ndice

Introduccin ........................................................................

Antecedentes .....................................................................

Captulo I: Introduccin a la simulacin de riesgos

La necesidad del anlisis de riesgo .....................................................

Estimacin y cuantificacin del riesgo .................................................

Simulacin

o Definicin .......................................................................................

o Etapas del Proceso de Simulacin ..............................................

o Mtodos de Simulacin ...............................................................

o Simulaciones en @RISK .........................................................

Captulo II: Conceptos y fundamentos del @RISK

Concepto de @RISK ...........................................................................

Caractersticas de @RISK ...................................................................

reas de aplicacin .............................................................................

Fundamentos de la metodologa de simulaciones ..............................

Conceptos usuales en la simulacin ..............................................

Captulo III: Metodologa Montecarlo

Origen y definicin ...............................................................................

Ventajas de la metodologa Montecarlo ..............................................

 Toma de muestras de Montecarlo .......................................................

Modelacin ..........................................................................................

Distribuciones de probabilidad

Captulo IV: Fases de Montecarlo

Seleccin de las funciones de probabilidad .......................................

Identificacin de las variables sobre las que medir el riesgo ............

Simulacin Computacional .................................................................

Obtencin del perfil de riesgo y de resultados ...................................

Captulo V: Modelo aplicativo basado en la Metodologa

Montecarlo en @RISK
 Introduccin

El anlisis de riesgo es una de las dificultades de todo ente organizacional para

el crecimiento del mismo. Existen muchos proyectos o trabajos que a falta de un

anlisis de riesgo llegar a perder la cantidad de dinero desembolsado para la

ejecucin de ese trabajo.

Existen una gran cantidad de mtodos para el clculo de los riesgos que

combinan las tcnicas cuantitativa y cualitativa en mayor o en menor grado. El

objetivo de cualquiera de estos mtodos es ayudar a la individuo a elegir la

accin que se debe tomar, pero teniendo en cuenta los posibles resultados de

cada accin. Por esto esta investigacin explica uno de los modelos ms

factibles en el mercado como lo es Montecarlo a travs de un ejemplo prctico

que se mencionar en el captulo IV.

En conclusin, esta monografa est dirigida a mucho de los empresarios y/o

grupo de personas que trabajan por un fin comn para su accionar de

prevencin, tomando las medidas necesarias para superar las dificultades que

muestren los resultados de la simulacin.

 Antecedentes

R. D. Molina A. (2015). Simulacin Monte Carlo para evaluar diseos de

planes de prueba de vida acelerada. Revista Culcyt.

Este artculo nos dice que las pruebas de vida acelerada proveen informacin

sobre la vida de componentes de manera rpida. Informa que esto se logra al

correr las pruebas de vida en niveles de esfuerzo ms elevados que las

condiciones de uso. Adems, explica que las caractersticas de vida en el

esfuerzo de diseo pueden ser estimadas a travs de extrapolacin y que para

llevar a cabo eficientemente una prueba de vida acelerada algunas variables de

decisin como la proporcin de unidades a colocar en cada nivel de esfuerzo y

la seleccin de los niveles de esfuerzo debern ser elegidas cuidadosamente en

la etapa de diseo ya que estas variables afectan el costo de la prueba y la

precisin en la estimacin de los parmetros de inters.

En este trabajo de investigacin se disea un plan de prueba utilizando

simulacin Monte Carlo. Los resultados muestran que el plan de prueba

compromiso seleccionado tiene buenas propiedades estadsticas y que es

adecuado para ser aplicado al sensor de nivel sellado.

Aporte: Este artculo cientfico tendr una participacin cognitiva en la

preparacin del ejemplo prctico para la simulacin.

