Monte Carlo

Bajo incertidumbre
Un proyecto de inversión consiste en asignar recursos a una cierta actividad, partiendo en
un tiempo próximo, para generar beneficios en el futuro. Hay pocas cosas que ocurrirán en el
futuro sobre las cuales tenemos algún grado de seguridad o certidumbre. Existirá incertidumbre
cuando las probabilidades de ocurrencia de un evento no están cuantificadas. Las fuentes básicas
de la incertidumbre son cuando la información es incompleta, inexacta, sesgada, falsa o
contradictoria.
Monte Carlo
Método de Monte Carlo de análisis de riesgo
Este método, es un método estadístico numérico, el cual es usado para aproximar
expresiones matemáticas complejas y costosas para poder evaluar con exactitud. Este método, se
llama así por la ciudad de Mónaco, conocida como la capital del juego del azar, debido a que el
juego de la ruleta era un generador simple de números aleatorios.
El modelo de Monte Carlo, llamado también método de ensayos estadísticos, es
una técnica de simulación de situaciones inciertas que permite definir valores esperados
para variables no controlables, mediante la selección aleatoria de valores, donde la
probabilidad de elegir entre todos los resultados posible está en estricta relación con sus
respectivas distribuciones de probabilidades. (Sapag, 2012).

Es una técnica que es utilizada en diferentes campos, como los de finanzas,
gestión de proyectos, energía, manufacturación, ingeniería, investigación y desarrollo,
seguros, petróleo y gas, transporte y medio ambiente. Establecieron que ésta es una
técnica de simulación numérica que sirve para generar variables aleatorias y evaluar la
incertidumbre en sistemas complejos en diferentes campos de las ciencias. (Zundr, 2000).
¿Por qué es tan importante actualmente este método?
La importancia de este método se basa en la existencia de problemas que tienen una
difícil solución por métodos únicamente numéricos, pero que también dependan de factores
aleatorios.
¿Por qué es útil el método Montecarlo para los proyectos?
La idea de la que parte la aplicación del método Monte Carlo es que hay aspectos,
como el plazo o el coste, que no pueden ser determinados con exactitud, ya que se trata
de puntos variables. Se trata de una variabilidad con una doble vertiente. Por una
parte, las estimaciones que se llevan a cabo son en sí mismas variables, ya que una acción
ni dura siempre igual ni cuesta siempre lo mismo; y por otra parte, el riesgo en sí, ya que
presentan una probabilidad de ocurrir diferente en distintas situaciones, así como un
impacto que varía de unas situaciones a otras.[ CITATION Ano19 \l 12298 ]

El concepto básico de este método parte de la probabilidad, debido a que plantea conocer
la probabilidad de ocurrencia de un evento, que se obtiene realizando el experimento un
número suficiente de veces y determinando la variable aleatoria dependiente como una
función de densidad de los resultados obtenidos en los “experimentos” realizados.
(Crespo, 2002)
por lo que Podemos decir que este es un metódo estadístico que es utilizado para resolver
problemas completos de carácter numerico matemático a través de la generación de
valores aleatorios
El método de Monte Carlo consiste en generar números aleatorios (podríamos
decir números “sorteados”) y convertirlos en observaciones de las variables aleatorias
más importantes del proyecto. Por ejemplo, el VAN del proyecto era particularmente
sensible a la cantidad vendida, al precio unitario y a los costos variables. Los números
aleatorios se obtienen al azar, según una distribución uniforme adopta una apariencia
rectangular, donde todos los posibles valores tienen la misma probabilidad de ocurrencia.
[ CITATION Dum10 \l 12298 ]
Con Excel los conseguimos fácilmente, escribiendo en cualquier celda de la
planilla de cálculo la siguiente instrucción: =aleatorio(). Si usted está acompañando el
razonamiento en su computadora, verá que al digitar “=aleatorio()”, y copiando la
instrucción en otras celdas, se generan números pseudoaleatorios al azar entre 0 y 1
(Excel genera números continuos entre 0 y 1)[ CITATION Dum10 \l 12298 ]

