Aplicacin del Mtodo de Monte Carlo en el Anlisis de

Riesgo de los Proyectos

Automatizacin del Modelo de Monte Carlo

De forma simplificada, se puede aplicar el Modelo de Monte Carlo en

el Excel de la siguiente forma:

1. Estimar la escala de valores que podra alcanzar cada factor, y la

probabilidad de ocurrencia asociada a cada valor.

2. Elegir, aleatoriamente, uno de los valores de cada factor, y

dependiendo de la combinacin seleccionada, computar la tasa de
rendimiento resultante

3. Repetir el mismo proceso una y otra ves, la cantidad de veces que

sea necesaria, que permita definir y evaluar la probabilidad de
ocurrencia de cada posible tasa de rendimiento. Como existen
millones de posibles combinaciones de factores, necesitamos
efectuar un nmero de pruebas suficientemente grande para que
pueda apreciarse la posibilidad de ocurrencia de las varias tasas de
rendimiento. El resultado a que se llegar ser una lista de distintas
tasas de rendimiento que podran lograrse, que puede variar desde
una prdida (si los factores son adversos) hasta la ganancia mxima
que sea posible lograr conforme con los pronsticos que se hayan
efectuado

4. Se calcula la tasa media esperada, que es el promedio ponderado

de todas las tasas resultantes de las sucesivas pruebas realizadas,
siendo la base de ponderacin la probabilidad de ocurrencia de cada
una.

5. Tambin se determina la variabilidad de los valores respecto del

promedio, lo que es importante porque a igualdad de otros factores,
la empresa presumiblemente preferir los proyectos de menor
variabilidad.

Dependiendo de la poltica de decisin, el proceso lo podremos

aplicar a la tasa interna de retorno o al valor actual neto. Los
ejercicios aqu presentados trabajan en base al valor actual neto.

Ejercicios

Presentaremos dos ejercicios uno para distribuciones discretas y otro

para distribuciones continuas.

Puede seguir conjuntamente la explicacin para cada distribucin, a

travs de su respectiva planilla de clculo

Para Distribuciones Discretas

Pgina 1 de 11
 Para Distribuciones Continuas

Para distribuciones discretas:

Bastara colocar la distribucin discreta basada en la funcin de

probabilidad acumulada (entre 0% y 100%), generar un aleatorio (
por la funcin =aleatorio()) y , por ejemplo, a travs de una funcin
de bsqueda y referencia (buscarv()) identificar el valor
correspondiente.

Usando una funcin de buscar y referencia, como buscarv. del Excel,

podramos generar aleatorios y as aseguramos la aleatoriedad de las
cantidades obtenidas, y que luego de "n" simulaciones ("n" no
debera ser menor a 1.000) , permitira calcular el promedio y el
riesgo de la distribucin.

Veamos un ejemplo para distribuciones Discretas y uno para

Distribuciones Continuas

Distribucin Discreta:

Pgina 2 de 11
Si hacemos mil simulaciones encontraremos que el promedio y el
riesgo tienden a estabilizarse prximos a los valores poblacionales
anteriormente calculados. Recuerde que para activar la frmula
aleatorio debe presionar la tecla F9.

Para realizar una tabla de estas simulaciones se puede realizar una

macro; la cual valla tomando los valores, los lleve a otra hoja ( use

Pgina 3 de 11
el pegado especial para pasar las frmulas a valores); para esta
misma macro debe usar las posiciones relativas para que se vallan
incorporando los registros.

Plotenado el grfico de los nmeros de simulaciones con los valores

del promedio y el desvo, puede percibirse que prximo a las 200
simulaciones, los valores se tienden a estabilizar.

Distribuciones Continuas:

En nuestro modelo de simulacin estocstico, existen varias

varialbles aleatorias intercatuando. Y estas variables, siguen
distribuciones de probabilidad tericas o empricas distintas a la
distribucin uniforme. Por esta razn, para simular este tipo de
variables, es necesario contar con un generador de nmeros
uniformes y una funcin que a travs de un mtodo especfico,
transforme estos neros en valores de distribucin normal.

Existen varios procedimientos para lograr este objetivo, en este

trabajo se adopt el siguiente procedimiento especial para generar
nmeros al azar que sigan la distribucin de probaiblidad:

Para cada tipo de distribucin continua, se puede montar una funcin

estocstica; en nuestro caso, una distribucin normal puede ser
expresado por:

Pgina 4 de 11
para expresar la distribucin acumulada de la distribucin normal en
forma explcita, utilizamos el teorema del lmite central, el cual
establece que la suma de n variables aleatorias independientes se
aproxima a una distribucin nomral a medida que n se aproxima a
infinito.

