. Ortiz, M.Sc., PMP
Set-2015
2. Agenda
Objetivo
El problema…
Inputs del modelo
Algunas T&H cuantitativas
Simulación Monte Carlo
Retorno al problema
Resumen
M.Sc., Ing. P.A. Ortiz, PMP 2set-15
“Education never ends Watson. It is a series
of lessons with the greatest for the last”
Sherlock Holmes, The red circle, 1917
3. Agenda
Objetivo
El problema…
Inputs del modelo
Algunas T&H cuantitativas
Simulación Monte Carlo
Retorno al problema
Resumen
M.Sc., Ing. P.A. Ortiz, PMP 2set-15
“Education never ends Watson. It is a series
of lessons with the greatest for the last”
Sherlock Holmes, The red circle, 1917
5. El Problema…
De acuerdo a la norma ISO 73 el riesgo es la
combinación entre la probabilidad que ocurra
un evento y la probabilidad que el evento
ocurra. En el campo de IS el riesgo es
identificado como una amenaza que puede
explotar la potencial debilidad de un sistema y
que se mide por su pérdida o daño causado
set-15 M.Sc., Ing. P.A. Ortiz, PMP 5
• Consciente de este problema la empresa ABC
Logistic ha contratado a la consultora C&R
Consulting para que las ayude a crear un plan
que gestione estos riesgos.
6. set-15 M.Sc., Ing. P.A. Ortiz, PMP 6
Fuente: Microsoft. The Security Risk Management Guide.
Roles y Reglas en la Gestión de la Seguridad de la
Información
7. Inputs del modelo
set-15 M.Sc., Ing. P.A. Ortiz, PMP 7
¿Siguiente paso?
Matriz de
amenaza
Matriz de
pérdidas
unitarias s/
amenaza
9. Algunas T&H cuantitativas
M.Sc., Ing. P.A. Ortiz, PMP
Fuzzy Logic
Latin
Hypercube
Análisis de
Sensibilidad
Simulación
Monte Carlo
Distribuciones
de Probabilidad
set-15
Análisis: “Qué
pasa si…?”
Análisis de
Escenarios
Redes
Bayesianas
Árboles de
decisión
9
entre otras..
10. set-15 M.Sc., Ing. P.A. Ortiz, PMP 10
Ejemplo de Análisis de Sensibilidad
4
Entradas
1 Salida
Modelo: Monto Cuota = f(MP, TI, CA, NP)
Variables salida
(dependientes)
Variables entrada
(independientes)
Préstamo
Monto del Préstamo U$S 32.000
Tasa de Interés Anual 8,0%
Cantidad de Años 10
Nro. de Pagos (p/Año) 12
Monto de la Cuota $ 388,25
11. set-15 M.Sc., Ing. P.A. Ortiz, PMP 11
Análisis de Sensibilidad en
Excel
Se varía la Cantidad
de Años y analiza el
impacto
12. Análisis de Escenarios
M.Sc., Ing. P.A. Ortiz, PMP 12
La limitación del Análisis de Sensibilidad de
trabajar una variable a la vez se subsana al
considerar distintos escenarios donde un
conjunto de variables pueden cambiar,
resultando en un cambio colectivo en el
resultado.
set-15
13. Escenarios
set-15 M.Sc., Ing. P.A. Ortiz, PMP 13
Peor (-10%) Base Mejor (+10%)
Monto del Préstamo U$S 28.800 U$S 32.000 U$S 35.200
Tasa de Interés Anual 7,20% 8,00% 8,80%
Cantidad de Años 9 10 11
Nro. de Pagos (p/Año) 10,8 12 13,2
14. Resultado
set-15 M.Sc., Ing. P.A. Ortiz, PMP 14
$374,85
$416,60
$349,42
$431,49
$401,91
$365,29
$427,07
$352,88
U$S340 U$S350 U$S360 U$S370 U$S380 U$S390 U$S400 U$S410 U$S420 U$S430 U$S440
Tasa de Interés Anual
Cantidad de Años
Monto del Préstamo
Nro. de Pagos (p/Año)
Monto de la Cuota
Diagrama de Tornado
15. Las limitaciones y la alternativa
MC
Quantitative risk analysis (QRA), using Monte Carlo
simulation, is similar to "what if" scenarios in that it
generates a number of possible scenarios. However, it
goes one step further by effectively accounting for
every possible value that each variable could take and
weighting each possible scenario by the probability of
its occurrence. QRA achieves this by modelling each
variable within a model by a probability distribution.
set-15 M.Sc., Ing. P.A. Ortiz, PMP 15
Vose, D., 2000
16. Simulación Monte Carlo para la
evaluación del riesgo
M.Sc., Ing. P.A. Ortiz, PMP 16
“We balance
probabilities and
choose the most
likely. It is the
scientific use of the
imagination”
A. Conan Doyle. The Hound of the Baskervilles (1902)
set-15
17. ¿Qué es la simulación Monte Carlo?
