UNIVERSIDAD CENTRALDEL ECUADOR

FACULTAD DE CIENCIAS ECONÓMICAS

MODELOS DE SIMULACIÓN

TEMA: MODELO DE SIMULACIÓN DE MONTECARLO

INTEGRANTES:

Daniela Albán

Silvana Quilca

CURSO: 22

FECHA: 22/01/2019
Contenido
Modelo de Simulación de Montecarlo ....................................................................................... 3
1. Definición ............................................................................................................................. 3
2. Fundamentos de la simulación de Monte Carlo ............................................................... 3
3. Funciones de distribuciones de probabilidad (FDP) ........................................................ 4
4. Para qué se utiliza la simulación de Montecarlo .............................................................. 5
5. Cómo funciona la simulación Monte Carlo ...................................................................... 5
6. Ventajas y Desventajas ....................................................................................................... 8
7. Aplicación en las Finanzas .................................................................................................. 8
8. Pasos para construir un modelo ......................................................................................... 9
Conclusiones ................................................................................................................................ 9
Bibliografía ................................................................................................................................ 10
Modelo de Simulación de Montecarlo

1. Definición
La simulación Monte Carlo es una técnica matemática computarizada que permite
tener en cuenta el riesgo en análisis cuantitativos y tomas de decisiones. Esta técnica es
utilizada por profesionales de campos tan dispares como los de finanzas, gestión de
proyectos, energía, manufacturación, ingeniería, investigación y desarrollo, seguros,
petróleo y gas, transporte y medio ambiente.
La simulación Monte Carlo ofrece a la persona responsable de tomar las decisiones
una serie de posibles resultados, así como la probabilidad de que se produzcan según las
medidas tomadas. Muestra las posibilidades extremas los resultados de tomar la medida
más arriesgada y la más conservadora así como todas las posibles consecuencias de las
decisiones intermedias. (Palisade , 2018)

2. Fundamentos de la simulación de Monte Carlo

Se establece que para implementar la simulación de Monte Carlo en su estado puro, la
cual está fundamentada en la generación de números aleatorios, se deben seguir los
siguientes pasos:
 Determinar las variables aleatorias y sus distribuciones.
 Iterar tantas veces como sean necesarias:
o Generar un número aleatorio.
o Uniforme [0,1].
o Determinar el valor para el número aleatorio generado de acuerdo al
rango clases que se especifiquen.
 Calcular media, desviación estándar o métodos estadísticos comparables.
 Analizar los resultados.
Teniendo en cuenta estas dos aproximaciones, se puede decir que existen tres concept
básicos que se deben de considerar en el momento de aplicar la simulación de Mont Carlo
las variables aleatorias, las funciones de densidad de probabilidad (FDP) y la manera d
interpretar estos resultados mediante el uso de iteraciones. A continuación se explica esto
conceptos. (Dan, 2015)
 Variables aleatorias Se denomina una variable aleatoria, a una variable X que puede
tomar un conjunto de valores {x0, x1, x2, ... xn-1} con probabilidades {p0, p1, p2, ... pn-
1}. El problema crucial de la aplicación del método de Monte Carlo es hallar los valores
de una variable aleatoria con una distribución de probabilidad dada por la función P(s) a
partir de los valores de una variable aleatoria uniformemente distribuida en el intervalo
[0, 1), proporcionada generalmente por algún generador de números aleatorios. Existen
diferentes tipos de variables aleatorias, a continuación se explican las más comunes:
 Discretas: una variable aleatoria representada mediante una distribución discreta
de probabilidad puede tomar un valor de entre un conjunto de valores, cada uno
de los cuales tiene asignada una determinada probabilidad de ocurrencia.
 Continuas: una variable aleatoria representada mediante una distribución continua
de probabilidad puede tomar cualquier valor dentro de un rango determinado.
 Paramétricas: la distribución de probabilidad se ajusta a la descripción matemática
de un proceso aleatorio que cumple con determinados supuestos teóricos. Los
parámetros que definen la distribución en general no guardan relación intuitiva
con la forma de la distribución.
Por lo tanto, para simular un proceso o hallar la solución de un problema matemático
usando esta metodología es necesario usar gran cantidad de estos números o variables
aleatorias, ya que este método consiste en tomar un solución válida, provocar una pequeña
variación aleatoria, y si la nueva configuración cumple con las restricciones, se registra
esa nueva solución; si no, se queda con la antigua. (Dan, 2015).