La distribución normal es la distribución de probabilidad más importante en
estadística, conocida por la cantidad de fenómenos que explica. Se la denomina
Campana de Gauss, ya que al representar su función de probabilística la misma
tiene forma de campana. (Riquelme, 2019).
DISTRIBUCIÓN NORMAL
(Soporte de Minitab, 2018)
• Una extensión del análisis de sensibilidad y de escenarios.
• Simultáneamente toma en cuenta las diferentes distribuciones de probabilidades

y los diferentes rangos de los valores para las variables claves del proyecto.
• Permite la correlación entre variables.
• Análisis de tipo dinámico. Escenarios aleatorios consistentes.
• Genera una distribución de probabilidad de resultados del proyecto (VAN) en
vez
de un solo estimado. Perfil riesgo/rendimiento.
• La distribución de probabilidad del proyecto facilita la toma de decisiones, pero
existen problemas de interpretación y uso.
1. Pasos para llevar a cabo una simulación Monte Carlo
1) Modelo Matemático: Planilla del proyecto
2) Identificar variables claves que son sensibles e inciertas.
3) Definir el riesgo
 Establecer un rango de opciones (mínimo y máximo)
 Asignar distribución de probabilidad
 Distribución Normal
 Distribución Triangular
 Distribución Uniforme
 Distribución xxxx
4) Identificar definir variables correlacionadas

 Correlación positiva o negativa
 Grado de correlación
5) Modelo disimulación
6) Análisis de resultados
 Resultados estadísticos
 Distribuciones
2. Identificar variables claves que son sensibles e inciertas
 Pequeña desviación de su valor proyectado es probable y potencialmente dañina para el
rendimiento.
 Regal:
no incluir:
 Rendimiento muy sensible, incertidumbre débil.
 Rendimiento poco sensible, incertidumbre alta.
 Solo variables cruciales,
 A mayor cantidad, mayores escenarios inconsistentes.
 Costo (en $ y T) de definir distribuciones y condiciones de correlación.

3. Definir el riesgo
 De una distribución a una Distribución de probabilidad
 Variables clave y distribuciones
4. Identificar y definir variables correlacionadas
 Dos variables correlacionadas tienden a variar juntas de manera sistemática. Ej:
variación de precio de venta y variación de cantidad vendida.
 Su existencia puede distorsionar resultados por la aleatoriedad violar correlación
resultados sesgados o fuera del blanco.
 Condiciones de correlación restringen selección aleatoria.
 Solución: se utilizan coeficientes de correlación
Se indica dirección (+ ó -)
Estimado de validez de la asociación
5. Modelo de Simulación
 Computadora asume el mando.

 Selección aleatoria de variables de riesgo según rango,
distribución y correlación.
 Procesa reiteradamente el modelo generando suficientes resultados representativos,
mayor a 300ejecuciones.
 Resultados pueden ser: VAN, TIR, Flujo año x, Beneficio año x, etc.
 Cada ejecución genera un resultado distinto.
 Resultados se calculan y almacenan.
6. Análisis de Resultados
 Distribución de probabilidades de posibles resultados del proyecto. (valor esperado,
varianza)
 Cada ejecución: p =1/N
 Probabilidad VAN<Z = p x (Cantidad de ejecuciones con VAN <Z).
 Riesgo del proyecto representado en la posición y forma de la distribución de
probabilidades acumuladas.
 A través del valor esperado, criterios de decisión mantienen su aplicabilidad.
 Con perfil, decisión final subjetiva según actitud del inversionista al riesgo.
Bibliography
Anonimo. (2019, Agosto 6). Universidad de Alcalá. Retrieved mayo 21, 2020, from Master en finanzas
cuantitativas: https://www.master-finanzas-cuantitativas.com/metodos-de-montecarlo/
Dumrauf, G. L. (2010). Finanzas Corporartivas un enfoque Latinoamericano (2da Edición ed.). (D.
Fernández, Ed.) Buenos Aires : Alfaomega Grupo Editor Argentino.

