Analisis de Riesgo Simulacion Montecarlo

TEORIA DE LA DECISION IGNACIO VELEZ PAREJA
i
7 ..................................................................................................................................................................... 1
ANLISIS DE INVERSIONES BAJO RIESGO: SIMULACIN ............................................................ 1
7.1 Introduccin .............................................................................................................. 1
7.2 Medicin analtica del riesgo .................................................................................... 5
7.3 Simulacin ................................................................................................................ 9
Nmeros aleatorios ................................................................................................... 12
Muestra de un universo ............................................................................................. 14
La simulacin: herramienta para analizar modelos complejos ................................. 17
Tasa de descuento cuando se hace anlisis del riesgo .............................................. 20
Cmo generar observaciones aleatorias desde una distribucin de probabilidad ..... 36
Cuntas simulaciones hacer? .................................................................................. 46
Cules variables incluir en una simulacin? ........................................................... 50
7.4 Cmo tomar decisiones con informacin probabilstica......................................... 53
7.5 Resumen.................................................................................................................. 59
7.6 Referencias.............................................................................................................. 60
Ejercicio de autocorreccin .......................................................................................... 62
Solucin al ejercicio de autocorreccin ........................................................................ 63
Ejercicios ...................................................................................................................... 64


1
7
Anlisis de inversiones bajo riesgo: simulacin
Ignacio Vlez-Pareja y Luciano Machan
"... ahora era menester producir para un
mercado cada vez ms vasto y ya no se
podran determinar por adelantado las
posibilidades de venta... las leyes
imprevisibles del mercado decidan si los
productos podan ser vendidos y con qu
beneficio.
...El da de mercado se torn en el da del
juicio para los productos del esfuerzo humano.
El individuo se convirti en dueo de su
destino: suyo sera el riesgo, suyo el
beneficio.."
Erich Fromm. El miedo a la libertad
El mundo entero es un teatro, y todos los
hombres y mujeres simplemente comediantes.
Tienen sus entradas y salidas, y un hombre en
su tiempo representa muchos papeles, y sus
actos son siete edades.
William ShakespeareA vuestro gusto
7.1 Introduccin
A pesar de la eliminacin de los supuestos sobre certidumbre total, los enfoques
presentados hasta ahora no permiten involucrar la complejidad de la interaccin de las
muchsimas variables que tienen que ver con un proyecto de inversin o un negocio. Para
mencionar algunas de ellas, se puede plantear un sinnmero de preguntas, por ejemplo:
Qu tasa de inters ser la adecuada para el futuro? Cunto valdr la inversin? Cundo
comenzar a producir beneficios? Por cunto tiempo? Cunto tiempo habr que invertir?
Qu mercado existir? Cul ser la inflacin en los prximos aos? Cules sern los
precios de insumos y productos? Cmo afecta una campaa de publicidad en las utilidades
de la empresa? Cul es valor una firma? Cul ser el precio de una accin dentro de un
ao? Preguntas como estas y muchas ms surgen a diario entre los gerentes de las

2
diferentes reas funcionales de la empresa y los miembros de las juntas directivas. Este
captulo trata de una de las herramientas ms poderosas para afrontar el desconocimiento
del futuro: la simulacin de Montecarlo. Se va mencionar varios programas que permiten
utilizar esta herramienta y en particular se describe con algn detalle el programa SimulAr
,
software de libre distribucin con gran aceptacin mundial utilizado para tal fin el cual
trabaja como complemento del popular Microsoft Excel.
A raz de las ltimas crisis financieras y econmicas que han sacudido al mundo a
principios del siglo XXI se ha cuestionado a gerentes financieros, consultores de empresas,
analistas y evaluadores porque han fallado en las predicciones sobre sus inversiones debido
a la manifestacin de circunstancias o escenarios que no haban sido tenidos en cuenta al
efectuar sus anlisis. Un par de ejemplos ayudan a entender la casi imposibilidad de hacer
predicciones. Dicen que en 1943 Thomas Watson, Presidente de la IBM dijo: "Creo que en
el mundo hay mercado para quizs cinco ordenadores". Por otro lado, la revista Mecnica
Popular escriba en 1949 que los computadores del futuro no pesaran ms de 1,5
toneladas." Finalmente el poeta francs Paul Valery se quejaba que el problema con los
tiempos actuales es que el futuro ya no es lo que era antes.
Es obvio que es imposible predecir el futuro con certeza, pero s es posible obtener
una aproximacin de la realidad teniendo en cuenta ciertos parmetros de sesgo o posibles
desvos probables en las distintas variables que intervienen en una evaluacin financiera. Es
decir, es posible identificar patrones de comportamiento de las variables en juego, los datos
o variables de entrada, los cuales se espera que se repitan a lo largo del tiempo. La

3
interrelacin e interaccin del comportamiento futuro posible de estas variables darn lugar
al conocimiento del riesgo esperado que tendr una inversin.
La primera hoja de clculo apareci en 1979 y esto produjo una revolucin en la
forma de trabajar y manipular la informacin. Esta herramienta facilit la construccin de
modelos y el anlisis de situaciones complejas como las asociadas a las preguntas
planteadas arriba.
Cuando aparecieron los computadores personales tuvieron que luchar contra su
hermano mayor, el gran computador central, lo que se llamaba el mainframe. Estos
equipos se mantenan en los llamados centros de cmputo. Los ingenieros de sistemas se
alinearon con los gigantes, por el otro, se aline una empresita de garaje creada por unos
jvenes estudiantes que pensaron que la computacin automatizada se poda hacer en forma
sencilla y al alcance de todas las personas.
Hace unas dcadas apareci una metfora de lo que suceda en el campo de batalla
informtico. Se comparaba el ritual que se celebraba en los centros de cmputo con lo que
ocurra en el ritual religioso de una misa. En esa poca la celebracin religiosa se oficiaba
en un idioma extrao para el resto de los mortales; en el centro de cmputo se hablaba un
lenguaje que slo conocan los iniciados en los misterios de la computacin. En la primera,
el feligrs se comunicaba con la divinidad en latn, mientras que en la segunda se utilizaba
el lenguaje de programacin FORTRAN. En la prctica religiosa la persona comn y
corriente no poda comunicarse directamente con el ser supremo sino a travs de un
intermediario, el sacerdote engalanado con sus prendas consagradas que celebraba en un
rea reservada, el tabernculo al cual no tena acceso el parroquiano; en el centro de

4
cmputo, que era asptica urna de cristal, se la comunicacin con la divinidad, el
mainframe, se lograba por intermedio del ingeniero de sistemas vestido de un blanco
puro en una gran sala con aire acondicionado y filtrado para no contaminar al divino poder.
En la iglesia el ritual se haca a la distancia, el oficiante estaba de espaldas a la feligresa,
mientras los creyentes hacan la gimnasia de genuflexiones para adorar a la divinidad; por
el otro lado, en el centro de cmputo el sumiso usuario dejaba su regalo de tarjetas
perforadas en una ventanilla donde una mano annima, a veces enguantada para evitar
cualquier contaminacin del exterior, las almacenaba y procesaba, mientras que un cartelito
tambin asptico indicaba que all se poda retirarlas envueltas en un largo papel de rayas
verdes y blancas ajustadas con una tirita de caucho dentro de un par de das.
No poda ser cierto, decan, hace ms de 30 aos, que con unos juguetes parecidos a
un televisor se pudiera pretender planear y controlar un proyecto gigantesco. Haban
llegado los PC (de Personal Computers, en ingls). Estos aparaticos usaban unos disquetes
que parecan tortillas mejicanas para hacer tacos con el picante de los bits y bytes en que se
converta el trabajo de los digitalizadores quienes introducan los datos.
Es decir, antes de esta revolucin el anlisis de los problemas complejos quedaba a
cargo de un escaso nmero de expertos en programacin, matemticos, fsicos o
estadsticos. Las grandes empresas crearon departamentos especialmente para tal fin cuyos
miembros se devanaban los sesos trabajando ecuaciones que permitan explicar un
problema. Se encargaban de preparar largos informes dirigidos a los altos directivos
indicando los probables resultados que implicara tomar una determinada decisin. El
inconveniente era que estos informes requeran un cierto entrenamiento por parte de la

5
gerencia, que en general, no tena los conocimientos adecuados para comprender la
matemtica que se haba utilizado para disear el modelo y por tanto, ste
irremediablemente se converta en una caja negra con el escepticismo y la mala
utilizacin de la informacin suministrada lo cual afectaba los resultados que se obtenan.
En resumen, una inversin (en un proyecto o en una firma) tiene asociada
muchsimas circunstancias y variables que la afectan, las cuales, al variar, producen
cambios en sus resultados y, por lo tanto, en su rentabilidad, valor y riesgo esperados. Por
eso, el anlisis de la decisin y la cuantificacin del riesgo asociado que sirve de apoyo al
tomar una decisin lo cual tiene un gran valor a la hora de decidir. En otras palabras, hay
que aceptar y decir, como lo hizo el ingeniero e inventor norteamericano Charles F.
Kettering y que vivi entre 1876-1958, que me interesa el futuro porque voy a pasar el
resto de mi vida all. Eso aplica tambin para las empresas. Hay que vivir con la
incertidumbre y manejarla. Una forma de manejarla es estimar su magnitud y cmo afecta
esto la creacin de valor dentro de la empresa. Valor y no tanto rentabilidad es lo que le
debe interesar al gerente. Estimar las probabilidades de que ciertos eventos, favorables o no
en trminos de valor, ocurran.
7.2 Medicin analtica del riesgo
Para responder a estos interrogantes se han presentado varios enfoques. Hillier propuso
un manejo de tipo analtico para tratar el problema a partir del conocimiento de las
distribuciones de probabilidad de las diferentes variables involucradas, de tal manera que se
pudiera determinar la distribucin final de un indicador como el Valor Presente Neto o la
Tasa Interna de Rentabilidad.

6
Una forma de disminuir la incertidumbre es obtener ms informacin, lo cual exige ms
recursos: humanos, de tiempo, monetarios, etc. En el ejemplo del grupo de ejecutivos se
redujo la incertidumbre al tratar de estimar el valor esperado y la desviacin estndar del
flujo de dinero.
El mtodo propuesto por Hillier para manejar este tipo de situaciones hace uso del
teorema del lmite central de la Estadstica, y dice que la distribucin del Valor Presente
Neto, Costo Anual Equivalente o Tasa Interna de Rentabilidad, es aproximadamente
normal, inclusive cuando las distribuciones de las variables que se incluyen, o que
determinan el flujo de caja del proyecto, no son normales. Debe observarse, y as lo dice,
que hace caso omiso del problema de la discrepancia entre los criterios y de la posibilidad
de mltiples tasas de inters. Realmente esto no presenta una limitacin del mtodo, ya que
se han propuesto formas de eliminar las discrepancias entre los criterios y la posibilidad de
mltiples tasas internas de rentabilidad. Lo que propone Hillier es enfrentar a quien toma la
decisin con las diferentes probabilidades de obtener distintos valores del Valor Presente
Neto de una inversin. Ms especficamente, la probabilidad de que el VPN sea menor que
cero.
De acuerdo con el mtodo de Hillier, se tiene:
( )
( )
( )
( )
( )
=
=
+
=
+
=
N
j
j
j
N
j
j
j
i
I Var
VPN Var
i
I
VPN E
0
2
0
1
1
(7.1)

Donde:
E(.) = Valor esperado de la expresin que va dentro del parntesis.

7
I
j
= Flujo de caja del perodo j.
j I = Valor esperado de los ingresos netos del perodo j.
Var(.) = Varianza de la expresin dentro del parntesis.
i = Tasa de descuento.
N = Vida del proyecto en aos.
j = Perodo que se analiza.
Aqu hay que anotar que Hillier est suponiendo una tasa de descuento constante. Esto no
es lo que ocurre en la realidad puesto que hay cambios en la tasa de descuento (costo
promedio de capital) por varias razones; tres de ellas son la inflacin que afecta el nivel de
las tasas de inters en el mercado, el endeudamiento, que afecta el clculo del costo
promedio de capital, y el mismo valor presente que se desea calcular (valor de mercado, ver
nota de pie 1).
Si se tiene en cuenta este hecho, la formulacin debera cambiar a
( )
( )
( )
( )
( ) ( )
[
=
=
+
=
+
=
N
j
j
j
N
j
j
j
i
I Var
VPN Var
i
I
VPN E
0
2
0
1
1
(7.2)
El operador
[
denota multiplicacin y los factores dentro del parntesis cambian para
cada perodo.
La distribucin del VPN tiende a ser normal y con estos parmetros se puede calcular la
probabilidad de fracaso; los resultados son mejores en la medida en que las distribuciones
de los diferentes componentes sean ms cercanas a la normal.