Método computacional usado para
estudiar el comportamiento de
sistemas matemáticos, físicos o de
cualquier índole, a partir del uso de
muestreo estadístico, números
aleatorios y seudo-aleatorios.
Es iterativo ⇒ requiere cálculos por
computador.
Desarrollado por S. Ulam y J. Von
Neumann en 1949
set-15 17M.Sc., Ing. P.A. Ortiz, PMP
18. Introducción al Método Monte Carlo
El método Monte Carlo básicamente es una forma de
resolver problemas complejos mediante aproximaciones
usando gran cantidad de números aleatorios.
M.Sc., Ing. P.A. Ortiz, PMP 18set-15
The first thoughts and attempts I made to practice [the Monte
Carlo Method] were suggested by a question which occurred to
me in 1946 as I was convalescing from an illness and playing
solitaires. The question was what are the chances that
a Canfield solitaire laid out with 52 cards will come out
successfully? After spending a lot of time trying to estimate
them by pure combinatorial calculations, I wondered whether a
more practical method than "abstract thinking" might not be to
lay it out say one hundred times and simply observe and count
the number of successful plays.
Ulam, S.
19. Ejemplo: Aproximación de por el MMC
-1 -0,5 0 0,5 1
1
0.5
0
-0.5
-1
Área Círculo = π r2 = π
Área Cuadrado= L2= 4
L = 2
Área Círculo = π
Área Cuadrado 4
4 * Área Círculo = π
Área Cuadrado
Si n es grande podemos
pensar que es válida la aprox.:
4 *puntos_en_el_circulo ≈ π
n (total de ptos.)
= 1
Referencia: http://twtmas.mpei.ac.ru/mas/Worksheets/approxpi.mcd
set-15 19M.Sc., Ing. P.A. Ortiz, PMP
20. M.Sc., Ing. P.A. Ortiz, PMP 20
¿Qué podemos deducir?. Pasos
1. Crear un modelo paramétrico
= 1, … ,
2. Generar un conjunto de
números aleatorios , . . ,
3. Evaluar el modelo y guardar el
resultado como yk
4. Repetir los pasos 2 a 3 para
k= 1 a n
5. Analizar los resultados usando
histogramas, intervalos de
confianza, etc.
4 _ ⁄ ~
Se generan nros. aleatorios
con distribución uniforme para
x => g(x1) ; g(x2) ; …. g(xn) ;
aprox_ ∶
!
" | $ _ – |" | $ _ – |
set-15
22. El MMC y la Evaluación de Riesgo
set-15 M.Sc., Ing. P.A. Ortiz, PMP 22
23. Retorno al problema
set-15 M.Sc., Ing. P.A. Ortiz, PMP 23
Los valores marcados en verde son los dominantes porque fueron
los que recibieron mayores respuestas afirmativas entre los
stakeholders entrevistados.
No obstante estos valores son estimaciones.
Usaremos la Simulación Monte Carlo para el nivel de riesgo
bajo condiciones de incertidumbre
24. Primer paso
1. Crear un modelo paramétrico = 1, … ,
set-15 M.Sc., Ing. P.A. Ortiz, PMP 24
Modelo
25. Modelo. Horse Races
set-15 M.Sc., Ing. P.A. Ortiz, PMP 25
Si x<0.3 Gana el #1
Si 0.3≤x<0.7 Gana el #6
Si 0.7≤x<0.9 Gana el #5
Si 0.9≤x≤1 Gana el #3
x número
aleatorio
Supongamos 4 caballos (#1, #6, #5,
#3) que son los favoritos en la
carrera de fondo y se quiere saber a
cuál apostar.
Estos han corrido muchas veces por
lo que se dispone de información
histórica. El #1 ha ganado el 30% de
las veces, el #6 el 40% de las veces,
el #5 el 20% de las veces y el #3 el
10% de las veces. Podemos simular los
resultados de una carrera de la
siguiente forma.
26. Modelo. Horse Races
set-15 M.Sc., Ing. P.A. Ortiz, PMP 26
Con fondo verde se indica el valor mas probable
27. Pasos 2, 3 y 4.
set-15 M.Sc., Ing. P.A. Ortiz, PMP 27
…………………………………………..
&& &&
" "
'" "
" "
'" "
Recuerden: “every possible value
that each variable could take and
weighting each possible scenario
by the probability of its
occurrence”
28. Paso 5. Analizar los resultados
set-15 M.Sc., Ing. P.A. Ortiz, PMP 28
29. Objetivo
Conocer los fundamentos
de una de las
herramientas principales
para la evaluación
cuantitativa de los riesgos
en la SI: el método Monte
Carlo.
M.Sc., Ing. P.A. Ortiz, PMP 3set-15
30. M.Sc., Ing. P.A. Ortiz, PMP 30set-15
Solum certum nihil esse certi
La única certidumbre es la incertidumbre
Plinio el Viejo, Historia Naturalis, Libro ii, 7