Sunteți pe pagina 1din 10

UNIVERSIDAD DON BOSCO

Facultad de Ciencias Econmicas


Evaluacin y Administracin de Proyectos

Anlisis de Sensibilidad Multidimensional,


Mtodo de Montecarlo

Docente:
Carlos Alfredo Herrera Rodrguez

Presentado por:
David Israel Mndez Alvarado

Ciudadela Don Bosco, jueves 25 de junio de 2015

Contenido

Introduccin..................................................................................................... 3
Objetivos........................................................................................................... 4
Historia.............................................................................................................. 5
Qu es el modelo de Montecarlo?...............................................................5
Ventajas y desventajas................................................................................... 7
Ventajas:.......................................................................................................... 7
Desventajas:.................................................................................................... 7
Modelo Multidimensional (Modelos de Montecarlo)..................................7
Enfoque multidimensional............................................................................. 9
Bibliografa..................................................................................................... 10

Introduccin

En el siguiente reporte se brinda una vista del Anlisis de Sensibilidad


Multidimensional, Mtodo Montecarlo, el cual es un mtodo estadstico
de simulacin el cual es de utilidad para la evaluacin de proyectos, as
como en las finanzas, la economa y en otros rubros.
En el reporte se encuentra informacin general as como tambin
informacin puntual, entre las cuales podemos encontrar:
La historia del mtodo, as como tambin quien fue el precursor de dicho
mtodo
Que es el mtodo Montecarlo, cul es su aplicacin y como se utiliza,
as como tambin las principales ventajas y desventajas de este.
De igual manera podemos encontrar como se utiliza el mtodo
Montecarlo con la tecnologa y las aplicaciones informticas para la
evaluacin de los proyectos.
Una de las caractersticas principales del mtodo de Montecarlo es que
para poder evaluar los proyectos se deben de hacer varios posibles
escenarios. Con los cuales se aplicara el mtodo para su posterior
anlisis de sensibilidad

Objetivos

General
Comprender la funcin del mtodo de Montecarlo y su aplicacin en la
evaluacin de proyectos

Especficos

Conocer las ventajas y desventajas de la aplicacin del mtodo de


Montecarlo
Conocer cules son las herramientas que se utilizan para la aplicacin
del mtodo de Montecarlo

Anlisis de Sensibilidad Multidimensional, Mtodo de


Montecarlo

Historia
El mtodo se llam as en referencia al Casino de Monte Carlo
(Principado de Mnaco) por ser la capital del juego de azar, al ser la
ruleta un generador simple de nmeros aleatorios. El nombre y el
desarrollo sistemtico de los mtodos de Monte Carlo datan
aproximadamente de 1944 y se mejoraron enormemente con el
desarrollo de la computadora.
La invencin del mtodo de Monte Carlo se asigna a Stanislaw Ulam y a
John von Neumann. Ulam ha explicado cmo se le ocurri la idea
mientras jugaba un solitario durante una enfermedad en 1946. Advirti
que resulta mucho ms simple tener una idea del resultado general del
solitario haciendo pruebas mltiples con las cartas y contando las
proporciones de los resultados que computar todas las posibilidades de
combinacin formalmente. Se le ocurri que esta misma observacin
deba aplicarse a su trabajo de Los lamos sobre difusin de neutrones,
para la cual resulta prcticamente imposible solucionar las ecuaciones
ntegro-diferenciales que gobiernan la dispersin, la absorcin y la fisin.
La idea consista en probar con experimentos mentales las miles de
posibilidades, y en cada etapa, determinar por casualidad, por un
nmero aleatorio distribuido segn las probabilidades, qu sucedera y
totalizar todas las posibilidades y tener una idea de la conducta del
proceso fsico.
El uso de los mtodos de Monte Carlo como herramienta de
investigacin, proviene del trabajo realizado en el desarrollo de la
bomba atmica durante la Segunda Guerra Mundial en el Laboratorio
Nacional de Los lamos en EE. UU. Este trabajo conllevaba la simulacin
de problemas probabilsticos de hidrodinmica concernientes a la
difusin de neutrones en el material de fisin. Esta difusin posee un
comportamiento eminentemente aleatorio. En la actualidad es parte
fundamental de los algoritmos de Raytracing para la generacin de
imgenes 3D.