8
Ejemplo 1
Para el caso del ejemplo mencionado en el captulo 3:
( ) 51 , 667 ...
3 , 4
000 . 2
44 , 1
500 . 1
2 , 1
500 . 1
000 . 5 = + + + + = VPN E
( )
( ) ( ) ( )
24 , 469 . 154 ...
2 , 1
500 . 302
2 , 1
500 . 22
2 , 1
000 . 10
000 . 40
6 4 2
= + + + + = VPN VAR

393,03 (VPN) = o

Con una tabla de la distribucin normal o con las frmulas de una hoja de clculo se
pueden hallar algunas probabilidades; por ejemplo:
( )
% 457 , 4 04457 , 0 697 , 1
0 , 393
0 51 , 667
) 0 ( Z P VPN P =
(
s = s

El clculo de esta probabilidad se puede hacer con las funciones estadsticas de Excel
=DISTR.NORM(x,media,desv_estndar,acum) o =DISTR.NORM.ESTAND(z). En este
punto quien decide posee toda la informacin cuantitativa que es posible obtener; deber
ahora tomar una decisin que involucra su actitud hacia el riesgo. El modelo no puede
acompaar a quien decide ms all de la informacin cuantitativa; la accin final de tomar
una decisin es un acto de soledad. Esto es, para algunos un 10% de probabilidad de que el
proyecto sea indeseable puede parecer poco, para otros, un 2% es excesivo. Tambin en
esto tiene que ver la cantidad de dinero que est en juego. Ms adelante se estudia lo
relacionado con las actitudes hacia el riesgo.
Por otro lado, David B. Hertz propuso en 1964 un enfoque que permite aproximarse de
manera emprica a este problema tan complejo. Su idea bsica es no seguir trabajando con

9
promedios o valores esperados como si fueran eventos ciertos, o sea con probabilidad 1 de
ocurrencia. Lo propuesto por Hertz es conocido como anlisis del riesgo, utiliza la
simulacin y casi siempre requiere usar un computador.
7.3 Simulacin
El progreso tecnolgico de los aos recientes ha permitido analizar situaciones sujetas
a incertidumbre cada vez ms complejas en forma eficaz y en un tiempo razonable. Uno de
los mtodos cada vez ms utilizados consiste en simular sistemas reales mediante la
generacin de miles de escenarios diferentes asignando distribuciones de probabilidad a las
variables que pueden presentar algn tipo de variacin en el futuro. Los resultados
obtenidos son posteriormente examinados, agrupados y utilizados por los managers como
informacin adicional para tomar decisiones. Esta metodologa de trabajo recibe el nombre
de Simulacin de Montecarlo. Tcnicamente, el mtodo de Montecarlo recurre a nmeros
aleatorios (o pseudoaleatorios) y distribuciones de probabilidad para resolver un problema.
Simulacin, en el sentido ms comn de la palabra, significa imitar. Y de esto se trata; se
va a imitar el comportamiento de un sistema a travs de la manipulacin de un modelo que
representa una realidad (Vase el Cap. 1. El proceso de decisin).
La simulacin ha sido utilizada desde hace mucho tiempo, especialmente por los
diseadores; por ejemplo, se tiene la prueba de modelos a escala de aeroplanos en tneles
de viento, modelos de represas, distribucin en planta, etc. Con el surgimiento de la
investigacin operacional y con la disponibilidad de los computadores, esta tcnica cobrado
gran utilidad.

10
Hay ciertos problemas que son muy complejos y cuya solucin analtica es prcticamente
imposible. La propuesta de Hillier supone un manejo analtico del problema; sin embargo,
la complejidad de las distribuciones de probabilidad puede ser alta, de manera que conocer
sus parmetros es muy difcil o imposible. A pesar de que la tcnica de simulacin tiende a
ser un procedimiento costoso, es uno de los enfoques ms prcticos para abordar un
problema.
La simulacin implica la construccin de un modelo, en gran parte matemtico. Antes
que describir el comportamiento total del sistema, lo que la simulacin describe es la
operacin del sistema en trminos de los eventos individuales de cada componente del
mismo, cuyo comportamiento se puede describir en trminos de distribuciones de
probabilidad. La interrelacin entre estos componentes se puede involucrar dentro del
modelo. La combinacin de los eventos posibles y el efecto de la interrelacin entre los
mismos le permiten al analista determinar la configuracin adecuada de los subsistemas.
Como la simulacin trabaja con un nmero finito de pruebas, se incurre en un error
estadstico que hace imposible garantizar que el resultado sea el ptimo. De hecho, muchas
veces no se busca el ptimo de una solucin sino el comportamiento de determinado
parmetro.
Una manera de hacer una simulacin es la llamada tcnica de MonteCarlo. Antes de
ilustrar el uso de la simulacin conviene presentar algunas ideas sobre los nmeros o
dgitos aleatorios y la forma de generarlos. Estos nmeros permiten tener en cuenta la
interrelacin entre las variables aleatorias.
Para realizar una simulacin deben observarse los siguientes pasos:

11
1. Preparar un modelo de proyeccin de los resultados. Aqu deben tenerse en
cuenta las relaciones entre diferentes variables. Un ejemplo de modelo de
proyeccin financiera se encuentra en Vlez, 2006, captulo 6.
2. Determinar las variables que se van a simular. Una forma de identificarlas es un
anlisis de sensibilidad. (Vlez, 2006, captulo 6.)
3. Determinar las distribuciones de probabilidad de las variables que se van a
simular. Estas distribuciones se pueden basar en datos histricos o en
apreciaciones subjetivas de la probabilidad. Ver el captulo 3.
4. Establecer las correlaciones entre las variables. En el modelo de proyeccin se
deben establecer este tipo de relaciones. Por ejemplo, el modelo ya mencionado
de Vlez, 2006, contempla relaciones entre variables tales como la elasticidad
precio-demanda, aumentos de precios nominales y tasa de inflacin, por ejemplo.
Estas relaciones explcitas evita que aparezcan escenarios inconsistentes. Un
escenario inconsistente puede ser aquel que estipula una inflacin de 12% y un
aumento de precios nominales de 2% (usualmente los aumentos de precios
nominales o tasas de inters nominales tienen un valor por lo menos igual a la
tasa de inflacin).
5. Calcular el nmero de simulaciones por realizar con base en estimaciones de error
aceptable y confiabilidad. Debe recordarse que en realidad una simulacin es una
muestra que se toma de un universo infinito de posibilidades.
6. Correr las simulaciones. Cada corrida es un escenario posible y consistente
basado en los supuestos establecidos en el modelo. Cada resultado debe ser

12
guardado. Por ejemplo, puede guardarse el valor absoluto del resultado o
registrarse si ese resultado cumple con algn criterio (por ejemplo mayor o menor
que cero) o ambos. Se recomienda que los resultados se registren de ambas
maneras.
7. Analizar estadsticamente los resultados. Por ejemplo valor esperado, varianza,
probabilidad de que el resultado asuma ciertos valores, histograma o grfica de la
distribucin de probabilidad, coeficientes de variacin ((valor esperado de la
simulacin)/(varianza de la distribucin)), medicin de prdidas o ganancias
esperadas, etc.
Nmeros aleatorios
En simulacin la generacin de observaciones aleatorias se realiza por medio de los
nmeros o dgitos (de 0 a 9) aleatorios. Estos nmeros han sido seleccionados de manera
que cada uno de ellos tiene igual probabilidad de aparecer, sin tener en cuenta el nmero de
veces que haya aparecido antes.
Los nmeros aleatorios se pueden encontrar en tablas especiales; en estas tablas se
encuentra una serie muy grande de nmeros o dgitos, por ejemplo un milln, de manera
que se cumpla con la condicin de igualdad de probabilidad de ocurrencia. Esto significa
que si se contara el nmero de veces en que aparece el 0, el 1, el 2, etc. se encontrara que
cada uno de ellos aparece igual nmero de veces. Por medio de estas tablas se pueden
generar muestras aleatorias. Por ejemplo, si se desea obtener una muestra aleatoria de un
grupo de 54 estudiantes, se numeran stos del 01 al 54. En la tabla se buscan pares de
dgitos y si stos son menores que 54 se selecciona al individuo y, por el contrario, si son

13
mayores o repetidos, se desechan. Para utilizar la tabla de nmeros aleatorios se selecciona
en forma arbitraria un nmero cualquiera de la tabla y se lee la serie de nmeros que
aparece en cualquier direccin (hacia abajo, arriba, la derecha o la izquierda). Se debe
mantener la misma direccin para leer los nmeros.
Ejemplo 2
Si se toma de la tabla de nmeros aleatorios resumida en el siguiente prrafo, el nmero
8 en negrilla, se puede leer en cualquier direccin, as: hacia la derecha 824448, etc., o
hacia abajo 86, etc., o hacia la izquierda 854355..., etc.
Tabla 7.1. Nmeros aleatorios
023 141 037 039 458 816
462 931 455 345 824 448
446 857 303 846 627 520

Ahora bien, con la disponibilidad de computadores y microcomputadores no es necesario
utilizar tablas. Por ejemplo, las hojas electrnicas traen incorporadas funciones que
permiten calcular en centsimas de segundo el nmero de dgitos aleatorios que se deseen.
As mismo, algunas calculadoras de bolsillo tienen funciones que permiten generar
nmeros aleatorios.
Para simular con computadores se han desarrollado mtodos para generar observaciones
aleatorias a partir de distribuciones conocidas. En Excel se deben utilizar las funciones
=ALEATORIO y, =BUSCARV o =BUSCARH. Para generar las observaciones aleatorias
ms fcilmente, se puede utilizar la macro de Generacin de nmeros aleatorios de la
opcin de men Anlisis de datos de Herramientas en el men de Excel.

14
Existen programas comerciales que se adicionan a Excel y que sirven para este tipo de
operaciones con simulacin. Algunos de ellos son Crystal Ball, @Risk o RiskMaster
(www.riskmaster.com o en www.riskease.com/) desarrollado por Savvakis C. Savvides.
Son complementos (Add-in) que trabajan con Lotus 1-2-3 o Microsoft Excel. El lector
interesado puede bajar un programa de muestra desde: http://www.treeplan.com/, o desde:
http://www.decisiontoolpak.com/. Tambin en
http://www.kellogg.nwu.edu/faculty/myerson/ftp/addins.htm se puede bajar Simtools y es
gratis. Crystal Ball es un excelente programa desarrollado por Decisioneering. Se pueden
bajar demos desde http://www.decisioneering.com/downloadform.html. @Risk es un
programa desarrollado por Palisade y se puede obtener informacin desde
http://www.palisade.com/ o tambin puede programarse para el caso especfico, en Visual
Basic.
1

En este captulo se estudia el modelo Simular de www.simularsoft.ar desarrollado por
Luciano Machain.
Muestra de un universo
Si se considera que en el pas los habitantes estn repartidos por igual entre ambos sexos
(50% hombres, 50% mujeres), y se escogen 100 personas al azar, se esperara encontrar 50
hombres y 50 mujeres, aproximadamente.
Tambin, si en una urna se tienen 100 bolas con la distribucin:

1
El ejemplo Simulacin.xls que se puede bajar de http://www.cashflow88.com/decisiones/cursodec.html tiene una macro
para simular desarrollada en Visual Basic.