3. Funciones de distribuciones de probabilidad (FDP)

Toda variable aleatoria posee una distribución de probabilidad que describe su
comportamiento. Si la variable es discreta, es decir, si toma valores aislados dentro de un
intervalo, su distribución de probabilidad especifica todos los valores posibles de la
variable junto con su probabilidad de ocurrencia. Si la variable es continua, es decir,
cuando la variable puede tomar cualquier valor de un intervalo, la distribución de
probabilidad permite determinar las probabilidades correspondientes a subintervalos de
valores. En la siguiente tabla se muestran algunas de las FDP más comunes.
 Distribución Descripción Usos
Normal Da un valor con media Análisis de valores de resultados de
prueba.
Triangular Da un valor con parámetros Cuando no se conoce la forma de
optimista, normal y pesimista distribución pero se pueden estimar los
escenarios.
Uniforme Da un valor con parámetros Cuando dentro de un rango conocido
mínimo y máximo todos los valores tienen la posibilidad
de ocurrir.
(Dan, 2015)

4. Para qué se utiliza la simulación de Montecarlo

La simulación de Montecarlo se utiliza tanto en empresas como en inversión. Siendo
en el mundo de la inversión donde más se utiliza. Algunos ejemplos de simulación de
Montecarlo en inversión son los siguientes:

 Crear, valorar y analizar carteras de inversión

 Valorar productos financieros complejos como las opciones financieras
 Creación de modelos de gestión de riesgo

5. Cómo funciona la simulación Monte Carlo

La simulación Monte Carlo realiza el análisis de riesgo con la creación de modelos de
posibles resultados mediante la sustitución de un rango de valores —una distribución de
probabilidad— para cualquier factor con incertidumbre inherente. Luego, calcula los
resultados una y otra vez, cada vez usando un grupo diferente de valores aleatorios de las
funciones de probabilidad. Dependiendo del número de incertidumbres y de los rangos
especificados, para completar una simulación Monte Carlo puede ser necesario realizar
miles o decenas de miles de recálculos. La simulación Monte Carlo produce
distribuciones de valores de los resultados posibles.
El análisis de riesgo se puede realizar cualitativa y cuantitativamente. El análisis de
riesgo cualitativo generalmente incluye la evaluación instintiva o “por corazonada” de
una situación, y se caracteriza por afirmaciones como “Eso parece muy arriesgado” o
“Probablemente obtendremos buenos resultados”. El análisis de riesgo cuantitativo trata
de asignar valores numéricos a los riesgos, utilizando datos empíricos o cuantificando
evaluaciones cualitativas. Vamos a concentrarnos en el análisis de riesgo cuantitativo.

