Simulación de Monte Carlo

394 MÓDULO III.
ADMINISTRACIÓN DE RIESGOS DEL PROYECTO
■ Punto de equilibrio
■ Elasticidad de las distintas variables
■ Análisis de sensibilidad de dos variables
■ Análisis de escenarios
21.8 Simulación de Monte Carlo
Tomar decisiones bajo incert i d u m b re no es un proceso simple.

Planificar en estas circunstancias implica enfrentarse con situaciones
adversas, esforzarse más de lo normal para proyectar el futuro, pre p a r a r-
se para los escenarios no deseados, etcétera. Por este motivo, no basta con
hacer simples análisis de sensibilidad para evaluar cómo afectan las varia-
bles críticas a los objetivos del proyecto, sino que es necesario utilizar
h e rramientas de base científica que agreguen un mayor soporte técnico a
las proyecciones futuras.
Los métodos que utilizan el valor esperado como criterio de decisión
no miden en forma exacta el valor estimado, sino sólo la de uno de los tan-
tos escenarios futuros posibles. Los cambios que se producirán en el com-
p o rtamiento de las variables del entorno harán que sea prácticamente
imposible confiar en que el valor esperado calculado sea el que en realidad
se dé en el futuro.
Lo único cierto es la incertidumbre.
Para disminuir este inconveniente, se puede utilizar el modelo de

Monte Carlo, que simula los resultados que puede asumir el valor espera-
do de una variable del proyecto a través de la asignación aleatoria de un
valor a cada variable crítica que influye sobre ella.
La simulación de Monte Carlo se puede definir como una técnica cuan-
titativa utilizada para evaluar cursos alternativos de acción, o para obtener
la respuesta más probable por medio de un modelo matemático, cuando el
resultado esperado es una función de diversas variables inciertas que pueden
estar combinadas entre sí.
CAPÍTULO 21. ANÁLISIS CUANTITATIVO DEL RIESGO 395
Orígenes de la simulación de Monte Carlo
La simulación de Monte Carlo tiene sus primeros orígenes en 1940, cuan-

do en Estados Unidos de América se estaba desarrollando la bomba de hidró-
geno. Con esta técnica de simulación se predecían los posibles sucesos con
amplios niveles de acercamiento en las probabilidades de ocurre n c i a .
Luego, en la segunda mitad de la década de 1970, el método de simula-
ción de Monte Carlo se hizo más popular y comenzó a ser utilizado en las
á reas de contabilidad, finanzas, investigación, biología, química, física,
etcétera.
En la actualidad, gracias al desarrollo de programas y computadoras
personales, la simulación de Monte Carlo está al alcance de cualquier usua-
rio. Por ejemplo, se puede utilizar el software Crystal Ball o @Risk como
un complemento de Excel para emplear este método de simulación.
El método de simulación de Monte Carlo
El método de Monte Carlo simula los resultados que puede asumir

alguna variable dependiente del proyecto (por ejemplo: VAN, TIR, etc.) a
través de la asignación aleatoria de un valor a cada variable independien-
te que lo afecta (por ejemplo: tasa de crecimiento, tasa de interés, ventas,
costos, etc.).
A cada una de estas variables independientes se le asigna una distribu-
ción de probabilidad.
Supongamos un proyecto donde se quiere evaluar la rentabilidad de un
posible hotel a constru i r. La rentabilidad de este hotel se medirá por su
valor actual neto (VAN). Entre las variables que influyen sobre la rentabilidad
del proyecto se pueden mencionar: la tasa de interés, la tasa de impuestos, los
costos variables, la inversión, etcétera.
La simulación de Monte Carlo puede incluir todas las combinaciones
posibles de las variables que afectan los resultados de un proyecto. Por
ejemplo, se puede evaluar cuál será la rentabilidad del proyecto si cambian
todas las variables al mismo tiempo, teniendo en cuenta la interrelación
que existe entre ellas.
396 MÓDULO III. ADMINISTRACIÓN DE RIESGOS DEL PROYECTO
La distribución de probabilidad de las variables
En primer lugar, se debe definir cuál es la distribución de probabilidad

de cada variable que afecta los objetivos del proyecto. Por ejemplo, se
puede tener inform a c i ón histórica para estimar que la tasa de interés tiene
una distribución normal cuya media es del 10% y una desviación están-
dar del 2%. En este caso, siguiendo los principios estadísticos, sabemos
que existe un 95% de probabilidad de que la tasa de interés futura esté
c o m p rendida entre el 6% y el 14% (media +/- 2 desviación estándar).
Gráfico 21.16 Distribución normal
4% 7% 10% 13% 16%
Además, también podríamos definir en el modelo cuál es el rango lógi-