15
Tabla 7.2. Bolas de colores en una urna o bolsa
bolas negras 20
bolas rojas 30
bolas blancas 10
bolas amarillas 40
y se extraen 20 bolas al azar, se esperara que estuvieran distribuidas as
(aproximadamente):
Tabla 7.3. Colores de un grupo de bolas de la tabla anterior
Bolas negras 4
Bolas rojas 6
Bolas blancas 2
Bolas amarillas 8

Si se repitiera muchas veces este experimento de extraer 20 bolas de una urna, en
promedio el porcentaje de cada color sera proporcional al nmero de bolas de cada color
en la urna original.
Ahora bien, si se tiene informacin sobre cierto fenmeno, por ejemplo las ventas de un
producto, y con base en esa informacin se estiman las probabilidades de los diferentes
niveles de ventas, as:
Ejemplo 3
Tabla 7.4. Distribucin de probabilidad discreta (Ventas)
Unidades Probabilidad
1.000 10%
2.000 25%
3.000 40%
4.000 25%

entonces, a cada nivel de ventas y su probabilidad asociada, se le puede asignar bolas de
diferentes colores proporcionalmente al porcentaje que d la probabilidad de ocurrencia,
as:

16
Tabla 7.5 Asignacin de colores a resultados
Unidades Bolas
1.000 10 rojas
2.000 25 negras
3.000 40 blancas
4.000 25 amarillas

Si esas 100 bolas se introducen en una urna y se extrae una bola de color amarillo,
entonces se dir que ocurri una venta de 4.000; si se hubiera extrado una de color rojo,
se dira que ocurri una venta de 1.000 unidades. Ahora bien, como la idea es identificar
cada nivel de ventas con un y slo un color, se puede hacer lo mismo con nmeros de 00 a
99. Debe tenerse en cuenta que el nmero de cifras que deben contener los nmeros
aleatorios que se utilicen depende del nmero de cifras significativas decimales de la
probabilidad. Por ejemplo, en este caso, el nmero de cifras significativas de la
probabilidad es 2, por lo tanto se deben utilizar nmeros aleatorios de dos cifras, as:
Tabla 7.6 Asignacin de nmeros aleatorios a los resultados
Unidades Nmeros aleatorios
1.000 00-09
2.000 10-34
3.000 35-74
4.000 75-99

Aqu se han asociado los nmeros 00, 01, 02, 03, 04, 05, 06, 07, 08 y 09 con el nivel de
ventas de 1.000 unidades y en forma similar para los dems niveles. Entonces si en una
urna se introducen 100 bolas marcadas de 00 a 99 y se extrae la que tiene el nmero 15, se
identifica con el nivel de 2.000 unidades, o sea, se supone que ocurri una venta de 2.000
unidades. Los nmeros en la urna deben tener igual oportunidad de salir para que la

17
probabilidad de cada nivel sea proporcional a la cantidad de nmeros asignados a cada uno.
Si eso se cumple, los nmeros descritos en la seccin anterior son aleatorios.
La simulacin: herramienta para analizar modelos complejos
Muchas veces los modelos que se construyen (por ejemplo, el modelo financiero de una
firma) pueden ser muy complejos y no es fcil predecir su comportamiento. Para ilustrar
esta aseveracin examinaremos un ejemplo muy simple.
Ejemplo 4
Supongamos que hay un modelo que nos indica los siguientes resultados:
Tabla 7.7 Ejemplo de simulacin: bolas verdes y blancas
Resultado
visible: verde
o blanco
Resultado
numrico
0 o 1
Nmero de
pruebas
Nmero de
verdes
acumulados
Porcentaje de
verdes
verde 1 1 1 100,0%
verde 1 2 2 100,0%
blanco 0 3 2 66,7%

Podramos decir algo acerca del comportamiento del modelo? O si se quiere, acerca de
la ley que rige el experimento? Pocos se atreveran a decir con relativa certeza cul es esa
ley. Yo no lo hara. Sin embargo, si repetimos el experimento muchas veces ms, digamos
unas 200 veces, tal vez podamos aventurarnos a hacerlo. El comportamiento del porcentaje
acumulado de verdes para 200 pruebas se muestra en la siguiente figura.

18
Figura 7.1 Comportamiento del porcentaje de verdes
Comportamiento del porcentaje de verdes
0,0%
10,0%
20,0%
30,0%
40,0%
50,0%
60,0%
70,0%
0 50 100 150 200
Nmero de experimentos
%

d
e

v
e
r
d
e
s

Vistos estos resultados ya se podra hacer un pronstico mucho ms razonable y seguro
de cul es la ley que hay detrs de este experimento. Si alguien dice que equivale al
lanzamiento de una moneda estara muy acertado.
2

En qu consiste la simulacin de Montecarlo?
Si bien existen algunas evidencias anteriores, el uso real de la simulacin de
Montecarlo tuvo su origen durante la segunda guerra mundial en trabajos relacionados con
el desarrollo de la bomba atmica donde los matemticos Von Neuman y Ulam fueron dos
de los precursores de esta tcnica. En aquel experimento deban resolver un problema
relacionado con el comportamiento aleatorio de los neutrones al tomar contacto con
distintos materiales. Dado que no exista posibilidad de solucin analtica al problema
sugirieron una solucin que se asemejaba al juego de una ruleta. La idea central era delinear
el recorrido de una gran muestra de neutrones elegidos por medio del azar. Con esto

2
Este ejemplo se elabor generando nmeros aleatorios entre 0 y 1 y los valores menores que 0,5 se asignaron al color
blanco y los mayores que 0,5 se asignaron a verde. Este ejemplo se puede bajar de
http://www.cashflow88.com/decisiones/cursodec.html. El archivo se llama Simulacin.xls.

19
pudieron contar con informacin acerca de las probabilidades que existan de que un
neutrn sea absorbido al chocar con un material o rebotara y contine su trayectoria.
El calificativo Montecarlo fue dado en honor a la ciudad del principado que lleva el
mismo nombre y por su fama en los juegos de azar, en especial la ruleta, la cual es un
simple generador de nmeros aleatorios.
La tcnica de Montecarlo (o Monte Carlo) es un mtodo numrico que tiene como
objeto la simulacin de miles de escenarios de un problema. Para ello se vale de
distribuciones de probabilidad asignadas a las variables inciertas del modelo en cuestin y
se generan nmeros aleatorios de acuerdo a esas distribuciones calculando diferentes
combinaciones de escenarios y almacenando sus resultados para su posterior anlisis.
Actualmente, Microsoft Excel es uno de los programas ms utilizados por las
empresas para realizar cualquier tipo de clculo. Segn una encuesta realizada en el ao
2004 por CFO Research Services, el 73% de los gerentes financieros de las compaas
medianas de los Estados Unidos recurren a planillas de clculo para formalizar
proyecciones, tareas de planeamiento o estimaciones presupuestarias. La simplicidad de su
uso ha permitido que modelos de ecuaciones otrora accesibles slo por expertos
matemticos puedan ser diseados por personas con conocimientos mnimos de clculo
numrico. En palabras de Alvin Toffler, las planillas de clculo electrnicas permiten a los
usuarios simular cambios en los negocios o procesos cada vez ms complejos y los
incentiva a hacerse preguntas mucho ms inteligentes y a un nivel superior.
En general, cuando se disea un modelo en una planilla electrnica se sigue la
siguiente metodologa. En primer lugar se definen ciertas celdas, denominadas de entrada

20
o inputs. Estas celdas de entrada son combinadas entre s mediante una serie de
ecuaciones o frmulas las cuales sirven como nexo para obtener un resultado final. La celda
o celdas que contienen informacin deseada para la toma de decisiones se denominan
celdas de salida o output. La figura 7.2 muestra este proceso esquemticamente.
Considerando las proyecciones de venta de un producto, los inputs del modelo pueden ser
el precio y la cantidad de venta. Multiplicando los dos conceptos anteriores es posible
obtener el monto de ventas el cual ser el output del modelo.
Tasa de descuento cuando se hace anlisis del riesgo
Las tasas de inters que se encuentran en el mercado tienen implcita una componente de
riesgo y se sabe que a mayor riesgo, mayor tasa de inters. Sin embargo, hay que tener
claro qu riesgo se incluye en esas tasas de mercado.
Cuando se introduce el elemento riesgo de manera explcita, esto es, cuando se analizan
los flujos de caja basados en la distribucin de probabilidad de las variables que lo
determinan, se debe utilizar una tasa de inters libre del riesgo que se est analizando, de
otra manera se estara contando doblemente el efecto de ese riesgo: una vez como la
componente de riesgo que hay en la tasa de inters y otra al reconocer la variacin de
manera explcita a travs de una distribucin de probabilidad. As mismo, en el captulo 3
se plante que una de las formas de manejar el problema del riesgo era, hace algunos aos,
aumentar la tasa de descuento; en realidad, lo que se haca era reconocer que para
compensar el riesgo de una inversin debera exigrsele ms, objetivo que se lograba
aumentando la componente de riesgo en la tasa de descuento.

21
Si el costo promedio de capital (promedio ponderado del costo de la deuda y el costo de
los fondos aportados por los inversionistas) se calcula midiendo el costo de cada fuente de
capital, entonces all est incluido algn grado de riesgo. Usualmente el costo de los fondos
aportados por los inversionistas se calcula utilizando el modelo Capital Asset Pricing
Model (CAPM) que se estudia en el captulo 9. Si al medir el costo promedio de capital se
puede suponer que se captura todo el factor del riesgo que existe, entonces se supone que
esa tasa ya tiene involucrado el riesgo y por lo tanto no se debe utilizar cuando se introduce
el riesgo de manera explcita y en cambio debera utilizarse una tasa libre del riesgo que se
introduce de manera explcita. Si, por el contrario, no tiene involucrado ese riesgo que se
introduce de manera explcita en el anlisis, entonces se puede utilizar el costo promedio de
capital para descontar los flujos de caja cuando se hace el anlisis del riesgo de manera
explcita.
Como veremos en el captulo 9, el riesgo del accionista est medido por lo que se conoce
como coeficiente beta y mide el riesgo comn a todas las inversiones. Es decir, el riesgo
que existe en la economa. Esto supone que cualquier otro riesgo queda eliminado del
anlisis. En otras palabras, el mercado paga o descuenta el riesgo sistemtico, es decir, el
que afecta a todas las firmas de una economa. Qu piensan algunos autores al respecto?
Ross, Westerfield y Jaffe (RWJ), 1999, pp. 300-303 opinan lo siguiente:
"El coeficiente beta de una accin no sale del aire. Ms aun, est determinado por las
caractersticas de la firma. En particular, consideramos que hay tres factores clave: la
naturaleza cclica de los ingresos, el apalancamiento operativo y el apalancamiento
financiero". (p. 300.)

22
Consideran adems que "Vale la pena anotar que cclico no es lo mismo que variabilidad.
Por ejemplo, una firma que produzca pelculas tiene ingresos muy variables debido a que
los altibajos del gusto del espectador no son fcilmente predecibles. Sin embargo, debido a
que los ingresos de un estudio cinematogrfico dependen ms de la calidad de sus
producciones que del ciclo econmico, las productoras de pelculas no tienen un ciclo muy
acentuado. En otras palabras, acciones con una alta variabilidad [alta desviacin estndar en
su rentabilidad] no necesariamente tienen un coeficiente beta muy alto (p. 301.)
El apalancamiento operativo tiene que ver con la estructura de los costos fijos y
variables, no con la variabilidad. El apalancamiento financiero tiene que ver con la deuda,
terminan anotando. En otras palabras, el CAPM no captura sino el riesgo sistemtico, de la
economa, que no puede ser eliminado por la diversificacin de un portafolio. Como se ver
en el captulo 9, el riesgo no sistemtico se puede eliminar por diversificacin del portafolio
de inversiones.
Al calcular el costo promedio de capital correctamente (con valores de mercado), este
costo se ajusta automticamente en cada simulacin, aun cuando entre las variables que se
simulan no se incluyan aqullas que tienen que ver en forma directa con el costo de capital
(esto es, inflacin, coeficientes beta, etc.). Este ajuste ocurre precisamente porque el costo
promedio de capital basado en valores de mercado depende del valor total que a su vez es
funcin de los flujos de caja libre y del mismo costo de capital.
3
En otras palabras, lo que
afirman RWJ significa que el mercado no paga por un riesgo no sistemtico (riesgo que
afecta a una empresa en particular).