Horus Emmanuel Salazar Garca (2014). Metodologa para el

planteamiento de sistemas de distribucin considerando incertidumbre

en la demanda.
Este trabajo propone una metodologa empleando para su solucin un Algoritmo

gentico de Chu-Beasley con el fin de solucionar el problema del planeamiento

de sistemas de distribucin de energa elctrica considerando incertidumbre en

la demanda. Para involucrar la incertidumbre en la metodologa se emplea un

mtodo de Simulacin de Montecarlo, donde la demanda es modelada como una

funcin de distribucin normal. En el modelo matemtico del problema se

consideran costos de instalacin de nuevos elementos (tramos de red y

subestaciones), repotenciacin de subestaciones y tramos de red existentes, y

costos operativos relacionados con las prdidas tcnicas del sistema. El conjunto

de restricciones est compuesto por las ecuaciones de balance nodal,

capacidades mximas permitidas para los elementos, mxima cada de tensin

permitida y radialidad de la red. La metodologa es aplicada a un sistema de

prueba de la literatura, en el cual los resultados obtenidos reflejan la validez de

la metodologa, aportando al estado del arte en esta temtica.

Aporte: Ayudar a comprender la incertidumbre que se puedan encontrar en

ciertas variables del caso.

L. Ruiz, J. Suarez et.al (2015). Aplicacin de simulacin Monte Carlo en

un sistema de inventarios. Medios y soluciones administrativas LTDA.

El presente proyecto consiste en la Implementacin del modelo de simulacin

Montecarlo para un sistema de inventarios aplicado en la compaa Medios y

Soluciones Administrativa LTDA, la compaa actualmente ya posee un sistema

de inventario para ciertos productos, pero en aquellos tiempos no lo posea

Al no contar con un sistema de inventarios sobre estos productos no se tiene un

control total sobre ellos y se dificulta medir su demanda, adems de que no

podemos saber con claridad en que momento llegamos a un punto de desabasto,

lo cual nos genera no solo perdidas en tiempo de respuesta y demoras sino

tambin a nivel econmico.

Con la implementacin de Modelo Montecarlo, obtuvo un control sobre los

productos la cantidad a ordenar el costo de mantenerlos y los tiempos entre cada

uno de los pedidos evitando un desabasto demoras en las entregas y una

reduccin en los costos.

Aporte: Nos servir como gua en el control del aspecto econmico de nuestro

modelo prctico a presentar en esta monografa.

D. Rodrguez & A. Trespalacios (2015). Medicin de Valor en Riesgo en

Cartera de Clientes a travs de Modelos Logsticos y Simulacin de

Montecarlo. Universidad Nacional de Colombia.

En este artculo se define a los credit score como anlisis discriminatorios que

proporcionan herramientas de decisin para evaluar los riesgos de crdito en

una entidad financiera. Indica que el establecer los parmetros de riesgo de

impago de los clientes ayuda a mitigar las prdidas monetarias que afectan

directamente en activos y patrimonio. Estos parmetros calculados con modelos

logsticos, combinados con simulaciones Montecarlo basados en distribuciones

Bernoulli y niveles de confianza (VaR) aportan una herramienta dinmica que

puede estructurar nuevas polticas de productos financieros y mejoramiento de

anlisis de prdida. En este trabajo se muestra que se oper con la informacin

de los clientes de una cooperativa de ahorro y crdito ubicada en Armenia

Quindo y de la cual se obtuvo un modelo establecido en 10 variables

socioeconmicas las cuales arrojaron un modelo discriminatorio logstico, en el

que se la cartera de clientes que an tienen sus crditos en pago, mostrando el

riesgo de impago de la siguiente cuota y su interpretacin.

Aporte: Ayudar a medir los valores de riesgo monetario.

J. Reyes. et.al (2009). RISK. Universidad Nacional de Colombia, Facultad

de Ciencias Econmicas.

Esta investigacin nos explica que @RISK es una aplicacin que se puede

desarrollar en Excel, que permite realizar modelacin y anlisis de riesgos en

diversos escenarios desde reas financieras hasta cientficas, utilizando

simulacin de Monte Carlo. Informa que actualmente @RISK cuenta con tres

ediciones para satisfacer el mercado, como lo son: @RISK Industrial, @RISK

Professional y @RISK Estndar, de aqu la importancia comercial de este.