Qu es el modelo de Montecarlo?
El modelo de simulacin de Montecarlo genera numerosos resultados
que puede tomar el VAN del proyecto si a cada factor que condiciona el
flujo de caja se le asigna, aleatoriamente, un valor probable de

ocurrencia. Al aplicar repetidas veces la seleccin de valores aleatorios


para cada uno de los factores, dentro de su propia distribucin de
probabilidad, se logra obtener un nmero suficiente de resultados como
para pronosticar la forma de la distribucin del comportamiento
probabilstico del VAN.
El modelo de Montecarlo simula los resultados que puede asumir el VAN
del proyecto, mediante la asignacin aleatoria de un valor a cada
variable pertinente del flujo de caja. La seleccin de valores aleatorios5
otorga la posibilidad de que, al aplicarlos repetidas veces a las variables
relevantes, se obtengan suficientes resultados de prueba para que se
aproxime a la forma de distribucin estimada.
Cada variable asume individualmente valores aleatorios concordantes
con una distribucin de probabilidades propia para cada una de ellas.
El modelo de simulacin de Montecarlo se diferencia del anlisis de
sensibilidad de Hertz en que, mientras en este ltimo los valores de las
variables son definidos sobre la base del criterio del evaluador y de
acuerdo con lo que l estima pesimista u optimista, en el primero se
asignan en funcin a la distribucin de probabilidades que se estime
para cada uno y dentro de un intervalo determinado por el evaluador. En
otras palabras, la simulacin permite experimentar para observar los
resultados que va mostrando el VAN, especialmente cuando existen
dudas del comportamiento de ms de una variable a la vez, pero no es
un instrumento que busca su optimizacin.
La definicin de la distribucin de probabilidades asignada a la
ocurrencia de cada uno de los factores se denomina supuesto de
entrada. Cuando se selecciona un valor para cada factor, se obtiene una
proyeccin para el VAN (o la variable que se desee simular), la que se
denomina supuesto de salida o pronstico. Al realizar muchas pruebas
probabilsticamente posibles, se puede observar la probabilidad con que
se repite un VAN o la probabilidad de que su resultado sea negativo o
positivo.

El Grfico representa la forma que asume el supuesto de salida despus


de mltiples pruebas aleatorias, pero probabilsticamente posibles con
base en su propia distribucin, de cada supuesto de entrada. Mientras
ms comportamientos favorables (fx) haya, mayor ser la probabilidad
de un VAN alto, y viceversa. El punto donde la lnea del VAN cruza el eje,
o sea, donde asume el valor 0, muestra el rea (hacia la izquierda) de
escenarios negativos, y, hacia la derecha, positivos. El modelo de
Montecarlo busca definir el porcentaje de escenarios observados ya sea
hacia la izquierda o derecha de ese punto.

Ventajas y desventajas
Ventajas:

Es un mtodo directo y flexible.


Existe un amplio abanico de programas y lenguajes destinados a
simular.
Cuando el modelo matemtico es demasiado complicado la
simulacin permite obtener una aproximacin.
La simulacin nos permite formular condiciones extremas con riesgos
nulos.
La simulacin no interfiere con el mundo real.
Permite experimentar. Permite estudiar la interaccin entre las
diferentes variables del problema.
Mediante la simulacin podemos influir en el tiempo de los
procesos.
La simulacin permite resolver problemas que no tienen solucin
analtica.

Desventajas:

Una buena simulacin puede resultar muy complicada, gran nmero


de variables.
La simulacin no genera soluciones ptimas globales.
No proporciona la decisin a tomar, sino que resuelve el problema
mediante aproximacin para unas condiciones iniciales.
Cada simulacin es nica, interviene el azar.