3
Para un tratamiento detallado de este clculo con valores de mercado y circularidad, ver Vlez Pareja y Tham, 2002.

23
Segn esto, para RWJ el coeficiente beta (y por lo tanto el costo promedio de capital) no
refleja la variabilidad de los parmetros que deseamos simular. Y con ello, se debera
concluir que cuando utilizamos el costo promedio de capital no estamos incluyendo el
riesgo asociado con la variabilidad atribuible a las variaciones de los parmetros especficos
de la empresa representada en un modelo financiero. Esto significara que cuando se
descuenta un flujo de caja libre esperado (que en trminos prcticos implica suponer
certidumbre total) deberamos aadir una prima de riesgo al costo promedio de capital. Por
el contrario, si incluimos de manera explcita el riesgo en el anlisis (utilizando la
simulacin, por ejemplo), debemos utilizar el costo promedio de capital como si fuera la
tasa libre de riesgo. En este caso se habla de tasa libre de riesgo por cuanto no toma en
cuenta el riesgo asociado con las variaciones de los parmetros.
Por el otro lado, Brealey y Myers (BM), 2000, tienen la posicin contraria. Ellos
consideran que el costo promedio de capital ya tiene incluido todo el riesgo que enfrenta la
firma. De manera que si deseamos descontar el flujo de caja libre esperado (como si
estuviramos en una situacin de certeza total), para tener en cuenta el riesgo, deberamos
utilizar el costo promedio de capital. Y si incluyramos el riesgo de manera explcita en el
anlisis, deberamos utilizar la tasa libre de riesgo.
Si se utiliza el enfoque de RWJ al descontar el valor esperado del flujo de caja libre con
el costo promedio de capital ms una prima de riesgo (que no es claro cmo calcularla) para
tener en cuenta la variabilidad de los parmetros de entrada, la decisin debera ser la
misma que si el gerente decidiera conociendo el valor esperado del VPN y su probabilidad

24
de fracaso obtenidos por simulacin, teniendo en la mente y en el corazn la funcin de
utilidad de la firma (sea lo que sea esa funcin).
Por el contrario, si se utiliza el enfoque de BM entonces al calcular el valor presente del
flujo de caja libre con el costo promedio de capital se debe llegar a la misma decisin que
tomara el gerente con la funcin de utilidad de la firma en su mente y corazn conociendo
el valor esperado del VPN y su probabilidad de fracaso, obtenidos tambin por simulacin,
pero calculando este VPN con la tasa libre de riesgo.
Creemos que el enfoque de Ross et al. es el adecuado.
Precisemos una vez ms esta posicin. La simulacin de Montecarlo debe hacerse
usando el costo promedio de capital que no incluye el riesgo asociado con la variabilidad de
los parmetros o variables que deseamos simular.
Como el supuesto implcito es que el riesgo asociado con la variabilidad es no
sistemtico (que se puede diversificar) entonces si se utiliza el costo promedio de capital,
ya sea usando el valor esperado del flujo de caja libre o simulando, habr que suponer
siempre que la firma diversifica totalmente el riesgo asociado a la variabilidad. Esto no es
una suposicin razonable, sobre todo si se est analizando el flujo de caja de una firma que
no se cotiza en bolsa. (Vase, Vlez Pareja (2003) sobre este tipo de empresas)
Consideramos que es posible tomar una mejor decisin si se calcula el valor esperado del
VPN y su probabilidad de fracaso. Por el contrario, si se utiliza el valor esperado del flujo
de caja y se usa el costo promedio de capital (que no incluye el riesgo de la variabilidad de
las variables simuladas) habra que aadir una prima de riesgo que es muy difcil, si no
imposible, calcular a priori. Al final del captulo mostraremos con el ejemplo que se

25
presenta a continuacin, cmo se puede involucrar en la decisin la distribucin de
probabilidad resultante de la simulacin y la actitud hacia el riesgo, medida con una
funcin de utilidad
4
.
Parte del texto referido ha sido adaptado con permiso de Luciano Machain autor del
libro: "Simulacin de Modelos Financieros", 1 Ed., el autor, 2011, ISBN: 978-987-33-
0705-8.
Introduccin a SimulAr
Una de las limitaciones de Excel es la imposibilidad de efectuar simulaciones de
Montecarlo de manera sencilla y siguiendo una metodologa del tipo paso a paso. Disear
un modelo de simulacin resulta una tarea sumamente engorrosa que indefectiblemente
requiere de conocimientos avanzados de clculo y estadstica. Por suerte, existe en el
mercado un gran nmero de aplicaciones que se adicionan a Excel permitiendo expandir
sus funciones habituales.
SimulAr es un programa de libre acceso y disponibilidad diseado como
complemento de Microsoft Excel (Add-in) para efectuar simulaciones de Montecarlo y ha
ganado aceptacin mundial en el mbito acadmico y empresarial con ms de 100.000
descargas registradas hasta el momento abarcando desde managers y analistas financieros
de pases asiticos hasta alumnos de master en negocios de prestigiosas universidades
Europeas y de Estados Unidos. El programa; disponible en dos versiones, ingls y espaol,

4
Parte del texto referido ha sido adaptado con permiso de Luciano Machain autor del libro: "Simulacin de
Modelos Financieros", 1 Ed., el autor, 2011, ISBN: 978-987-33-0705-8.


26
se caracteriza por su simplicidad y flexibilidad permitindole al usuario manejarse dentro
de un entorno ya conocido como lo son las planillas de clculo.
El software, luego de instalarse y ejecutarse, anexa una barra de herramientas y un
men adicional en Excel. Mediante cada una de las opciones o botones de dicha barra se
consiguen llevar a cabo los seis pasos mencionados con anterioridad para efectuar una
simulacin. De esta manera, el procedimiento de diseo de un modelo resulta sumamente
sencillo y del tipo step by step o paso a paso contando con una interfaz grfica que hace
de gua (ver figura 7.3).
Dentro de algunas especificaciones tcnicas del programa, existe la posibilidad de
asignar hasta 500 inputs y 500 outputs en el modelo, 20 tipos distintos de distribuciones de
probabilidad, incluir matrices de correlaciones entre variables, determinar la mejor
distribucin de probabilidad en base a informacin histrica y estudiar resultados de una
simulacin mediante histogramas, medidas estadsticas o anlisis de sensibilidad con
grficos de tornado.
Un ejemplo sencillo de simulacin usando Simular
Suponga que tiene las ventas de dos productos y los costos asociados. Interesa
conocer el comportamiento de la utilidad.
Figura 7.2. Modelo esquemtico general

Datos de entrada del
modelo

Ventas producto A (a)

Ventas producto B (b)

Costos totales (c)
Ecuaciones que
relacionan los datos
de entrada.
Resultado del modelo
Ingresos Costos = Utilidad

27
Si se supone que los datos de entrada se comportan aleatoriamente y siguiendo una
distribucin de probabilidad, entonces, hay que definir la distribucin de probabilidad con
sus parmetros. Las distribuciones y el resultado son los que aparecen en la siguiente tabla:
Tabla 7.8a Variables de entrada
Variable de entrada Valor inicial Distribucin
Ingreso producto A (a) 2 Triangular (1,2,3)
Ingreso producto B (b) 2 Uniforme(2,5)
Costo total (c) 3 Triangular (1,2,3)
Utilidad (d) 1 a+b-c

La barra de Herramientas de Simular es la siguiente:
Figura 7.3 Barra de herramientas de Simular

Cada botn realiza la funcin brevemente descrita en el nombre. Aqu no se va a
examinar en detalle cada opcin de la barra de herramientas, excepto las tres bsicas para
que el lector pueda elaborar el ejercicio bsico.
El primer cono sirve para definir las variables de entrada. Cuando se oprime
ese botn Simular despliega la siguiente figura

28
Figura 7.4 Opciones de distribuciones de probabilidad de Simular

El usuario deber escoger una distribucin de probabilidad para la variable de entrada.
Por ejemplo, si se escoge una distribucin triangular aparece lo siguiente:

29
Figura 7.5. Distribucin triangular

En este cuadro de dilogo se introduce el nombre de la variable, los parmetros de la
distribucin y otras opciones.
Hecho esto, se procede a definir las variables de salida. Con el botn que lo
indica. Al oprimir este botn aparece el siguiente cuadro de dilogo:
Figura 7.6. Variable de salida


30
Finalmente, se decide hacer la simulacin y debe oprimir el botn que indica que
se desea simular. Al hacerlo, aparece el siguiente cuadro de dilogo:
Figura 7.7. Cuadro de dilogo para definir # de simulaciones

En el cuadro anterior se debe indicar el nmero de simulaciones que se desea realizar.
Hay un mximo de 10.000.
Usando los datos del ejemplo simple de la tabla 7.8a, se solicit que Simular hiciera
1.000 iteraciones. Los resultados se indican a continuacin.
Resultados de la Simulacin
Lo primero que el usuario observa es un histograma de los resultados, tal y como aparece
en la siguiente figura.

31
Figura 7.8a. Histograma de distribucin de variable de salida.

Los resultados anteriores se muestran tambin en trminos de probabilidad acumulada
para cada valor.
Figura 7.8b. Distribucin de frecuencias acumulada.


32
Anlisis de sensibilidad
En el captulo 6 se estudi el tema de anlisis de sensibilidad. Entre otros propsitos
permite identificar las variables ms crticas que permitirn analizar el comportamiento de
un resultado bajo diferentes supuestos. No tiene sentido ni prctico ni econmico afinar en
la consecucin de informacin sobre una variable de entrada que no afecta mucho los
resultados y que por tanto no modifica sustancialmente la decisin a tomar. Hay que
distinguir entre variables de entrada relevantes y no relevantes. El objetivo de la gestin
empresarial es maximizar el valor y; por lo tanto, si al agregar una variable al modelo no se
refleja en trminos de un cambio substancial en el valor de la firma no debe considerarse a
menos que alguna otra razn realmente lo justifique.
Debajo de las figuras anteriores aparece el anlisis de sensibilidad. Este anlisis se hace
con base en una regresin lineal de los resultados de la simulacin y con el clculo del
coeficiente de correlacin entre los resultados (variable de salida) y los datos de entrada
simulados.
Las figura 7.9 y 7.10 muestran como indicadores de la importancia de cada variable de
entrada medida en trminos del coeficiente de la regresin y el de correlacin,
respectivamente..

33
Figura 7.9. Salida de anlisis de sensibilidad coeficiente de la regresin

Aqu se ve que la variable que ms influye en el resultado es la Venta del producto B y
afecta en forma positiva el resultado, lo cual era de esperarse. La vairable costo es la que
menos afecta, pero lo hace en forma negativa (como era de esperarse giualmente).
El anlisis de sensibilidad de las variables con base en el coeficiente de correlacin,
aparece en la siguiente grfica.

34
Figura 7.10. Anlisis de sensibilidad con coeficientes de correlacin

El ordenamiento de las variables crticas coincide con el de la regresin, pero no siempre
existe esta coincidencia.
Los datos que dan origen a estas grficas aparecen calculados en la siguiente tabla.
Tabla 8b. Anlisis de sensibilidad de las variables de entrada por Simular
Variable de entrada Beta de la Regresin Coef. de Correlacin
Costo N=1000!$F$7 -0,80331874 -0,32909563
Ventas B - N=1000!$F$6 0,88811524 0,36211797
Ventas A - N=1000!$F$5 0,96479711 0,83202832

Estadsticas descriptivas
Simular tambin muestra las estadsticas descriptivas ms conocidas. En la siguiente
tabla aparecen y tambin se indican los dos primeros percentiles.