co donde puede caer una variable. Por ejemplo, podemos establecer que
los cambios en la inversión a realizar también tienen una distribución de
p robabilidad normal cuya media es del 0% y una desviación estándar del
5%. Sin embargo, sobre la base de datos históricos se determina que los
desvíos en la inversión nunca podrán variar en más del 30%. En este caso,
la distribución de probabilidad de esta variable estaría truncada en ambas
puntas, como se refleja en el gráfico 21.17.
Gráfico 21.17 Distribución acotada

i
-60% -30% 0% 30% 60%
Este mismo análisis, que define la distribución de probabilidad de cada

variable, se debe realizar para todas aquellas variables que influyen en la
rentabilidad del proyecto.
La distribución de probabilidad de cada variable puede tener distintas
formas: continua, discreta, uniforme, triangular, beta, etcétera. En el gráfico
21.18 se muestran algunos ejemplos de distribución.
Gráfico 21.18 Distribución de probabilidades

Asignar valores aleatorios a cada variable
Una vez definidas las variables que afectan los objetivos del proyecto,
sus interrelaciones y sus distribuciones de probabilidad, se debe asignar un
valor aleatorio a cada variable.
Este proceso de asignar valores aleatorios a cada variable lo realiza en
forma automática el software de simulación.
Por ejemplo, si se definió la tasa de descuento con una distribución nor-
mal cuya media es el 10% y su desviación estándar el 2%, la computadora
seleccionará en un 95% de los casos un valor aleatorio comprendido entre el
6% y el 14% (intervalo formado por la media +/- 2 desviación estándar).
Se debe tener en cuenta que, cada vez que se modifique una variable,
también se modificarán sus variables relacionadas. Por ejemplo, si cambia
la estimación de ventas del proyecto también cambiarán los costos varia-
bles relacionados.
La computadora asignará valores aleatorios a todas las variables que
afectan la rentabilidad del proyecto en forma simultánea. De esta forma se
podrán correr miles de escenarios, y de cada uno se obtendrá un indicador
de rentabilidad.
Resultados de la simulación
Siguiendo con el ejemplo de evaluar la rentabilidad del proyecto hote-

l e ro, se podrían sensibilizar las siguientes variables: tasa de interés, impues-
tos, inversión y costos variables. Para todas se supuso una distribución
normal cuya media y desviación estándar se presentan en la tabla 21.14.
Tabla 21.14 Variables de la simulación
Variable Media Desviación estándar
Tasa de interés 10% 2%

Impuestos 35% 5%
Inversión 0% 5%
Costos variables 0% 10%
Con un software como el C rystal Ball o @ R i s k se podrían correr miles

de escenarios al azar donde se combinan variaciones (hacia arriba o hacia
abajo) de todas las variables del proyecto en forma simultánea.
Para cada uno de los escenarios se obtiene el valor actual neto (VAN)
como indicador de la rentabilidad del proyecto. Una vez que se corre n
todos los escenarios el resultado es, por ejemplo, cinco mil valores de ren-
tabilidad del proyecto. Si se grafican estos valores en una curva de distri-
bución de probabilidad, debido a la ley de los grandes números, segura-
mente la distribución se asemejará a una función normal.
En el gráfico 21.19 se presenta la distribución del VAN de este proyecto
en particular.
Gráfico 21.19 Gráfico de la simulación
Mediante este método se puede obtener, por ejemplo, que la probabi-

lidad de alcanzar un resultado positivo asciende al 64% y que existe un
36% de probabilidad de perder dinero. No se desanime por no entender
de dónde salen estos valores, ya que usted no posee todos los datos de
este proyecto. Simplemente, se quieren mostrar los resultados que se pue-
den obtener con la simulación de Monte Carlo. En el apéndice 2 se explica
paso a paso cómo realizar la simulación de Monte Carlo con el software

@Risk.
Debido a la simulación de Monte Carlo, cada día hay más

videntes que se quedan sin trabajo.
En la tabla 21.15 se resumen los resultados estadísticos que se pueden

obtener con la simulación de Monte Carlo.
Tabla 21.15 Resultados Crystal Ball
En este ejemplo en particular, al cambiar todas las variables del pro y e c-

to en forma simultánea, se obtuvo una media del VAN de $ 266.494. Sin
e m b a rgo, existe un 36% de probabilidades de que el VAN del proyecto
arroje valores negativos.
La conclusión de este análisis es que, si bien en promedio el proyecto sería
rentable, existe un elevado porcentaje de probabilidades de que no lo sea, lo
que está indicando el alto grado de riesgo de quebranto del proyecto.
La simulación de Monte Carlo aporta información mucho más com-

pleta respecto de utilizar sólo la información del valor promedio esperado.
Ventajas del método Monte Carlo
La simulación de Monte Carlo tiene la ventaja, sobre otros métodos

