Mtodo Montecarlo utilizado en proyectos

William Antonio Xil Barrios

Guatemala, 03 de abril de 2014

Mtodo Montecarlo Aplicado a Proyectos INDICE

INTRODUCCIN .................................................................................................... 1

1. MTODO MONTECARLO APLICADO A PROYECTOS .................................. 2

1.1. 1.2.

Definiciones ............................................................................................... 2 Cmo funciona el mtodo Montecarlo........................................................ 5 Descripcin de variables matemticas ................................................ 5 Pasos bsicos para generar una simulacin Montecarlo .................... 6

1.2.1. 1.2.2.

1.2.3. Aplicabilidad a proyectos de las distribuciones de probabilidad con el mtodo Montecarlo ........................................................................................... 7 1.3. 1.4. 1.5. Campos de aplicacin ................................................................................ 8 Ejemplos de aplicacin a los proyectos del mtodo ................................... 9 Ventajas y desventajas del mtodo Montecarlo ....................................... 10

CONCLUSIONES ................................................................................................. 12

BIBLIOGRAFA ..................................................................................................... 13

Mtodo Montecarlo Aplicado a Proyectos

Pgina |1

INTRODUCCIN

Debido a la complejidad de muchos sistemas, se hace necesario hacer aproximaciones numricas para determinar muestras de variables aleatorias. Estas estimaciones podran llevarse a cabo manualmente, con el gasto asociado de recursos.

Es all en donde nace la necesidad de realizar simulaciones para aproximar el comportamiento de una o diversas variables aleatorias. En este ensayo se presentarn las principales caractersticas del mtodo de simulacin de Montecarlo, su argumento matemtico, aplicaciones y ventajas y desventajas. Y ms importante, sus principales aplicaciones en proyectos, tanto de investigacin como de inversin.

Es importante hacer notar que las aplicaciones mencionadas incluyen amplia variedad de campos del conocimiento, no solamente los proyectos de inversin.

Mtodo Montecarlo Aplicado a Proyectos

Pgina |2

1. MTODO MONTECARLO APLICADO A PROYECTOS

1.1. Definiciones

En proyectos se hace necesario conocer las caractersticas de la poblacin a la que se dirige el mismo, y esto se realiza mediante la elaboracin de muestreos, sin embargo algunas veces las variables son aleatorias y determinar las caractersticas de la poblacin requerira grandes esfuerzos para realizar muestreos. Por lo tanto, se hace necesario simular dichas muestras. Entonces surge la interrogante de que es la simulacin.

Hay distintos tipos de simulacin, la cual puede definirse como un proceso que permite entender el comportamiento de un sistema o evaluar varias estrategias con las cuales operar el sistema, mediante el uso de un modelo computarizado. Se pueden mencionar los siguientes mtodos de simulacin: estadstica o Montecarlo, continua, por eventos discretos y por autmatas celulares (Universidad Nacional del Centro de la Pcia de Buenos Aires, 2005).

En este caso se prestar especial atencin a la simulacin estadstica o Montecarlo, y su aplicacin a los proyectos.

Como se mencion anteriormente, en proyectos se hace necesario realizar muestreos para determinar caractersticas de la poblacin, utilizando diferentes tcnicas, entre los que se pueden mencionar: el aleatorio simple, el sistemtico, el estratificado y por conglomerados.

Mtodo Montecarlo Aplicado a Proyectos

Pgina |3

Los mtodos mencionados anteriormente se llevan a cabo cuando no se conoce la distribucin de probabilidad de la poblacin, sin embargo para el caso contrario se utiliza el Mtodo Montecarlo, el cual es un procedimiento general para la seleccin de muestras aleatorias de una poblacin dado que se conoce su distribucin de probabilidad y se ha generado previamente una muestra de nmeros aleatorios (Sarabia Alegra & Pascual Saez, 2005).

Otra definicin del mtodo Montecarlo es la que presentan (Priss & Pepe, 2006): El Mtodo Monte Carlo es una herramienta de investigacin y planeamiento; bsicamente es una tcnica de muestreo artificial, empleada para operar numricamente sistemas complejos que tengan componentes aleatorios.