35
Tabla 8c. Estadsticas descriptivas del ejemplo
Variable de salida: Utilidad
Hoja Datos
Celda $F$8
Estadsticas de la Simulacin
Nro. Iteraciones 1000
Mnimo 0,468643874
Promedio 3,450352221
Mximo 6,20374772
Mediana 3,348199207
Varianza 1,021233376
Desvo Estndar 1,010560922
Rango 5,735103846
Curtosis -0,635205669
Coef. de Asimetra 0,109176601
Coef. de Variacin 29,2886307%
Percentil 1% 1,479590264
Percentil 2% 1,558772321
Aunque todava se encuentra con mucha frecuencia el uso de tres escenarios (pesimista,
promedio y optimista) este tipo de anlisis es relativamente pobre porque no examina la
interaccin entre variables. Cuando se deben tomar decisiones empresariales lo importante
ser ver la totalidad de la historia y el anlisis tipo tres escenarios ya mencionado muestra
slo fotos aisladas. La Simulacin de Montecarlo corrige esta falencia permitiendo
agregarle dinamismo al modelo de decisin.
La identificacin los posibles resultados de una decisin y las probabilidades
asociadas a cada uno de ellos es imprescindible a la hora de tomar decisiones de inversin,
produccin, financiamiento, o de cualquier otra ndole empresarial. Cuando los gerentes se
enfrentan a la incertidumbre surge la necesidad de recurrir a mtodos que consideren y
cuantifiquen el riesgo asociado a cada resultado de la decisin. Esto agrega valor a la firma.
Despus de todo, la incertidumbre no vino para quedarse sino que siempre estuvo entre
nosotros y por lo tanto hay que aprender a tratarla. En la siguiente seccin se ilustra con un

36
ejemplo el riesgo de tomar decisiones sin tener en cuenta los posibles resultados, al
desdear la variabilidad de ellos.
Cmo generar observaciones aleatorias desde una distribucin de probabilidad
En el caso de una distribucin discreta, se asignan los nmeros aleatorios en forma
proporcional a la probabilidad de los diferentes eventos previstos para la variable. Si se
utiliza el ejemplo anterior, lo que se hizo es equivalente a construir un histograma de
frecuencia acumulada, generar un nmero aleatorio, entrar a la grfica por el eje de las
ordenadas, trazar una perpendicular hasta cuando corte el histograma e identificar el valor
de la variable.
En general, se debe proceder de la siguiente forma: a) Determinar la funcin de
distribucin acumulada F(X) = P(X s x) donde X es la variable aleatoria; b) Generar un
nmero aleatorio con el nmero necesario de dgitos, incluyendo los ceros en cualquier
posicin en que se encuentren y colocando el punto decimal a la izquierda; c) Igualar P (X
s x) a ese nmero decimal y resolver para x. Este valor de x es la observacin aleatoria
requerida. El procedimiento grfico es adecuado para una simulacin manual. Con el
advenimiento de los computadores personales el procedimiento es ms sencillo para el
usuario. Esto se ilustra con el siguiente ejemplo.
Ejemplo 5
Supngase una inversin de $4.375.000 en un sembrado cuyo fruto es perecedero.
5
De
acuerdo con datos histricos, la demanda se ha comportado de la siguiente forma:

5
Este ejemplo (con cifras diferentes) se puede bajar de http://www.cashflow88.com/decisiones/cursodec.html. El archivo
se llama Simulacin.xls.


37
Tabla 7.9a Distribucin discreta de las ventas
Ventas (unidades)
Punto medio
Frecuencia
Relativa %
3.125 4
3.250 16
3.375 24
3.500 36
3.625 16
3.750 4
Como las probabilidades tienen dos cifras significativas, entonces se asignan 100
nmeros de 00 a 99 (que tienen igual probabilidad de ocurrencia) en forma proporcional a
la probabilidad. Observe la tabla y encontrar que para un evento con probabilidad de 4%
hay asignados cuatro nmeros (00 a 03).
Tabla 7.9b Asignacin de nmeros aleatorios a las ventas
Ventas (unidades)
Punto medio
Nmeros aleatorios
Asignados
3.125 00-03
3.250 04-19
3.375 20-43
3.500 44-79
3.625 80-95
3.750 96-99
La distribucin de probabilidad de esta variable se ve as:
Figura 7.11 Histograma de la distribucin de las ventas
Volumen de ventas
0%
10%
20%
30%
40%
3.125 3.250 3.375 3.500 3.625 3.750
Cantidad
P
r
o
b
a
b
i
l
i
d
a
d


38

Supngase que el precio de venta de este artculo es de $3.000. De modo que el ingreso
bruto es: (unidades vendidas) (precio unitario). Supngase, adems, que las cantidades
producidas han variado en la siguiente forma:
Tabla 7.9c Distribucin de la produccin
Produccin (unidades)
Punto medio
Frecuencia
relativa %
3.248,75 10
3.373,75 35
3.498,75 43
3.623,75 12
De igual manera, como las probabilidades tienen dos cifras significativas, entonces se
asignan 100 nmeros de 00 a 99 (que tienen igual probabilidad de ocurrencia) en forma
proporcional a la probabilidad. Observe la tabla y encontrar que para un evento con
probabilidad de 10% hay asignados diez nmeros (00 a 09).
Tabla 7.9d Asignacin de nmeros aleatorios a la produccin
Produccin (unidades)
Punto medio
Nmeros aleatorios
asignados
3.248,75 00-09
3.373,75 10-44
3.498,75 45-87
3.623,75 88-99

La distribucin de probabilidad de esta variable se ve as:

39
Figura 7.12 Histograma de la distribucin de la produccin
Vol umen de produccin
0%
10%
20%
30%
40%
50%
3.248,75 3.373,75 3.498,75 3.623,75
Cantidad
P
r
o
b
a
b
i
l
i
d
a
d

El costo variable unitario es $1.000. Lo producido por encima de las ventas se considera
una prdida de $1.000 por unidad y las ventas no realizadas no acarrean prdida. Las ventas
perdidas son la diferencia entre la demanda (ventas) para el perodo y la cantidad
producida.
Con base en los datos de las distribuciones de probabilidad, se puede determinar que el
promedio de las ventas y de la produccin es el mismo y vale 3,445.00. Si se trabajara con
promedios, se tendra un ingreso neto al final de un ao de:
($3.000 3.445 3.445.000) = 3.445.00 2.000 = $ 6.890.000
La rentabilidad promedio de esa inversin, en un ao, sera de 57,43%.
Si se decide con esta informacin, como muchas veces se hace en la prctica, se podra
concluir que si la tasa de descuento fuera 55%, este proyecto sera deseable. Miremos qu
sucede si introducimos el riesgo de manera explcita a travs de un proceso de simulacin.
Antes de entrar a trabajar una simulacin examinemos qu implicaciones tiene decidir
con base en los promedios y veamos que eso puede crear situaciones embarazosas. Por
ejemplo, supongamos que usted es muy metdico y lleva un registro de lo que ha pagado

40
por cada viaje ida y vuelta a una poblacin cercana. Supongamos adems que usted es una
persona con mala suerte y tiene un percance (por ejemplo, se le desinfla una llanta o algo
ms grave) por cada viaje de ida y vuelta que hace. Entonces en uno de cada dos trayectos
tiene un gasto extra de $25.000. Si los gastos cuando no le sucede ningn percance son de
25.000 y cuando tiene el percance son de $50.000 entonces, con base en sus datos su costo
promedio es de $37.500. Como usted ley en algn texto que debe utilizar los promedios
para tomar decisiones, usted decide llevar a su prximo viaje $37.500 y le ocurre un
percance grave cuyo costo es de $25.000. Habr usted tomado una buena decisin al llevar
slo los $37.500? Deber tener en cuenta el hecho de la variacin en los gastos y llevar un
monto mayor ($50.000 en este caso)?
O el ejemplo del cazador que dispar dos veces: una vez diez metros a la izquierda del
objetivo y otra vez diez metros a la derecha del objetivo. Dira usted que en promedio ese
cazador le dio al blanco correctamente? Claro que no. Sin embargo, cuando se decide con
base en promedios se est comportando de manera similar al protagonista de estos dos
ejemplos.
Si se ejecuta una simulacin para analizar el efecto de la combinacin de las variables,
los resultados podran ser diferentes, como se muestra ms adelante. El ingreso bruto se
calcula multiplicando la cifra de las unidades vendidas por el precio de venta, si esta cifra
es menor que el nmero de las unidades producidas. Si es mayor, la cifra que se multiplica
por el precio de venta es la de las unidades producidas.
Para nuestro ejemplo, si se supone que las ventas y la produccin se comportarn en la
misma forma como lo han hecho histricamente, se puede generar una muestra aleatoria. Si

41
se desea que la probabilidad de ocurrencia sea proporcional a la frecuencia con que han
ocurrido los valores, entonces, en el caso de la produccin, la probabilidad de que ocurra un
valor alrededor de 3.498,75 debe ser 4,3 veces mayor que la probabilidad de obtener un
valor alrededor de 3.248,75.
Podemos simular valores para calcular ciertos resultados como la TIR o el VPN. Esta
simulacin se puede hacer tambin con Generacin de nmeros aleatorios de Anlisis de
datos en la opcin de men Herramientas, de Excel. Cuando se lecciona la etiqueta Datos
de Excel aparece lo siguiente (fragmento):

Al oprimir la opcin Anlisis de datos aparece el siguiente cuadro de dilogo:
Figura 7.13. Opciones estadsticas de Anslisis de Datos


42

Y al escoger Generacin de nmeros aleatorios, aparece,
Figura 7.14. Generacin de observaciones aleatorias

La distribucin de frecuencia de los valores de rentabilidad calculados para 300
simulaciones es la siguiente:
Table 7.10 Distribucin de la rentabilidad calculada
Rentabilidad % Frecuencia % acumulado
30,0 0 0,00
35,0 8 2,67
40,0 2 3,33
45,0 25 11,67
50,0 60 31,67
55,0 108 67,67
60,0 90 97,67
65,0 0 97,67
70,0 7 100,00
Total 300

En forma grfica,

43
Figura 7.15 Histograma y frecuencia acumulada de la frecuencia de la TIR
Frecuencia absoluta y acumulada (%) de la TIR
0
20
40
60
80
100
120
30% 35% 40% 45% 50% 55% 60% 65% 70%
TIR
F
r
e
c
u
e
n
c
i
a
,00%
20,00%
40,00%
60,00%
80,00%
100,00%
120,00%
Frecuencia relativa
% acumulado

Obsrvese que la rentabilidad puede variar entre 30,00% y 70,00%. Esa informacin no
se hubiera podido obtener si se hubiera trabajado con cifras promedio. Para tener una idea
de cmo vara la TIR cuando se hace una simulacin se presenta la tabla parcial de las
simulaciones en la pgina siguiente.

44
Tabla 7.11 Simulaciones del perecedero (Ejemplo 4, primeras 50 simulaciones)
Simulacin nmero Demanda Produccin Ingreso neto TIR
1 3.375 3.498,75 6.626.250 51,46%
2 3.250 3.373,75 6.376.250 45,74%
3 3.500 3.248,75 6.497.500 48,51%
4 3.625 3.623,75 7.247.500 65,66%
5 3.625 3.498,75 6.997.500 59,94%
6 3.625 3.623,75 7.247.500 65,66%
7 3.125 3.498,75 5.876.250 34,31%
8 3.375 3.623,75 6.501.250 48,60%
9 3.625 3.498,75 6.997.500 59,94%
10 3.250 3.373,75 6.376.250 45,74%
11 3.375 3.623,75 6.501.250 48,60%
12 3.250 3.373,75 6.376.250 45,74%
13 3.125 3.248,75 6.126.250 40,03%
14 3.250 3.248,75 6.497.500 48,51%
15 3.375 3.498,75 6.626.250 51,46%
16 3.125 3.498,75 5.876.250 34,31%
17 3.375 3.498,75 6.626.250 51,46%
18 3.375 3.498,75 6.626.250 51,46%
19 3.500 3.498,75 6.997.500 59,94%
20 3.375 3.373,75 6.747.500 54,23%
21 3.375 3.373,75 6.747.500 54,23%
22 3.375 3.498,75 6.626.250 51,46%
23 3.625 3.373,75 6.747.500 54,23%
24 3.500 3.498,75 6.997.500 59,94%
25 3.375 3.373,75 6.747.500 54,23%
26 3.375 3.373,75 6.747.500 54,23%
27 3.750 3.248,75 6.497.500 48,51%
28 3.625 3.248,75 6.497.500 48,51%
29 3.750 3.373,75 6.747.500 54,23%
30 3.375 3.498,75 6.626.250 51,46%
31 3.625 3.373,75 6.747.500 54,23%
32 3.250 3.248,75 6.497.500 48,51%
33 3.500 3.373,75 6.747.500 54,23%
34 3.625 3.373,75 6.747.500 54,23%
35 3.750 3.498,75 6.997.500 59,94%
36 3.500 3.498,75 6.997.500 59,94%
37 3.375 3.498,75 6.626.250 51,46%
38 3.500 3.248,75 6.497.500 48,51%
39 3.375 3.248,75 6.497.500 48,51%
40 3.500 3.373,75 6.747.500 54,23%

45
Simulacin nmero Demanda Produccin Ingreso neto TIR
41 3.250 3.498,75 6.251.250 42,89%
42 3.250 3.498,75 6.251.250 42,89%
43 3.250 3.498,75 6.251.250 42,89%
44 3.375 3.373,75 6.747.500 54,23%
45 3.500 3.623,75 6.876.250 57,17%
46 3.500 3.498,75 6.997.500 59,94%
47 3.375 3.373,75 6.747.500 54,23%
48 3.750 3.373,75 6.747.500 54,23%
49 3.250 3.498,75 6.251.250 42,89%
50 3.375 3.248,75 6.497.500 48,51%