@RISK se encuentra disponible en ingls, espaol, francs, alemn, japons e

italiano; y cuenta con 38 funciones de probabilidad disponibles que identifica los

elementos crticos y los escenarios en donde acta.

Aporte: Da los conceptos bsicos acerca de la utilizacin correcta de esta

aplicacin para la simulacin.

E. Contreras & J. Cruz. No ms VAN: el Value at Risk (VaR) del VAN, una

nueva tecnologa para el anlisis de riesgo.

Esta investigacin explica que la principal ventaja de utilizar una medida de

riesgo como el VaR es que permite comunicar los riesgos de una inversin o un

proyecto en y en particular comparar riesgos en trminos de prdidas potenciales

que, de hacerse efectivas, ocurren con probabilidad equivalentes. De esta forma

el analista puede realizar comparaciones equivalentes en trminos de

probabilidades de ocurrencia para diferentes factores de riesgo y por lo tanto

focalizar el esfuerzo de mitigacin de estos riesgos. Por otro lado esta

herramienta permite realizar comparaciones entre proyectos en trminos de su

rentabilidad y riesgo, y por lo 16 tanto ayudan al proceso inversional. Sin

embargo, es necesario tener en cuenta que esta metodologa presenta tambin

importantes limitaciones, por lo que la estimacin de riesgos debe tomarse con

la debida prudencia. Entre las principales limitaciones estn el hecho que el VaR

usa la informacin disponible sobre distribuciones y parmetros estadsticos, y

por otro lado no intenta predecir eventos catastrficos, ni situaciones extremas.

Al contrario, el VaR captura el riesgo que tiene el proyecto o la inversin de

acuerdo a lo que mejor estimamos es la variabilidad de aquellos factores que

ms impactan el valor de dicha inversin, si dichas variabilidades no se ajustan

a una distribucin normal, es posible calcular el VaR mediante simulacin.

Aporte: Nos da un soporte terico acerca de la simulacin de @Risk que ayuda

a prevenir los altos riesgos de un proyecto cualquiera.

 Captulo I: Introduccin a la simulacin de riesgos

1.1 La necesidad del anlisis de riesgo

El primer paso para analizar el riesgo y modelar una situacin es reconocer la

necesidad de este tipo de anlisis. Es el riesgo un factor significativo en la

situacin que desea analizar? Aqu tiene algunos ejemplos que podran ayudarle

a evaluar una situacin para determinar la presencia de un nivel significativo de

riesgo:

Riesgo en el desarrollo y puesta en el mercado de un nuevo producto.

Riesgo en el anlisis del mercado de valores y en la administracin de valores.

Riesgo en la administracin de operaciones y en la planificacin.

Riesgo en el diseo y construccin de estructuras.

Riesgo en inversiones para exploraciones petrolferas y de minerales.

Riesgos de planificacin de poltica de empresa.

1.2 Estimacin y cuantificacin del riesgo

Cuantificacin y estimacin del riesgo es la determinacin de todos los valores

posibles que una variable de riesgo puede alcanzar, as como la probabilidad de

que ocurra cada uno de ellos. Supongamos que la situacin de incertidumbre es

el resultado de lanzar una moneda al aire. Puede repetir el lanzamiento de la

moneda un gran nmero de veces hasta determinar que la mitad de las veces el

resultado es cara y la otra mitad es cruz. Otra forma es calcular

matemticamente este resultado a partir de los fundamentos bsicos de la

probabilidad y de la estadstica. En la mayora de las situaciones reales no se

puede llevar a cabo un experimento para calcular un riesgo tan fcilmente como

ocurre en el caso de la moneda. Cmo se puede calcular el tiempo de

aprendizaje de los trabajadores cuando se utilizan nuevas mquinas en una

fbrica? Tal vez pueda apoyarse en experiencias pasadas, pero una vez

instaladas las mquinas, la incertidumbre deja de ser un factor. No existe una

frmula matemtica que indique el riesgo asociado con posibles resultados. El

riesgo deber ser estimado en base a la informacin disponible.