Por lo tanto, el mtodo Monte Carlo es una herramienta que permite manejar de una forma artificial procesos que contienen variables aleatorias, que se pueden modelar segn una distribucin de probabilidad, es decir, simular procesos. Surge ahora la interrogante de cul es la diferencia entre una variable aleatoria y un muestreo aleatorio.

Segn (Lind, Marchal, & Wathen, 2012) una variable aleatoria es una cantidad que resulta de un experimento que, por azar, puede adoptar diferentes valores. Y adems, stas pueden ser aleatorias discretas o aleatorias continuas. Para el primer caso los datos asumen valores enteros claramente diferenciados, y para el segundo los valores pueden ser cualquier nmero real. Por otro lado, si se ordenan los resultados de una variable aleatoria se obtiene como al final una distribucin de probabilidad. Esto es bastante til porque despliega un conjunto de resultados a diferencia de un valor puntual de la variable aleatoria.

Mtodo Montecarlo Aplicado a Proyectos

Pgina |4

Dado que una variable aleatoria puede adoptar diferentes valores, un muestreo aleatorio es aquel en donde se escoge una muestra en donde cada elemento o individuo de la poblacin tenga las mismas posibilidades de que se le incluya (Lind, Marchal, & Wathen, 2012).

Surge la interrogante ahora de cmo hacer un muestreo aleatorio. Esto puede realizarse convenientemente asignando un nmero de identificacin a cada individuo de la poblacin y generando una tabla de nmeros aleatorios para escoger la muestra. Los nmeros aleatorios deben cumplir con tres

caractersticas: deben tener igual posibilidad de salir elegidos, no debe existir correlacin serial y se generan por tablas o dispositivos especiales.

Lo anterior lleva a pensar que realizar un

muestreo para conocer una

caracterstica de la poblacin conlleva un gasto de recursos que podran reducirse al realizar simulacin de las muestras. Y es ah en donde el mtodo Montecarlo toma singular importancia, porque permite realizar no solamente un muestreo sino que simula varios escenarios para determinar la mejor decisin. De aqu que la simulacin Monte Carlo proporcione una serie de ventajas sobre el anlisis determinista o estimacin de un solo punto (Palisade Corporation, 2014).

En el caso del caudal disponible un pozo de agua subterrnea, por ejemplo, las condiciones que gobiernan la calidad de la misma suelen ser aleatorias y realizar muestreos todos los das sera poco prctico y requerira una gran cantidad de recursos, por lo que se hace necesario estimar valores a partir de simulaciones, dados los parmetros necesarios que permiten encontrar una distribucin de probabilidad.

Mtodo Montecarlo Aplicado a Proyectos 1.2. Cmo funciona el mtodo Montecarlo

Pgina |5

Se establece a continuacin la forma en que funciona el mtodo Montecarlo, las variables matemticas y los pasos a seguir para realizar la simulacin.

1.2.1.

Descripcin de variables matemticas

Es claro que este mtodo no provee una solucin esperada exacta, sino una aproximacin. Y para lograr esto es necesario que se ingresen ciertos parmetros al modelo de simulacin, que permitan calcular los diferentes escenarios.

El (Departamento de Investigacin Operativa, Universidad de la Repblica, 2010) considera que los parmetros necesarios utilizados para la simulacin son los siguientes:

: variable aleatoria (discreta o continua) : es la distribucin de probabilidad de X

: esperanza o valor esperado de la variable aleatoria (X), es el valor que se desea calcular a travs de la simulacin y se denota como

o Si la variable aleatoria es continua distribucin de probabilidad en el tiempo

, es decir la

o Si la variable aleatoria es discreta y toma valores en un conjunto C, tal que

: Varianza de la variable aleatoria X; : Desviacin estndar de la variable aleatoria X

Mtodo Montecarlo Aplicado a Proyectos

Pgina |6

: Coeficiente de variacin de la variable aleatoria X. Esta es una medida de la dispersin de una distribucin de probabilidad normalizada, tomando en cuenta el valor esperado E(X).

: Vector aleatorio de dimensin m, compuesto por m variables aleatorias distintas, dependientes o independientes. : muestra de n variables aleatorias independientes con la misma distribucin de X

1.2.2.