Debe tenerse presente que este ejemplo es simple en extremo y que slo se presenta con
propsitos ilustrativos. El promedio de las rentabilidades simuladas es 52,90%. Es diferente
de la que se calcul suponiendo que ocurriran los promedios de ventas y produccin; en
ese caso no se reconoca la posibilidad de que existieran otros valores y posibles
combinaciones entre ellos, ya que se supuso certeza absoluta del promedio. A partir de los
datos obtenidos se puede calcular la desviacin estndar de la rentabilidad, y calcular una
medida aproximada de la probabilidad de que esa inversin produzca una rentabilidad
mayor o menor que determinado valor.
Observe que tanto en la grfica como en la tabla podemos calcular la probabilidad de que
la TIR sea menor que la mnima aceptable (en este ejemplo, 55%). Esa probabilidad es de
68% aproximadamente. Esta medida, por aproximada que sea, es mejor gua para tomar una
decisin que decir que la rentabilidad del proyecto es 57,49%, como sera el resultado al
trabajar con promedios. Si se utiliz 55% como la tasa de descuento trabajando como si
hubiera certeza (usando el valor esperado de la demanda y de la produccin) entonces ese
valor debe tener una prima de riesgo incluida. Como ya se ha introducido el riesgo de

46
manera explcita, entonces debemos analizar la probabilidad de que la TIR sea mayor que
el costo de capital sin esa prima de riesgo. Supongamos que el costo promedio de capital es
de 45% en lugar de 55%. En ese caso la probabilidad de que el proyecto sea un fracaso
(TIR menor que 45%) ser de casi 12%. Con esta informacin quien toma la decisin
determinar si est dispuesto a asumir ese riesgo, en lugar de aceptar ciegamente que la TIR
es de 57,49%, mayor que 55% y por lo tanto aceptar el proyecto como deseable.
Cuntas simulaciones hacer?
Una forma de saber cundo parar una simulacin es examinar el comportamiento del
resultado que se desea simular. Cuando ese resultado se estabiliza, se puede considerar la
posibilidad de detener el proceso de simulacin. En el ejemplo anterior, la probabilidad de
fracaso tiene el comportamiento que aparece en la siguiente figura.
Figura 7.16 Estabilizacin de la probabilidad de fracaso con el nmero de simulaciones
Estabilizacin de la probabilidad de fracaso con el nmero de
simulaciones
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
0 50 100 150 200 250 300 350
Nmero de simulaciones
P
r
o
b
a
b
i
l
i
d
a
d

d
e

f
r
a
c
a
s
o


47
En este ejemplo, para una tasa de descuento de 55%, la estabilizacin del resultado se
logra a partir de la simulacin 193 y los valores de la probabilidad de fracaso tienden a
68%.
Una forma ms rigurosa de hacer el clculo estadstico del tamao adecuado de la
muestra es calcular la varianza del resultado (probabilidad de fracaso) para un cierto
nmero de simulaciones (por ejemplo, para 1.000); esta varianza se podra calcular para 30
corridas de 1.000 simulaciones y con esos datos estimar la varianza. Si se supone que la
distribucin de esa probabilidad es normal, se define un nivel de confianza por ejemplo,
1% o 5% y con base en esa cifra se calcula la z de la distribucin normal. As mismo, se
estima el error absoluto que se est dispuesto a aceptar, en este caso el nmero de puntos en
porcentaje. Con estos datos se estima el tamao de la muestra, o sea, el nmero de
simulaciones que debe hacerse. La forma de calcular n es la siguiente:
2
2 2
e
z
n
o
= (7.3)
donde
n = tamao de la muestra
z = variable normal con = 0 y o = 1, para un nivel de confianza deseado
e = error absoluto aceptado
Por ejemplo, si se estipularan los siguientes parmetros para el ejemplo anterior, se
tendra:

48
Tabla 7.12 Datos para determinar el nmero de simulaciones
Z para 2% 2,32634193
e 0,07%
o 0,488%
n 263,153901

O sea que el resultado de la simulacin sera aceptable con unos 300 ensayos. El nmero
de simulaciones realizadas para calcular la estabilizacin de la probabilidad de fracaso
fue 300.
Ejemplo 6
Con los supuestos y datos del ejemplo utilizado para ilustrar la construccin del flujo de
caja de un proyecto en el captulo 6 del libro Decisiones de inversin
6
, se hizo una
simulacin para algunas variables: Aumento en precios de venta, en precios de compra, en
volumen de ventas y tasa de inflacin. Con un esquema similar se ha construido otro
ejemplo similar.
Se supuso que las cuatro variables eran independientes, excepto el volumen de ventas, el
cual est relacionado con los precios por una funcin de elasticidad.
Las distribuciones utilizadas y los resultados de la simulacin fueron los siguientes:
Tabla 7.13 Distribucin de probabilidad de tres variables
Venta Probabilidad Compra Probabilidad Unidades Probabilidad
25,0% 5,0% 20,0% 10,0% 4,0% 5,0%
26,0% 10,0% 21,0% 15,0% 5,0% 15,0%
27,0% 25,0% 22,0% 35,0% 6,0% 30,0%
28,0% 40,0% 23,0% 25,0% 7,0% 35,0%
29,0% 20,0% 24,0% 15,0% 8,0% 15,0%

6
Este ejemplo se puede bajar de http://www.cashflow88.com/decisiones/cursodec.html. El archivo se llama
Simulacin.xls.


49
Los resultados del comportamiento de la probabilidad de fracaso con respecto del
nmero de simulaciones fue:
Tabla 7.14 Resultado del comportamiento de la probabilidad de fracaso del VPN
No de simulaciones Probabilidad de fracaso
1 0,0%
5 20,0%
10 0,0%
20 10,0%
40 0,0%
80 2,5%
90 2,2%
100 1,0%
150 2,0%
200 1,5%
250 0,8%
350 1,4%
400 2,0%
500 1,2%
1.000 1,6%
1.500 2,1%
2.000 1,8%

En forma grfica,
Figura 7.17 Estabilizacin de la probabilidad de fracaso con el nmero de simulaciones
Probabilidad de fracaso contra nmero de simulaciones
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
0 500 1000 1500 2000 2500
Nmero de simulaciones
P
r
o
b
a
b
i
l
i
d
a
d

d
e

f
r
a
c
a
s
o


50
En la tabla 7.14 y en la figura 7.17 se puede observar que a partir de 350 simulaciones la
probabilidad de fracaso se encuentra entre 1,4% y 2,1%.
Por ejemplo, si se estipularan los siguientes parmetros para el ejemplo anterior, se
tendra:
Tabla 7.15 Datos para determinar el nmero de simulaciones
z para 2% 2,32634193
e 0,25%
o 2,00%
n 346

O sea que una corrida de 350 simulaciones proporcionara un buen estimado de la
probabilidad de fracaso.
El programa utilizado est disponible. Los interesados pueden obtenerlo en
http://www.cashflow88.com/decisiones/cursodec.html en la opcin Ejemplos y ejercicios.
Cules variables incluir en una simulacin?
Aunque en los ejemplos que se han presentado se sugiere que la simulacin es simple y
barata, esto no es siempre cierto. Los costos actuales s son mucho menores que los de hace
treinta o ms aos. Los recursos computacionales son cada vez ms baratos, pero a la vez
ello mismo hace posible la consideracin de modelos ms complejos. Por el otro lado, es
necesario investigar sobre el comportamiento de las variables y la relacin entre ellas. Es
necesario identificar las correlaciones o relaciones de independencia o dependencia entre
las variables.

51
Lo deseable es que el nmero de variables aleatorias que se simulen sea relativamente
bajo y que sean estadsticamente independientes. Estas relaciones deben establecerse dentro
del modelo por medio de relaciones matemticas.
Cmo identificar entonces las variables que se deben simular? Esto es relativamente
sencillo. Se debe hacer lo que se conoce como anlisis de sensibilidad. Que ya estudiamos
en el captulo 6.
Un anlisis de sensibilidad simple y grueso consiste en hacer variar todas las variables
independientes un mismo porcentaje, una por una, y examinar y registrar la variacin en
nuestro resultado, por ejemplo, el VPN. Una vez obtenidas las variaciones del resultado se
ordenan por su valor absoluto y las variables que ms hagan variar el resultado final sern
las variables ms crticas. Esas variables ms crticas sern las candidatas a ser simuladas.
Un criterio para determinar qu variables son crticas es estipular que las que hagan
variar el resultado final en un porcentaje mayor que el aplicado a la variable sern crticas.
Supongamos, por ejemplo, que se tienen ciertas variables y que se ha aplicado una
variacin de 1% a cada una de ellas (una por una). Esto es, que se cambia el valor de una
variable en 1% y se registra el porcentaje de variacin en el resultado. Se restaura el valor
original y se vara en 1% la siguiente variable. Se registra la variacin en el resultado. Y as
sucesivamente. Con base en el ejemplo utilizado en el captulo 6 se tiene:

52
Tabla 7.16 Sensibilidad de algunas variables
Variable Variacin en el
VPN Valor absoluto
1. Precio de venta inicial 4,64% 4,64%
2. Aumentos en precios de venta 2,93% 2,93%
3. Aumentos en precios de compra 2,14% 2,14%
4. Capital invertido en dinero 1,25% 1,25%
5. Poltica de cartera 1,17% 1,17%
6. Aumentos en nivel de ventas 0,82% 0,82%
7. Tasa de impuestos 0,80% 0,80%
8. Tasa de descuento real 0,54% 0,54%
9. Poltica de pagos 0,51% 0,51%
10. Salarios de la administracin 0,37% 0,37%
11. Aumento en salarios 0,36% 0,36%
12. Comisiones sobre ventas 0,28% 0,28%
13. Prestaciones sobre salarios y
comisiones. 0,27% 0,27%
14. Tasa de inflacin 0,25% 0,25%
15. Gastos generales mensuales 0,22% 0,22%
16. Valor de los activos fijos 0,19% 0,19%
17. Publicidad (% sobre ventas) 0,18% 0,18%
18. Aumentos en gastos generales 0,17% 0,17%
19. Salarios de ventas (bsico) 0,09% 0,09%
20. Honorarios mensuales 0,06% 0,06%
21. Aumentos en honorarios 0,04% 0,04%
22. Componente de riesgo 0,02% 0,02%
23. Componente de riesgo del
inversionista 0,00% 0,00%
24. Fraccin de las ventas del ao
como inventario final 0,00% 0,00%
25. Aportes de capital en activos
fijos 0,00% 0,00%
26. Aporte de capital en especie 0,00% 0,00%


53
Al examinar las variables ms crticas (aquellas que hacen variar el VPN ms de 1%)
encontramos que slo hay cinco. Por lo tanto, stas seran las candidatas para ser
simuladas.
7

Por qu nos interesa el valor absoluto de la variacin del VPN? Porque para nosotros es
tan importante una variacin positiva como una negativa. Nos interesa la variacin en s
misma, no su sentido, hacia arriba o hacia abajo.
7.4 Cmo tomar decisiones con informacin probabilstica
Fundamentalmente lo que buscamos con la simulacin es encontrar la distribucin de
probabilidad de un resultado, por ejemplo, el VPN. Tener la distribucin de probabilidad
implica conocer su valor esperado y su varianza (o desviacin estndar). Con esta
informacin obtenemos a la vez la probabilidad de fracaso.
Una vez que se ha obtenido la probabilidad de que un proyecto sea bueno o malo, poco
se puede decir sobre el curso de accin que se debe emprender, puesto que es el individuo
en forma subjetiva quien decide si una probabilidad de fracaso es alta o baja. O sea que el
quien toma la decisin deber discernir en forma subjetiva si un proyecto con una
determinada probabilidad de fracaso y con un determinado valor esperado, debe
considerase aceptable o no.
Sin embargo, lo anterior es relativamente fcil si se trata de aceptar o rechazar un
proyecto. En el caso de proyectos mutuamente excluyentes, el que decide deber

7
El criterio aqu esbozado no puede tomarse como nico. Bien podra el analista considerar, por ejemplo, como crticas
aquellas variables que al variar 1% hagan variar el VPN en ms de 0,75%. Si ese fuera el criterio, entonces en nuestro
ejemplo las variables crticas seran las siete primeras.