Mediante el uso de distribuciones de probabilidad, las variables pueden generar

diferentes probabilidades de que se produzcan diferentes resultados. Las distribuciones
de probabilidad son una forma mucho más realista de describir la incertidumbre en las
variables de un análisis de riesgo. Las distribuciones de probabilidad más comunes son:
Normal – O “curva de campana”. El usuario simplemente define la media o valor
esperado y una desviación estándar para describir la variación con respecto a la media.
Los valores intermedios cercanos a la media tienen mayor probabilidad de producirse. Es
una distribución simétrica y describe muchos fenómenos naturales, como puede ser la
estatura de una población. Ejemplos de variables que se pueden describir con
distribuciones normales son los índices de inflación y los precios de la energía.
Log. Normal: Los valores muestran una clara desviación; no son simétricos como en
la distribución normal. Se utiliza para representar valores que no bajan por debajo del
cero, pero tienen un potencial positivo ilimitado. Ejemplos de variables descritas por la
distribución log. Normal son los valores de las propiedades inmobiliarias y bienes raíces,
los precios de las acciones de bolsa y las reservas de petróleo.
Uniforme: Todos los valores tienen las mismas probabilidades de producirse; el
usuario sólo tiene que definir el mínimo y el máximo. Ejemplos de variables que se
distribuyen de forma uniforme son los costos de manufacturación o los ingresos por las
ventas futuras de un nuevo producto.
Triangular: El usuario define los valores mínimo, más probable y máximo. Los
valores situados alrededor del valor más probable tienen más probabilidades de
producirse. Las variables que se pueden describir con una distribución triangular son el
historial de ventas pasadas por unidad de tiempo y los niveles de inventario.

PERT: El usuario define los valores mínimo, más probable y máximo, como en la
distribución triangular. Los valores situados alrededor del más probable tienen más
probabilidades de producirse. Sin embargo, los valores situados entre el más probable y
los extremos tienen más probabilidades de producirse que en la distribución triangular;
es decir, los extremos no tienen tanto peso. Un ejemplo de uso de la distribución PERT
es la descripción de la duración de una tarea en un modelo de gestión de un proyecto.

Discreta: El usuario define los valores específicos que pueden ocurrir y la

probabilidad de cada uno. Un ejemplo podría ser los resultados de una demanda legal:
20% de posibilidades de obtener un veredicto positivo, 30% de posibilidades de obtener
un veredicto negativo, 40% de posibilidades de llegar a un acuerdo, y 10% de
posibilidades de que se repita el juicio.

Durante una simulación Monte Carlo, los valores se muestrean aleatoriamente a partir
de las distribuciones de probabilidad introducidas. Cada grupo de muestras se denomina
iteración, y el resultado correspondiente de esa muestra queda registrado. La simulación
Monte Carlo realiza esta operación cientos o miles de veces, y el resultado es una
distribución de probabilidad de posibles resultados. De esta forma, la simulación Monte
Carlo proporciona una visión mucho más completa de lo que puede suceder. Indica no
sólo lo que puede suceder, sino la probabilidad de que suceda.

La simulación Monte Carlo proporciona una serie de ventajas sobre el análisis

determinista o “estimación de un solo punto”:
Resultados probabilísticos. Los resultados muestran no sólo lo que puede suceder,
sino lo probable que es un resultado.
Resultados gráficos. Gracias a los datos que genera una simulación Monte Carlo, es
fácil crear gráficos de diferentes resultados y las posibilidades de que sucedan. Esto es
importante para comunicar los resultados a otras personas interesadas.
Análisis de sensibilidad. Con sólo unos pocos resultados, en los análisis deterministas
es más difícil ver las variables que más afectan el resultado. En la simulación Monte
Carlo, resulta más fácil ver qué variables introducidas tienen mayor influencia sobre los
resultados finales.
Análisis de escenario. En los modelos deterministas resulta muy difícil modelar
diferentes combinaciones de valores de diferentes valores de entrada, con el fin de ver los
efectos de situaciones verdaderamente diferentes. Usando la simulación Monte Carlo,
los analistas pueden ver exactamente los valores que tienen cada variable cuando se
producen ciertos resultados. Esto resulta muy valioso para profundizar en los análisis.
 Correlación de variables de entrada. En la simulación Monte Carlo es posible
modelar relaciones interdependientes entre diferentes variables de entrada. Esto es
importante para averiguar con precisión la razón real por la que, cuando algunos factores
suben, otros suben o bajan paralelamente. (Palisade , 2018)