Pasos bsicos para generar una simulacin Montecarlo

La

(Universidad Nacional del Centro de la Pcia de Buenos Aires, 2005)

propone que para desarrollar este proceso de simulacin se deben llevar a cabo los siguientes pasos:

Definir y establecer el problema. Plan. Formular el modelo. Programar Verificar y validar el modelo Disear los experimentos y plan de corridas Analizar los resultados

Sin embargo, los lineamientos anteriores no establecen claramente el proceso matemtico para generar el modelo. El (Departamento de Investigacin Operativa, Universidad de la Repblica, 2010) sugiere un esquema bsico, pero ms especfico de cmo generar una simulacin por el mtodo Montecarlo, tomando en cuenta que se desea calcular cierto valor , y dado que se conoce la = E(X).

variable aleatoria X con su distribucin de probabilidad Fx tal que

Mtodo Montecarlo Aplicado a Proyectos El mtodo Montecarlo en su versin bsica consiste en:

Pgina |7

Generar aleatoriamente valores para un conjunto

, de

variables aleatorias a X, en base a Fx (distribucin de probabilidad de X) Calcular la suma de los valores generados, Calcular el estimador del valor esperado, Calcular la varianza del estimador del valor esperado,
( )

Notas aclaratorias: n representa el tamao de la muestra, o tambin llamado nmero de replicaciones. El conjunto replicaciones de X, se llama muestra.

Dado que en algunos casos no se conoce Var(X) entonces se calcula la varianza del estimador , y se identifica como .

En los pasos anteriores no se ha explicado la manera de seleccionar la distribucin de probabilidad Fx, y dado que es determinante, se explican a

continuacin los parmetros requeridos por cada una de las distribuciones ms utilizadas.

1.2.3.

Aplicabilidad a proyectos de las distribuciones de probabilidad con el mtodo Montecarlo

Dado que mediante el uso de distribuciones especficas de probabilidad se obtienen diferentes posibilidades para las variables aleatorias, se hace necesario describir entonces cuales son los parmetros necesarios para cada distribucin de probabilidad. (Palisade Corporation, 2014)

Mtodo Montecarlo Aplicado a Proyectos

Pgina |8

Distribucin Normal: Se definir la media (o valor esperado) y una desviacin estndar para describir la variacin respecto a la media. Ejemplos de variables que se pueden describir mediante esta distribucin son los ndices de inflacin y los precios de energa.

Log-Normal: se utiliza para representar variables aleatorias cuyos valores son superiores a cero, es decir, tienen un potencial positivo elevado. Ejemplos de variables que se pueden describir mediante esta distribucin son los valores de las propiedades inmobiliarias y bienes races, los precios de las acciones en la bolsa y las reservas de petrleo.

Uniforme: Se definir el mnimo y mximo para la variable aleatoria, en esta distribucin todos los valores tienen la misma posibilidad de producirse. Ejemplos de variables que se pueden describir mediante esta distribucin son los costos de manufacturacin y los ingresos por ventas futuras de un producto nuevo.

En general, es de vital importancia que la persona encargada de modelar un proceso que contiene variables aleatorias tenga en cuenta las caractersticas de la misma para seleccionar la distribucin de probabilidad que mejor se ajusta a su proyecto.

1.3.

Campos de aplicacin

La aplicacin del mtodo Montecarlo es de gran importancia en los proyectos, tanto de investigacin como de inversin. Para (Rodrguez Aragn, 2011) la simulacin tiene una gran importancia en nuestro mundo actual, esto es: Modelos a escala Tneles de viento Canales de agua Emergencia o catstrofes, entre otros.

Mtodo Montecarlo Aplicado a Proyectos

Pgina |9

Es clara la aplicacin del mtodo a las diferentes reas del conocimiento, sin embargo para (Molina Cordovez, 2011) este mtodo es indispensable para los escenarios que involucren incertidumbre. En ese contexto se puede mencionar un ejemplo en el que la incertidumbre es inevitable y los muestreos son inviables: estos son los sistemas moleculares, en los cuales se pueden simular: la distribucin de cargas moleculares, constantes cinticas de reaccin, energas libres, coeficientes de compresibilidad, capacidades calorficas, entre otros (Laboratorio de Qumica Computacional, 2014).