54
seleccionar entre los ya aceptados por l de manera subjetiva el mejor entre todos. Aqu
se puede utilizar una ayuda de tipo objetivo o cuantitativo.
Hay algunos criterios obvios cuando se dan ciertas condiciones. Por ejemplo, si el
mximo resultado de la simulacin es indeseable, el proyecto se rechaza abiertamente. Si el
peor resultado es aceptable se acepta. La dificultad estriba en las situaciones
indeterminadas. Esto es, cuando existe una probabilidad de que los proyectos resulten un
fracaso. Por ejemplo, qu decir de un proyecto A con VPN esperado de $10.000.000 con
probabilidad de fracaso de 5,06% y una desviacin estndar de 6.100.000, comparado con
un proyecto B de $20.000.000 de VPN esperado pero con 10,14% de probabilidad de
fracaso y una desviacin estndar de 15.700.000? Para estos casos se puede sugerir el
siguiente procedimiento heurstico (por ser heurstico no siempre se escoge el mejor):

Seleccione el proyecto con mayor Coeficiente de Variacin Probabilstica (CVP):
o
VPN
CVP = (7.4a)
o
P
VPN
CVP
=
o
(7.4b)
donde:
VPN = Valor esperado del VPN del proyecto
o = Desviacin estndar de la distribucin del VPN del proyecto
P = Probabilidad de fracaso del proyecto
En el ejemplo planteado, para el proyecto A se tiene

55
32,42
5,06% 6.100.000
10.000.000
C
1,64
6.100.000
10.000.000
C
=
=
= =
A
A
VP
o
VP

y para el proyecto B
12,57
10,14% 15.700.000
20.000.000
C
o
1,27
15.700.000
20.000.000
C
=
=
= =
B
B
VP
VP

En resumen,
Tabla 7.17 Anlisis de dos proyectos con informacin probabilstica
VPN esperado o P VPN/o VPN/Po
10.000.000 6.100.000 5,06% 1,64 32,42
20.000.000 15.700.000 10,14% 1,27 12,57

En este caso se podra escoger el proyecto A aunque su VPN esperado sea menor que el
de B. Para entender la dificultad planteada aqu, se debe considerar el aspecto relacionado
con las actitudes hacia el riesgo tratadas en el captulo sobre teora de la utilidad.
Otro anlisis de los resultados consiste en examinar el valor absoluto esperado de las
prdidas previstas para el proyecto y compararlo con el valor esperado de las ganancias.
Esto es,

ganancias las de esperado Valor
prdidas las de esperado Valor
esperadas prdidas de Razn = (7.5)


56
Se puede observar que este indicador tiene un valor mximo de infinito (), lo cual
significa que slo hay prdidas o cero, lo cual significa que no hay prdidas. Por lo tanto,
este indicador es favorable mientras ms cercano est a cero. Si en el ejemplo del
perecedero presentado antes se hubiera calculado el VPN con la tasa de 45%, se habran
obtenido los siguientes resultados:
Tabla 7.18 Anlisis probabilstica del ejemplo del perecedro
VPN
Frecuencia
absoluta
Frecuencia
relativa
Valor esperado
por rango
450.000 0 0,0% 0
300.000 8 2,7% 8.000
150.000 5 1,7% 2.500
0 22 7,3% 0
150.000 60 20,0% 30.000
300.000 108 36,0% 108.000
450.000 15 5,0% 22.500
600.000 75 25,0% 150.000
750.000 7 2,3% 17.500
Total 300 Valor esperado 317.500

Modificamos estos valores del VPN y utilizamos el punto medio del rango, as:
Tabla 7.19 Anlisis probabilstica simplificado de la Tabla 7.18
VPN
Frecuencia
absoluta
Frecuencia
relativa
Valor esperado
por rango
-375.000 8 2,7% -10.000
-225.000 5 1,7% -3.750
-75.000 22 7,3% -5.500
75.000 60 20,0% 15.000
225.000 108 36,0% 81.000
375.000 15 5,0% 18.750
525.000 75 25,0% 131.250
675.000 7 2,3% 15.750
Total 300 Valor esperado 242.500


57
El valor esperado por rango resulta de multiplicar el VPN indicado por la probabilidad.
Por ejemplo, 375.000 2,7% = 10.000.
La suma de los valores negativos de la ltima columna da el valor esperado de las
prdidas, en este caso 19.250, y su valor absoluto es 19.250. La suma de los valores
positivos es el valor esperado de las ganancias, en este caso 261.750.
La razn de prdidas esperadas es 0,0735. Este indicador sirve para comparar alternativas
mutuamente excluyentes.
Este indicador tambin se puede calcular como
prdidas las de esperado Valor ganancias las de esperado Valor
prdidas las de esperado Valor
esperadas prdidas de Razn
+
= (7.6)
Cuando se usa esta frmula el valor oscila entre 0 y 1. Nuevamente, mientras ms cerca
de cero est ser mejor en trminos de riesgo. En el caso de ejemplo aqu estudiado, el
valor de este ndice sera 0,0794.
Una posibilidad adicional para enfrentar la decisin bajo incertidumbre es aproximarse al
problema por medio de la teora de la utilidad cardinal, presentada en un captulo anterior.
Si se utiliza la misma distribucin de probabilidad del VPN presentada arriba para el
ejemplo del perecedero, se tiene, ya agrupada por los mismos rangos y utilizando una
funcin de utilidad igual a
8

y = (6E12)x
2
+ (1E05)x + 9.5726
donde
y = utilas o medida de utilidad cardinal

8
Se debe recordar que la expresin 6E12 significa un 6 dividido por un 1 con doce ceros a la derecha.

58
x = monto en dinero
En este caso se tiene lo siguiente:
Tabla 7.20 Resultado del anlisis con la teora de la utilidad
Resultados
VPN a 45%
Probabilidad Funcin
de utilidad
Utilidad
esperada
375.000 2,7% 4,98 0,13
225.000 1,7% 7,02 0,12
75.000 7,3% 8,79 0,64
75.000 20,0% 10,29 2,06
225.000 36,0% 11,52 4,15
375.000 5,0% 12,48 0,62
525.000 25,0% 13,17 3,29
675.000 2,3% 13,59 0,32
Utilidad
esperada
11,33
Equivalente
Cierto
199.639
Figura 7.18 Funcin de utilidad
Funcin de utilidad y = -6E-12x
2
+ 1E-05x + 9,5726
0,00
2,00
4,00
6,00
8,00
10,00
12,00
14,00
16,00
-600.000 -400.000 -200.000 0 200.000 400.000 600.000 800.000
$
U
t
i
l
a
s

Para el que decide con la funcin de utilidad indicada, la inversin en el perecedero
tendr un equivalente cierto de 199.639. Recurdese que el valor esperado era de 242.500.

59
Se hubiera podido calcular directamente la utilidad de cada resultado de las 300
simulaciones. En ese caso, la utilidad esperada hubiera sido 11,38 y el equivalente cierto,
205.653.
El lector puede comprobar que si la tasa de descuento hubiera sido de 55%, el
equivalente cierto resultante hubiera sido 113.519,68 (su resultado no ser idntico a ste,
puesto que se est trabajando con nmeros aleatorios). Al haber simulado los 300 VPN se
encuentra que el valor esperado del VPN sera negativo: 59.401.
Entonces, en el ejemplo del perecedero, si la tasa de descuento es de 45% se aceptara y
si es de 55% se rechazara utilizando la simulacin y el enfoque de la teora de la utilidad.
Esta situacin de decisin dista mucho de la que se present al inicio de este captulo
cuando se trabaj con el promedio de la produccin y de la demanda. En aquel caso,
utilizando 55% como tasa de descuento se hubiera aceptado. Por supuesto que si en ese
caso se hubiera utilizado 45% de tasa de descuento se hubiera aceptado tambin.
7.5 Resumen
En este captulo estudiamos el anlisis del riesgo en las inversiones, utilizando
distribuciones de probabilidad. El primer enfoque que hemos presentado es el de Hillier,
que permite hacer un clculo analtico de la probabilidad de xito o fracaso de un proyecto.
Debido a las condiciones tan estrictas para poder aplicar el teorema del lmite central, base
del procedimiento analtico, hemos estudiado el proceso de simulacin de Montecarlo,
ilustrando ese mtodo con un ejemplo muy sencillo. El ejemplo se analiz primero con base
en cifras promedio, con el resultado que el proyecto deb aceptarse; despus se trabaj la

60
simulacin, en Excel, y se encuentra que la probabilidad de fracaso en ese ejemplo era muy
alta.
Se presentaron los resultados de una simulacin amplia, basada en el ejemplo que se
utiliz en el captulo 6 del libro Decisiones de inversin, para ilustrar la construccin del
flujo de caja.
Tambin presentamos algunas ayudas para seleccionar entre alternativas mutuamente
excluyentes en situacin de riesgo y el uso, con el mismo ejemplo, de la teora de la utilidad
para la toma de decisiones.
7.6 Referencias
Bierman, H., Hausman, W.H., "The Resolution of Investment Uncertainty through
Time", en Management Science, Vol. 18, No. 12, agosto, 1972.
Brealey, R. and Myers, S. (2000). Principles of Corporate Finance, 6th Edition
(McGraw Hill). Hay traduccin al espaol de la 5 edicin con el nombre de Principios de
Finanzas corporativas, McGraw Hill, 1996.
Eilon, S. "What is a Decision?", en Management Science, Vol.16, No. 4, diciembre de
1969., p.p. 172-189 .
Hertz, D.B., "Risk Analysis in Capital Investment", en Harvard Business Review, Vol.
42, No. 1, 1964, p.p. 95-106.
Hespos, R.F., P.A. Strassmann, "Stochastic Decision Trees for the Analysis of
Investment Decisions", en Management Science, Vol. 11, No. 10, agosto de 1965.
Hillier, F.S., G.J. Lieberman, Introduction to Operations Research, 3 edicin, Holden-
Day, Inc., 1980. Hay traduccin al espaol, Introduccin a la investigacin de operaciones,
1982, McGraw-Hill.
Hillier, F.S., "The Derivation of Probabilistic Information for the Evaluation of Risky
Investments", en Management Science, Vol. 9, No.3, 1963, p.p. 443-457.
Machain, Luciano, Simulacin de Modelos Financieros, 1 Ed., 2011, ISBN: 978-987-
33-0705-8
Raiffa, H. Co., Reading, 1968.
Ross, Stephen A., Randolph W. Westerfield y Jeffrey Jaffe, Corporate Finance, 5
edicin, 1999, Irwin-McGraw-Hill
Savvides, Savvakis C., Risk Analysis in Investment Appraisal, Project Appraisal
Journal, Volume 9 Number 1, pages 3-18, March 1994. Disponible como Working paper
en Social Science Research Network.

61
Vlez-Pareja, Ignacio y Joseph Tham, 2000, Nota sobre el costo promedio de capital.
Versin en ingls: A Note on the Weighted Average Cost of Capital WACC. Ambas
versiones estn disponibles como documento de trabajo en Social Science Research
Network. Disponible tambin en www.5campus.com, Universidad de Zaragoza, Espaa.
Este documento de trabajo se halla publicado con el mismo ttulo en espaol en
Monografas No 62, Serie de Finanzas, La medicin del valor y del costo de capital en la
empresa, de la Facultad de Administracin de la Universidad de los Andes, julio 2002, pp.
61-98.
Wilson, R. "Investment Analysis Under Uncertainty", en Management Science, Vol. 15,
No. 12, 1969, p.p. 650-664.


62
Ejercicio de autocorreccin
Suponga que un evento cualquiera tiene la siguiente distribucin de probabilidad:

Valor del
evento
Probabilidad

1.000 15%
2.000 20%
3.000 45%
4.000 20%

Con los nmeros aleatorios que se indican a continuacin, simule diez observaciones
aleatorias del evento y calcule su valor esperado:

468 141 037 039 458 816
462 931 455 345 824 448
446 857 303 846 627 520


63
Solucin al ejercicio de autocorreccin

Valor del
Evento
Probabilidad Nmeros
aleatorios
1.000 15% 00-14
2.000 20% 15-34
3.000 45% 35-79
4.000 20% 80-99

Para la simulacin se utilizan los nmeros aleatorios hacia la derecha, a partir del nmero
8 que se muestra en negrilla.