Monte Carlo

Cargado por

Copyright:

Formatos disponibles

Monte Carlo

Cargado por

Información del documento

Título 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

Monte Carlo

Cargado por

Copyright:

Formatos disponibles

Bajo incertidumbre

Un proyecto de inversión consiste en asignar recursos a una cierta actividad, partiendo en

de la incertidumbre son cuando la información es incompleta, inexacta, sesgada, falsa o

Método de Monte Carlo de análisis de riesgo

Este método, es un método estadístico numérico, el cual es usado para aproximar

juego de la ruleta era un generador simple de números aleatorios.

El modelo de Monte Carlo, llamado también método de ensayos estadísticos, es

para variables no controlables, mediante la selección aleatoria de valores, donde la

respectivas distribuciones de probabilidades. (Sapag, 2012).

gestión de proyectos, energía, manufacturación, ingeniería, investigación y desarrollo,

incertidumbre en sistemas complejos en diferentes campos de las ciencias. (Zundr, 2000).

¿Por qué es tan importante actualmente este método?

La importancia de este método se basa en la existencia de problemas que tienen una

¿Por qué es útil el método Montecarlo para los proyectos?

presentan una probabilidad de ocurrir diferente en distintas situaciones, así como un

impacto que varía de unas situaciones a otras.[ CITATION Ano19 \l 12298 ]

la probabilidad de ocurrencia de un evento, que se obtiene realizando el experimento un

número suficiente de veces y determinando la variable aleatoria dependiente como una

función de densidad de los resultados obtenidos en los “experimentos” realizados.

problemas completos de carácter numerico matemático a través de la generación de

El método de Monte Carlo consiste en generar números aleatorios (podríamos

decir números “sorteados”) y convertirlos en observaciones de las variables aleatorias

[ CITATION Dum10 \l 12298 ]

Con Excel los conseguimos fácilmente, escribiendo en cualquier celda de la

planilla de cálculo la siguiente instrucción: =aleatorio(). Si usted está acompañando el

razonamiento en su computadora, verá que al digitar “=aleatorio()”, y copiando la

instrucción en otras celdas, se generan números pseudoaleatorios al azar entre 0 y 1

(Excel genera números continuos entre 0 y 1)[ CITATION Dum10 \l 12298 ]

estadística, conocida por la cantidad de fenómenos que explica. Se la denomina

Campana de Gauss, ya que al representar su función de probabilística la misma

tiene forma de campana. (Riquelme, 2019).

(Soporte de Minitab, 2018)

• Una extensión del análisis de sensibilidad y de escenarios.

• Simultáneamente toma en cuenta las diferentes distribuciones de probabilidades

• Permite la correlación entre variables.

• Análisis de tipo dinámico. Escenarios aleatorios consistentes.

• Genera una distribución de probabilidad de resultados del proyecto (VAN) en

de un solo estimado. Perfil riesgo/rendimiento.

• La distribución de probabilidad del proyecto facilita la toma de decisiones, pero

existen problemas de interpretación y uso.

1. Pasos para llevar a cabo una simulación Monte Carlo

1) Modelo Matemático: Planilla del proyecto

2) Identificar variables claves que son sensibles e inciertas.

 Establecer un rango de opciones (mínimo y máximo)

 Asignar distribución de probabilidad

4) Identificar definir variables correlacionadas

2. Identificar variables claves que son sensibles e inciertas

 Pequeña desviación de su valor proyectado es probable y potencialmente dañina para el

 Rendimiento muy sensible, incertidumbre débil.

 Rendimiento poco sensible, incertidumbre alta.

 Solo variables cruciales,

 A mayor cantidad, mayores escenarios inconsistentes.

 Costo (en $ y T) de definir distribuciones y condiciones de correlación.

 De una distribución a una Distribución de probabilidad

 Variables clave y distribuciones

4. Identificar y definir variables correlacionadas

 Dos variables correlacionadas tienden a variar juntas de manera sistemática. Ej:

variación de precio de venta y variación de cantidad vendida.

 Su existencia puede distorsionar resultados por la aleatoriedad violar correlación