Es fcil entonces comprender la clasificacin de campos de aplicacin que propone (Umrigar, 2010). Para l hay cuatro grandes reas principales de aplicacin del mtodo, estas son: la fsica cuntica, qumica, ingeniera y finanzas y anlisis de riesgo.

Lo anterior da una idea de que la aplicacin del mtodo va desde lo infinitesimal a lo general, es decir, de lo poco tangible hasta las situaciones que gobiernan la vida actual. Para (Saavedra Barrera & Ibarra Mercado, 2009) la aplicacin en las finanzas es muy importante, porque buena parte de las opciones de valuacin y el clculo de coberturas no pueden realizarse en forma exacta, hay que aproximarlas por mtodo numricos, y para ellos el ms popular es el mtodo Montecarlo.

1.4.

Ejemplos de aplicacin a los proyectos del mtodo

Se puede mencionar una variedad de proyectos en los cuales se ha utilizado el mtodo para simular procesos, algunos ejemplos de ellos son:

Simulacin Monte Carlo de adsorcin de nitrgeno en un modelo molecular de carbn activado y su comparacin (AG Albesca, 2010)

Mtodo Montecarlo Aplicado a Proyectos

P g i n a | 10

Clculo del comportamiento de una lnea de transmisin frente al flameo inverso basado en el mtodo Montecarlo (Yugcha Guevara, 2010) Simulacin Monte Carlo de Pelculas Delgadas Ferromagnticas (Cossio, Mazo-Zuluaga, & Restrepo, 2006) La valoracin de las opciones reales mediante la simulacin de Monte Carlo. El caso de la inversin de Endessa en Latinoamrica (Bonis, 2007)

Es evidente que el campo de aplicacin del mtodo abarca muchas ramas del conocimiento, sin embargo para algunas se ha de ajustar mejor su estructura que para otras. En todo caso, no puede negarse que la aplicacin depende de la capacidad del investigador de establecer sus variables y conocer su distribucin de probabilidad para aplicar correctamente el mtodo.

1.5.

Ventajas y desventajas del mtodo Montecarlo

Dado que hay varias maneras de resolver un problema, cada una de las soluciones presenta ventajas y desventajas, es probable que un mtodo se ajuste mejor a la resolucin de un problema, pero no a otro. Por lo que a continuacin se presentan las ventajas y desventajas del mtodo de simulacin Montecarlo.

Segn (Rodrguez Aragn, 2011) algunas ventajas y desventajas son las siguientes:

Ventajas o Cuando el modelo matemtico es demasiado complicado la simulacin permite obtener una aproximacin. o La simulacin nos permite formular condiciones extremas con riesgos nulos.

Mtodo Montecarlo Aplicado a Proyectos

P g i n a | 11

o La simulacin no interfiere con el mundo real. Permite experimentar. o Permite estudiar la interaccin entre las diferentes variables del problema o Entre otras

Desventajas o Una buena simulacin puede resultar muy complicada, gran nmero de variables. o La simulacin no genera soluciones ptimas globales. o No proporciona la decisin a tomar, sino que resuelve el problema mediante aproximacin para unas condiciones iniciales. o Cada simulacin es nica, interviene el azar.

As, la decisin recae siempre sobre el proyectista, estudiante o investigador. El mtodo se ajusta bien en la medida que se aplique de una manera correcta, y que se conozcan las ventajas y desventajas del mtodo.

Mtodo Montecarlo Aplicado a Proyectos CONCLUSIONES

P g i n a | 12

1. Los mtodos de simulacin se utilizan por la necesidad de conocer las caractersticas de una variable aleatoria.

2. El mtodo Montecarlo es til para simular el comportamiento de muestras aleatorias, y su importancia radica en que sus resultados son una distribucin, y no solamente un resultado puntual. 3. La aplicacin del mtodo Montecarlo abarca una variedad de reas del conocimiento que incluyen desde la fsica cuntica hasta el anlisis de riesgos en las finanzas. 4. Como todo mtodo de simulacin, el Montecarlo tiene ventajas y desventajas, y depende del investigador, inversionista o determinar las mejores condiciones para aplicarlo. proyectista