468 141 037 039 458 816
462 931 455 345 824 448
446 857 303 846 627 520

Nmero
aleatorio
Observacin
82 4,000
44 3,000
48 3,000
44 3,000
68 3,000
57 3,000
30 2,000
38 3,000
46 3,000
62 3,000

Valor esperado: 30.000/10 = 3.000

64
Ejercicios
1) Con los datos del ejemplo utilizado para ilustrar el mtodo de simulacin, calcule el
Valor Presente Neto de la inversin a la tasa de 55%, y encuentre la distribucin de
probabilidad para rangos de VPN definidos por los valores extremos de los intervalos
utilizados para la tasa interna de rentabilidad.
2) Repita el ejercicio anterior con una tasa del 30%.
3) Suponiendo las siguientes distribuciones para las diferentes variables, simule 50
ensayos y calcule la distribucin de la TIR. Cul es la probabilidad de que el VPN sea
menor que cero 30%? Dibuje la grfica de la distribucin resultante.

Inversin inicial Valor de
salvamento

(millones) (millones)
Valor Probabilidad Valor Probabilidad

500 0,3 50 0,15
600 0,4 60 0,60
700 0,3 70 0,25

Ingreso bruto Egresos anuales
(millones) (Millones)
Valor Probabilidad Valor Probabilidad
300 0,20 75 0,20
350 0,35 100 0,35
400 0,25 125 0,25
450 0,20 150 0,20

Resuelva el ejercicio suponiendo que la vida del proyecto es de 6 aos, y para cada ao
simule ingresos y egresos.

65
4) Resuelva el ejercicio 3) simulando un ingreso y un egreso. Suponga que el ingreso y el
egreso simulados son constantes durante la vida del proyecto.
5) Igual al ejercicio 3) pero calculando la TIR y encontrando la probabilidad de que sta
sea menor que 25%. Halle tambin la probabilidad de que la TIR se encuentre entre 20% y
30%.
6) Resuelva el ejercicio 3) por el mtodo de Hillier.
7) Laboratorios de productos farmacuticos especiales podra invertir en la elaboracin
de una nueva droga que tiene una vida estimada de 3 aos. Si la demanda durante el primer
ao es favorable, seguro que lo ser favorable durante los siguientes dos aos; si la
demanda es baja, ser baja durante los siguientes dos aos. Debido a este comportamiento
de la demanda, se puede decir que las demandas estn perfectamente correlacionadas. El
costo del proyecto es de $100 millones de pesos y los posibles flujos de caja, en millones
de pesos, son los siguientes:

Ao 1 Ao 2 Ao 3
Prob Flujo Prob Flujo Prob Flujo
0,10 0 0,15 10 0,15 0
0,20 20 0,20 40 0,20 15
0,40 40 0,30 70 0,30 30
0,20 60 0,20 100 0,20 45
0,10 80 0,15 130 0,15 60

Suponga que la tasa de descuento libre de riesgo es de 25% anual, calcule:
a) El valor esperado y la desviacin estndar de la distribucin de probabilidad del VPN.

66
b) Si se supone que la distribucin del VPN es normal, cul es la probabilidad de que el
VPN sea menor que cero?; mayor que $30 millones y menor que $100 millones?
c) Asigne los nmeros aleatorios que sean necesarios para cada distribucin y simule tres
resultados posibles; con estos resultados calcule el VPN al 25%.
Ayuda: Los flujos de caja estn perfectamente correlacionados, por lo tanto, la desviacin
estndar se puede calcular como el valor presente de las desviaciones estndar de cada
flujo.
8) Si se hace una inversin de $10 millones y al ao se reciben los siguientes beneficios
netos con estas probabilidades:

Ingreso neto Probabilidad
10 15%
20 25%
30 30%
40 20%
50 10%

Asigne los nmeros aleatorios a cada nivel de ingreso, genere diez observaciones
aleatorias, calcule el VPN al 45% y estime la probabilidad de que el VPN sea negativo.
9) La Compaa Huzuki produce desde cmaras fotogrficas hasta barcos. Se desea
analizar un problema de la seccin de productos fotogrficos. Pronto descontinuarn un
viejo modelo y ahora investigan qu hacer con la capacidad productiva extra que quedar
disponible. La primera alternativa es expandir la produccin del modelo A, uno de los ms
nuevos y populares. Este modelo se lanz al mercado el ao pasado y su gran acogida
indica que an hay mercado para la produccin adicional. La segunda alternativa consiste

67
en iniciar la produccin del modelo B. Este ltimo modelo implica una serie de cambios
revolucionarios recientemente ideados por el grupo de investigacin. Aun cuando no hay
ningn modelo comparable en el mercado, existen rumores de que otros competidores
tienen modelos similares en diseo. La investigacin de mercado revela perspectivas
excitantes, pero muy inciertas para el nuevo modelo. Adems, se presenta cierta
incertidumbre adicional debido a la confiabilidad de las piezas nuevas, la falta de
experiencia en produccin, y la posibilidad de que el mercado se vea invadido por modelos
competitivos en cualquier instante. Debido a la falta de fondos para inversin se ha
decidido que slo una de esas alternativas se puede llevar a cabo. Se supone que la
produccin de B no afectara el mercado de la produccin de A.
Se han hecho estudios detallados de las consecuencias, en trminos de flujo de caja
despus de impuestos, para las dos alternativas. El anlisis de la inversin requerida en el
modelo A indica que se necesitar nuevo equipo y herramientas, adems de
modificaciones en lo existente. La inversin en A sera de $400.000. Se reconoce sin
embargo, que esa estimacin es aproximada, de manera que result apropiado calcular su
desviacin estndar: Un valor de $20.000 se consider lo ms apropiado. En forma similar
se estimaron los valores esperados y desviaciones estndar de los flujos netos de caja en
los prximos 5 aos. Debido a la experiencia previa con el modelo A, esas desviaciones
son pequeas, y en parte se deben a variaciones posibles en los precios de los insumos a la
produccin. Como esas condiciones varan al azar de ao en ao, se decidi que la
suposicin apropiada era la de que los flujos de caja en aos sucesivos son mutuamente
independientes. No obstante se encontr un pequeo problema al determinar la desviacin

68
estndar en el quinto ao, porque ese flujo de caja combina el valor de ingreso regular de
ese ao con el valor de salvamento. La desviacin se calcul suponiendo independencia, de
manera que la varianza de la suma iguala a la suma de las varianzas de esos flujos de caja.
La tabla siguiente resume los resultados de los clculos para el modelo A (en miles de
pesos):

Ao Valor
esperado
Desviacin
estndar

0 400 20
1 +120 10
2 +120 15
3 +120 20
4 +120 30
5 +120 50*
* =[30
2
+ 40
2
]
1/2

El procedimiento para el modelo B es similar. La diferencia resulta de la incertidumbre
sobre la recepcin del modelo B en el mercado. Se cree que si esa acogida excede a lo
esperado en los dos primeros aos, as continuarn las cosas de ah en adelante, y
viceversa. Por otra parte, el anlisis de los gastos de produccin ha llevado a la conclusin
de que cualquier desviacin de lo esperado en costos de produccin es independiente de las
desviaciones en otros perodos.
El flujo de caja de los costos se supone independiente de todos los otros factores, y en
ese flujo se incluy el valor de salvamento en el ltimo ao. Un anlisis detallado de los
diversos componentes del flujo de caja, ha llevado a hacer estimativos de las desviaciones

69
de los flujos netos de caja de los dos componentes del flujo total. Los resultados se
presentan en la tabla siguiente (miles de pesos):

Ao Flujo de caja
Valor
esperado
Desviacin
estndar
0 Inversin Inicial 600 50
1 Produccin 250 20
2 Produccin 250 20
3 Produccin 200 10
4 Produccin 200 10
5
Produccin y
salvamento 100 10

1 Ventas 300 50
2 Ventas 600 100
3 Ventas 500 100
4 Ventas 400 100
5 Ventas 300 100

La tasa de descuento de la firma, libre de riesgo, es de 10% anual.
A- Cul es la distribucin de la probabilidad del valor presente neto de la inversin en
cada una de las alternativas?
B- Cul es la probabilidad de prdida total para cada alternativa?
C- Cmo cree usted que la Huzuki decidir entre los dos modelos? Considere el
problema de una Compaa que desea saber si debe abrir ventas de un cierto producto en
un nuevo territorio.
10. Se ha propuesto construir una fbrica de hielo. Sin embargo, se han identificado
varios factores climticos que inciden sobre el consumo de este artculo, y de acuerdo con

70
series histricas se han determinado los siguientes eventos, de los cuales, a su vez, se
desprenden los flujos de caja detallados.
Evento Probabilidad Flujo de caja
Ao 1
A1 0,4 10
B1 0,3 12
C1 0,11 16
D1 0,2 3
Ao 2
A2 0,6 22
B2 0,1 1
C2 0,2 15
D2 0,1 4

Si se requiere una inversin de $15.000, y la tasa de descuento es del 12%, valdra la
pena?
11) Suponga que la tasa de descuento es igual a la tasa de oportunidad. Explique qu tasa
de descuento deber ser utilizada si usted est haciendo el anlisis de una inversin bajo
riesgo, y ha calculado explcitamente las distribuciones de probabilidad de algunas
variables para hacer una simulacin de Montecarlo. Suponga que tiene dos estimativos del
costo de oportunidad: Uno es 30% anual, y corresponde a unos bonos emitidos por el
Banco de la Repblica de Colombia, y el otro es 35,5% anual y corresponde a unos bonos
emitidos por una empresa metalrgica colombiana.
12. En un artculo (Smith, D. J., Incorporating Risk into Capital Budgeting Decisions
Using Simulation, Management Decision, 32, 9, 1994, p.p. 20-26), el autor afirma que
tpicamente, se puede esperar que los flujos de caja tengan una distribucin normal, y con

71
base en ello propone que las simulaciones de los flujos de caja se realicen con la siguiente
expresin:
Media de la distribucin + Desviacin estndar (nmero aleatorio
1
+ nmero
aleatorio
2
+

nmero aleatorio
3
+

nmero aleatorio
4
+

... +

nmero aleatorio
12
6)
Con base en lo estudiado en este captulo critique el planteamiento de Smith. Como gua
a su crtica reflexione sobre las siguientes preguntas: Si la simulacin es una tcnica
apropiada para analizar problemas cuando la distribucin de probabilidad de las variables
no est definida como una de las distribuciones conocidas (por ejemplo, cuando no es
normal, o binomial, etc.), valdr la pena simular en este caso?; habr una forma analtica
de resolver el problema? (Una forma analtica de resolver un problema es desarrollarlo con
base en frmulas; en este caso, se trata de encontrar la probabilidad de fracaso del
proyecto.) Explique su anlisis y crtica de esta afirmacin en no ms de 100 palabras. No
haga clculos, slo explique lo que hara.

72

7 ............................................................................. ERROR! BOOKMARK NOT DEFINED.
ANLISIS DE INVERSIONES BAJO RIESGO: SIMULACIN .................... ERROR!
BOOKMARK NOT DEFINED.
7.1 Introduccin ............................................................ Error! Bookmark not defined.
7.2 Medicin analtica del riesgo .................................. Error! Bookmark not defined.
7.3 Simulacin .............................................................. Error! Bookmark not defined.
Nmeros aleatorios ................................................... Error! Bookmark not defined.
Muestra de un universo ............................................. Error! Bookmark not defined.
La simulacin: herramienta para analizar modelos complejosError! Bookmark not
defined.
Tasa de descuento cuando se hace anlisis del riesgoError! Bookmark not
defined.
Cmo generar observaciones aleatorias desde una distribucin de probabilidad
...................................................................................... Error! Bookmark not defined.
Cuntas simulaciones hacer? .................................. Error! Bookmark not defined.
Cules variables incluir en una simulacin? ........... Error! Bookmark not defined.
7.4 Cmo tomar decisiones con informacin probabilsticaError! Bookmark not
defined.
7.5 Resumen.................................................................. Error! Bookmark not defined.
7.6 Referencias.............................................................. Error! Bookmark not defined.
Ejercicio de autocorreccin .......................................... Error! Bookmark not defined.
Solucin al ejercicio de autocorreccin ........................ Error! Bookmark not defined.
Ejercicios ...................................................................... Error! Bookmark not defined.

Analisis de Riesgo Simulacion Montecarlo

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Analisis de Riesgo Simulacion Montecarlo

Încărcat de

Drepturi de autor:

Formate disponibile

TEORIA DE LA DECISION IGNACIO VELEZ PAREJA

S-ar putea să vă placă și