6. Ventajas y Desventajas
Ventajas:
 Es un método directo y flexible.
 Existe un amplio abanico de programas y lenguajes destinados a simular.
 Cuando el modelo matemático es demasiado complicado la simulación permite
obtener una aproximación.
 La simulación nos permite formular condiciones extremas con riesgos nulos.
 La simulación no interfiere con el mundo real. Permite experimentar.
 Permite estudiar la interacción entre las diferentes variables del problema.
 Mediante la simulación podemos “influir en el tiempo” de los procesos.
 La simulación permite resolver problemas que no tienen solución analítica.
Desventajas:

 Una buena simulación puede resultar muy complicada, gran número de

variables.
 La simulación no genera soluciones óptimas globales.
 No proporciona la decisión a tomar, sino que resuelve el problema mediante
aproximación para unas condiciones iniciales.
 Cada simulación es única, interviene el azar (Rodríguez-Aragón, 2011)
7. Aplicación en las Finanzas
Es necesario en la valoración de proyectos empresariales y de inversión Es
evidentemente, hay un componente de probabilidad que se basa en estimaciones, y
cuantas más proyecciones hagamos, más preciso será el resultado estimado. En ese
sentido, la capacidad de cálculo cada día es mayor, y favorece el uso de estas
metodologías.

De todos modos, el resultado obtenido se basa en unos grados de confianza. Es decir,

obtenemos un resultado y una probabilidad de acierto.
Hay variables que sabemos de partida, por tanto se asumen como datos del modelo. En
cambio, las que desconocemos y queremos estimar, son sobre las que trabajaremos y
denominamos variables dependientes. (Bank, 2018)

Aunque, cada vez se aplica a más ámbitos, hay dos en los que se usa de forma habitual:

 Rentabilidad de proyectos: Calculamos la TIR y el VAN para poder determinar

si es interesante hacer una inversión, o bien al contrario, qué inversión sería
necesaria.
 Riesgos: Hay dos elementos básicos en la estimación del riesgo, la probabilidad
de que ocurra el evento y la gravedad. Es decir, para medir el riesgo de incendio,
estimaríamos qué probabilidad hay de que se produzca un incendio y qué daños
podría ocasionar.

8. Pasos para construir un modelo

a. Se construye el modelo financiero.
b. Se seleccionan las variables a estudiar.
c. Asignar una distribución de probabilidades a los valores que van a tomar las
variables.
d. Generación de números aleatorios, para seleccionar un valor al azar.
e. Registrar la solución del modelo ante el nuevo valor de las variables.
f. Automatizar el proceso de registrar la respuesta.
g. Realizar análisis de riesgo.

Conclusiones

 El modelo de Monte Carlo es una herramienta con la que se puede tomar

decisiones para la ejecución proyectos de inversión; así como una mejor gestión

de costos, basadas en una simulación que incorpora factores, variables y

parámetros que se ajustan a una realidad más exacta al tomar en cuenta la

incertidumbre como elemento inherente a las condiciones de una inversión en

varios sectores.
  Además existen varias aplicaciones de software que permiten llevar a cabo la

simulación de Monte Carlo, y que, son diseñadas específicamente como un

complemento a los cálculos en Excel además de que son considerados como una

alternativa a otros programas comerciales.

Bibliografía
Bank, E. S. (25 de Mayo de 2018). Self Bank. Obtenido de https://blog.selfbank.es/el-metodo-
montecarlo-en-finanzas/

Dan, J. R. (2015). Introducción del Factor Humano al Análisis de Riesgo. Barcelona: Centro de
Estudios del Riesgo Tecnológico (CERTEC).

Palisade . (2018). Obtenido de Palisade: https://www.palisade-

lta.com/risk/simulacion_monte_carlo.asp

Rodríguez-Aragón, L. J. (2011). Simulación, Método de Montecarlo. Obtenido de

https://previa.uclm.es/profesorado/licesio/Docencia/mcoi/Tema4_guion.pdf