Mtodo Montecarlo Aplicado a Proyectos BIBLIOGRAFA

P g i n a | 13

AG Albesca. (2010). Simulacin Monte Carlo de adsorcin de nitrgeno en un modelo molecular de carbn activado y su comparacin. Obtenido de http://dialnet.unirioja.es/servlet/articulo?codigo=3740930 Bonis, S. (2007). La valoracin de las opciones reales mediante la simulacin de Monte Carlo. . Revista Espaola de Financiacin y Contabilidad, 655-657. Cossio, P., Mazo-Zuluaga, J., & Restrepo, J. (2006). Simulacin Monte Carlo de Pelculas Delgadas Ferromagnticas. Revista Colombiana de Fsica, 14751478. Departamento de Investigacin Operativa, Universidad de la Repblica. (Enero de 2010). Facultad de Ingeniera - Universidad de la Repblica - Uruguay. Obtenido de http://www.fing.edu.uy/inco/cursos/mmc/unidad01/sesion02/transp.pdf Grijalva Yauri, Y. E. (2009). Captulo 8. Introduccin al mtodo de simulacin Montecarlo. Obtenido de www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r94434.PDF Laboratorio de Qumica Computacional. (02 de Abril de 2014). Mtodo Montecarlo - Luventicus. Obtenido de http://www.luventicus.org/laboratorio/MonteCarlo/index.html Lind, D. A., Marchal, W., & Wathen, S. (2012). Estadstica Aplicada a los Negocios y a la Economa. Mxico: McGraw-Hill/Interamericana Editores, S.A. de C.V. Molina Cordovez, P. J. (Octubre de 2011). Repositorio Digital ESPE: Valoracin financiera utilizando opciones reales y el mtodo de simulacin Montecarlo: una metodologa indispensable para escenarios de incertidumbre. Obtenido de http://repositorio.espe.edu.ec/bitstream/21000/4717/1/T-ESPE032842%20-MED.pdf Palisade Corporation. (02 de abril de 2014). Palisade: Simulacin Monte Carlo. Obtenido de http://www.palisade-lta.com/risk/simulacion_monte_carlo.asp

Mtodo Montecarlo Aplicado a Proyectos

P g i n a | 14

Priss, M. C., & Pepe, M. L. (11 de Agosto de 2006). Una Aplicacin del Mtodo de Monte Carlo. Obtenido de http://www.cyta.com.ar/ta0504/v5n4a5.htm Rodrguez Aragn, L. (15 de Marzo de 2011). Simulacin, Mtodo de Montecarlo. btenido de .uclm.es profesorado licesio ocencia mcoi ema guion.pdf Saavedra Barrera, P., & Ibarra Mercado, V. H. (2 de Septiembre de 2009). El mtodo Montecarlo y su aplicacin a Finanzas. Obtenido de http://docencia.izt.uam.mx/psb/coloq.pdf Sarabia Alegra, J. M., & Pascual Saez, M. (2005). Curso bsico de estadstica para economia y administracin de empresas. Cantabria: Servicio de Publicaciones de la Universidad de Cantabria. Umrigar, C. (15 de Febrero de 2010). Monte Carlo Methods. Obtenido de http://pages.physics.cornell.edu/~sethna/teaching/ComputationalPhysics/Le ctureScans/CyrusMonteCarlo.pdf Universidad Nacional del Centro de la Pcia de Buenos Aires. (2005). Simulacin Mtodo Monte Carlo. Obtenido de http://www.google.com.gt/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ca d=rja&uact=8&ved=0CC0QFjAA&url=http%3A%2F%2Fxa.yimg.com%2Fkq %2Fgroups%2F22897790%2F1844327217%2Fname%2FApunte_Teorico_ MC_2005.pdf&ei=X1M8U5LEAsrIsAT5goCACg&usg=AFQjCNHTEnqkuc_M 0zP-_1gqJ2M Yugcha Guevara, F. (2010). Clculo del comportamiento de una lnea de transmisin frente al flameo inverso basado en el mtodo Montecarlo. Obtenido de bibdigital.epn.edu.ec/bitstream/15000/2614/1/CD-3291.pdf