Que expresado en forma de teorema sera:

Si x1,x2,.......xn es una secuencia de n variables aleatorias

independientes con E(x)=i y var (x)= 2i (ambas finitas) y Y=
a1x1+a2x2+.....+anxn, entonces bajo ciertas condiciones generales:

Tiene una distribucin normal estndar a medida que n se aproxima

a infinito.

Si las variables que se estn sumando son uniformes en el intervalo

(0;1) entonces.

donde R es un nmero aleatrio

Tiene una distribucin normal estndar. Puesto que la normal

estndar de una variable aleatoria x distribuida normalmente se
obtiene como:

entonces, la simulacin de la variable aleatoria x se hara de acuerdo

a la siguiente expresin:

Finalmente, utilizando un valor de n=12, la confiabilidad de los

valores simulados es bastante aceptable.

Y utilizando un valor de n=12, la ltima expresin se simplifica a:

Pgina 5 de 11
Para hacer esta operacin en el Excel, se debe usar la funcin
=aleatorio().

=((((ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALE
ATORIO()+ALEATORIO()+
ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATOR
IO()+ALEATORIO())-6)*Desvo + Promedio))

A continuacin se presenta un ejemplo de la utilizacin del mtodo

de Monte Carlo en la planilla de Microsoft Excel:

Estos son los datos del Ejercicio:

Luego se comienza a construir el Modelo:

Para cada tipo de gaseosa se calcula:

El Acumulando de las probabilidades

El promedio y el riesgo

Se aplica la funcin aleatrorio() y buscarv()

Se aplica la funcin estocstica para determinar la cantidad.

Pgina 6 de 11
Luego y en funcin de estos valores se procede al clculo del Valor
Actual Neto, utilizando la funcin predeterminada del Excel VNA;
recuerde que la inversin inicial correspondiente al momento 0, va
leteando a esta funcin.

Una vez que se tiene la estructura para el clculo del Valor Actual
Neto, se puede realizar una macro que valla acumulando los

Pgina 7 de 11
registros de cada valor puntual que correspondan al Valor Actual
Neto, a medida que se activa la funcin aleatoria para cada
simulacin. Adems se puede ir calculando los valores
correspondientes del promedio y del desvo, a fin de poder estudiar
el comportamiento del modelo.

Se puede construir el Histograma correspondiente a los valores del

Valor Actual Neto, para ello se recurre a la opcin Histograma
localizada en el Anlisis del datos, que se encuentra en Herramientas
del asistente. Utilizando la funcin de Anlisis de datos

Pgina 8 de 11
Con los datos de la tabla que se encuentran el promedio y el riesgo
del Valor Actual Neto, se construye el grfico del Promedio y del
desvo muestral por nmero de simulaciones.

Pgina 9 de 11
Al construir el Histograma se cuenta con la opcin de realizar el
grfico automticamente y adems adicionar el porcentaje
acumulado. El resultado se muestra en la siguiente imagen.

Bibliografa.

Adriano Leal Bruni, Rubens Fam, Jos de Oliveira Siqueira,

Anlise Do Risco Na Avaliaao De Projetos De Investimento: Uma
Aplicaao Do Mtodo De Monte Carlo; Caderno de Pesquisas em
Administraao, Sao Paulo, V.1, N6,1 Trim./98.

Anlisis de la rentabilidad de inversiones en la empresa

argentina, Federacin Argentina de Consejos Profesionales en
Ciencias Econmicas, rea Administracin, Informe N 1, Ediciones
Macchi, Buenos Aires 1988.

Coss Bu, Rauil, Simulacin Un enfoque prctico, Editorial Limusa,

Mxico 1995

Costa Luiz Guilherme Tinoco Aboim e Azevedo, Marco Correia

Lima. Anlise Fundamentalista. Rio de Janeiro:FGV/EPGE.1996.

David B Hertz, La incertidumbre y el riesgo en la evaluacin de

proyectos de inversin, Harvard Business Review, enero-febrero
1964, pg. 95.

Jorge Luis Narvez, El lado Oscuro de la Estratgia, C&C, Buenos

Aires1996

Marcelo Claudio Periss, Proyecto Informtico, Buenos Aires 2001

ISBN: 987-43-2947-5.

Pgina 10 de 11
Marcelo Claudio Periss, Sistema para el Soporte de Decisiones -
Una Metodologa para su Desarrollo, Aplicacin Tributaria Revista
Informate, Noviembre 2000.

Seila, Andrew F. y Banks, Jerry; Spreadsheer Risk Analysis Using

Simulation, 1990.

Pgina 11 de 11