Modelo Multidimensional (Modelos de Montecarlo)


A diferencia del enfoque tradicional, el Modelo multidimensional permite
considerar una gran cantidad de variables y combinaciones a introducir
en las proyecciones financieras.
Se basa en la simulacin de distintos escenarios inciertos, los que
permiten estimar los valores esperados de las variables no controlables.
Esto brinda mayor utilidad en el proceso de toma de decisiones,
formulacin de estrategias y planes de accin.
Para valorar el efecto de la incertidumbre sobre los flujos de efectivo de
una empresa, existen en el mercado varias aplicaciones que utilizan
herramientas la simulacin Monte Carlo, sobre los modelos de
planificacin financiera elaborados en planillas electrnicas.
Una de las herramientas ms utilizada es el @Risk desarrollado por la
empresa Palisade, con la que se puede realizar anlisis de riesgos
utilizando la simulacin para mostrar mltiples resultados posibles,
determinando la probabilidad de que los mismos se produzcan.
Pare ello, se asignan distribuciones de probabilidad a las variables
relevantes del modelo, como por ejemplo, el comportamiento de las
ventas, el porcentaje de incobrables, los das estimados de cobranzas. A
su vez, se definen las variables de salida, ejemplo de estas son: el saldo
mensual de caja, la rentabilidad prevista, el dficit presupuestal.
El sistema calcula y controla objetivamente un gran nmero de
escenarios futuros posibles, y luego indica las probabilidades y riesgos
asociados con cada uno, permitiendo que los responsables de la
planificacin puedan decidir qu riesgos desean tomar y cules prefieren
evitar, tomando la mejor decisin en situaciones de incertidumbre.

La simulacin permite experimentar para observar los resultados que va


mostrando el VAN, especialmente cuando existen dudas del

comportamiento de ms de una variable a la vez; aunque no es un


instrumento que busca su optimizacin, s cuenta con una herramienta
de optimizacin y simulacin simultnea que permite obtener resultados
ms precisos bajo un conjunto de restricciones.
Para aplicar la simulacin de Montecarlo, se debe seguir un
procedimiento que consta de las siguientes etapas:
1. Construir el flujo de caja referenciando las celdas a aquellas sobre las
cuales se aplicar la simulacin. Cualquier software de simulacin
requiere que todos los valores del flujo, que dependan del valor que
asume aleatoriamente cada factor que servir para hacer la prueba,
se modifiquen automticamente en funcin del valor obtenido.
Por ejemplo, si la prueba define un nuevo valor para las unidades a
vender, en forma automtica debern modificarse los ingresos
proyectados para cada periodo, los costos (no solo en funcin del
cambio en la cantidad, sino tambin por las economas y des
economas de escala) o los impuestos, entre otros, y obviamente el
VAN.
2. Definir el modelo para cada supuesto de entrada (elegir la
distribucin de probabilidades que mejor represente el
comportamiento probabilstico de las variables elegidas).
3. Definir el pronstico de salida (el VAN u otro resultado que se quiera
observar, y el nmero de pruebas o, alternativamente, el nivel de
confianza deseado).
4. Ejecutar la simulacin.
5. Analizar la informacin grfica y numrica resultante.

Enfoque multidimensional
El enfoque multidimensional incluye en su modelo de proyecciones base,
distribuciones de probabilidad a las siguientes variables consideradas
claves:

Ventas proyectadas (utilizando las ventas histricas mensuales de los


ltimos 5 aos)
Porcentaje de ventas contado
Meses de cobranza de crditos
Porcentaje de incobrabilidad
Porcentaje de variacin de egresos operativos

Bibliografa

Nassir Sapag Cahin, Proyectos de Inversin. Formulacin y Evaluacin


Pearson educacin de Mxico S.A. de C.V., 2007
Nassir Sapag Cahin, Proyectos de Inversin. Formulacin y Evaluacin

2 edicin
Pearson educacin, Chile, 20011
CEPA l FERRERE . (Noviembre 2013). La consideracin del riesgo en la

planificacin financiera. CEPA l FERRERE.


Licesio J. Rodrguez. Simulacin de mtodo Monte Carlo. 2011
Universidad Autnoma de Madrid. Modelo de Montecarlo
https://www.uam.es/personal_pdi/ciencias/carlosp/html/pid/montecarl
o.html