que evalúan el riesgo, de que no sólo brinda el valor más probable de la
variable dependiente, sino también su distribución de probabilidad. Por lo
tanto, todos los resultados posibles pueden ser analizados.
Otra ventaja es que el número de variables independientes que se pue-
den considerar en el análisis es muy grande. Todas las combinaciones posi-
bles de los estados de la naturaleza se incluyen en el problema, proveyen-
do un método de análisis muy riguroso.
La simulación de Monte Carlo da una idea de la probabilidad de que la
variable dependiente esté dentro de un determinado rango o por encima de
un valor preestablecido. Por ejemplo, dos proyectos de inversión, A y B,
tienen el mismo VAN esperado de $ 50.000. Pero el proyecto A, al tener una
desviación estándar menor, es menos riesgoso, ya que la probabilidad de
obtener una rentabilidad negativa es inferior a la del proyecto B.
Gráfico 21.20 Comparación del riesgo entre proyectos
-50.000 0 50.000 100.000 150.000 VAN ($)

Este ejemplo muestra la ventaja del método

Ejercicio Monte Carlo sobre otras técnicas para evaluar
U t i l i cealgún buscador de riesgo. La distribución probabilística de la varia-
I n ternet con el fin de hallar ble dependiente es más importante, en un
tres softwares disponibles
para realizar la simulación momento dado, que el valor esperado de esta
de Monte Carlo. variable.
21.9 Convergencia de senderos

El método de la convergencia de senderos se utiliza en el contexto del
análisis de riesgo de agenda, donde se analiza cuantitativamente la dura-
ción de las actividades de un proyecto.
Un sendero es el camino de una secuencia de actividades desde su fecha
de inicio hasta su finalización. Por ejemplo, para el proyecto de desarrollar
un software, como se presenta en el gráfico 21.21, los senderos estarían
representados por las flechas que unen las distintas actividades.
La convergencia de senderos se produce en aquellos nodos de la agen-
da donde se unen senderos paralelos. Una demora o prolongación de
cualquiera de los senderos que convergen en esos nodos puede demorar el
p royecto.
Siguiendo con el ejemplo, en el nodo final convergen dos senderos
paralelos (sendero A: estudio de mercado - diseñar software; sendero B:
contratar técnicos - desarrollar manuales), cuya duración estimada es de 90
días cada uno, lo que implica que el retraso en cualquiera de los dos retra-
saría todo el proyecto.

Simulación de Monte Carlo

Cargado por

Copyright:

Formatos disponibles

Simulación de Monte Carlo

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Simulación de Monte Carlo

Cargado por

Copyright:

Formatos disponibles

394 MÓDULO III.

ADMINISTRACIÓN DE RIESGOS DEL PROYECTO

21.8 Simulación de Monte Carlo

Tomar decisiones bajo incert i d u m b re no es un proceso simple.

Lo único cierto es la incertidumbre.

Para disminuir este inconveniente, se puede utilizar el modelo de

Orígenes de la simulación de Monte Carlo

La simulación de Monte Carlo tiene sus primeros orígenes en 1940, cuan-

El método de simulación de Monte Carlo

El método de Monte Carlo simula los resultados que puede asumir

La distribución de probabilidad de las variables

En primer lugar, se debe definir cuál es la distribución de probabilidad

Gráfico 21.16 Distribución normal

4% 7% 10% 13% 16%

Además, también podríamos definir en el modelo cuál es el rango lógi-

Gráfico 21.17 Distribución acotada

-60% -30% 0% 30% 60%

Este mismo análisis, que define la distribución de probabilidad de cada

Gráfico 21.18 Distribución de probabilidades

Asignar valores aleatorios a cada variable

Siguiendo con el ejemplo de evaluar la rentabilidad del proyecto hote-

Tabla 21.14 Variables de la simulación

Variable Media Desviación estándar

Tasa de interés 10% 2%

Con un software como el C rystal Ball o @ R i s k se podrían correr miles

Gráfico 21.19 Gráfico de la simulación

Mediante este método se puede obtener, por ejemplo, que la probabi-

paso a paso cómo realizar la simulación de Monte Carlo con el software

Debido a la simulación de Monte Carlo, cada día hay más

En la tabla 21.15 se resumen los resultados estadísticos que se pueden

Tabla 21.15 Resultados Crystal Ball

En este ejemplo en particular, al cambiar todas las variables del pro y e c-

La simulación de Monte Carlo aporta información mucho más com-

Ventajas del método Monte Carlo

La simulación de Monte Carlo tiene la ventaja, sobre otros métodos

Gráfico 21.20 Comparación del riesgo entre proyectos

-50.000 0 50.000 100.000 150.000 VAN ($)

Este ejemplo muestra la ventaja del método

21.9 Convergencia de senderos

También podría gustarte