Es posible que la informacin disponible referente a una situacin concreta est

incompleta, la situacin no se pueda repetir o tal vez sea demasiado complicada

como para darle una respuesta inequvoca. Este tipo de cuantificacin de riesgo

es subjetiva, lo cual significa que alguien puede no estar de acuerdo con su

evaluacin de la situacin.

Los juicios subjetivos de riesgo tienden a cambiar cuando se recibe ms

informacin sobre una situacin determinada. Si usted ha evaluado una situacin

de riesgo subjetivamente, siempre debe preguntarse si hay informacin adicional

que pueda ayudarle a evaluar mejor la situacin. Si hay informacin disponible,

cunto esfuerzo o cunto dinero puede costar obtenerla? Qu tipo de

informacin le convencera para cambiar la decisin que ya ha tomado? Qu

impacto tendran estos cambios en los resultados finales del modelo que usted

est analizando?

1.3 Simulacin

1.3.1 Definicin

Es el proceso o tcnica por la que un modelo, se calcula repetidas veces con

diferentes valores de entrada con la intencin de obtener una representacin

completa de todos los escenarios posibles que pudieran darse en una situacin

incierta, con el fin de entender el comportamiento del modelo y evaluar las

posibles estrategias con las que se pueden aplicar.

1.3.2 Etapas del Proceso de Simulacin

Lo primero es definir y describir el problema mediante un plan de accin.

Una vez establecido el problema se formula el modelo.

El siguiente paso es la programacin de dicho modelo.

Luego, se procede a verificar y validar el modelo.

Se disean los experimentos y el plan de corridas con el fin de obtener la

representacin de todos los escenarios posibles con distintos valores.

Por ltimo se analizan los resultados.

1.3.3 Mtodos de Simulacin

Existen muchos mtodos para simular un modelo entre los ms comunes estn:

Simulacin estadstica o Monte Carlo: se basa en el muestreo sistemtico de

variables aleatorias.

Simulacin continua: son simulaciones modeladas generalmente con

ecuaciones diferenciales.

Simulacin por eventos discretos: define el modelo cuyo comportamiento

vara en instantes del tiempo, y los momentos en los que se producen los

cambios son los que se identifican como los eventos de la simulacin.

Simulacin por autmatas celulares: Se aplica a casos complejos, en los que

se divide al comportamiento, en subsistemas ms pequeos denominadas

 clulas y el resultado de la simulacin est dado por la interaccin de las

diversas clulas.

1.3.4 Simulaciones en @RISK

En @RISK, las simulaciones llevan a cabo dos operaciones distintas:

Seleccin de una serie de valores para las funciones de distribucin de

probabilidad de las celdas y de las frmulas de la hoja de clculo

Re clculo de la hoja de clculo de Excel utilizando los nuevos valores.

La seleccin de los valores de las distribuciones de probabilidad se denomina

recolectada de muestras, tomas de muestras o muestreo, y cada nuevo clculo

de la hoja se denomina iteracin. Cada vez con un grupo diferente de valores

posibles recogidos de cada distribucin de entrada. En cada iteracin se calculan

los valores seleccionados como muestra, y se obtiene un resultado posible en

las celdas de salida. Segn se procesa la simulacin, se van generando una

serie de resultados de cada iteracin. @RISK recoge estos valores de salida.

Luego, se crea una distribucin de posibles resultados tomando todos los valores

generados en la simulacin, analizndolos y haciendo los clculos estadsticos

del rango de distribucin del mnimo al mximo.

 Captulo II: Conceptos y fundamentos del @RISK

2.1 Concepto de @RISK

El concepto de Value at Risk (VaR), o valoracin del riesgo, proviene de la

necesidad de cuantificar con determinado nivel de significancia o incertidumbre

el monto o porcentaje de prdida que un portafolio enfrentar en un perodo

predefinido de tiempo (Jorion 2000, Penza y Bansal 2001, Best 1998, y Dowd

1998). Su medicin tiene fundamentos estadsticos y el estndar de la industria

es calcular el VaR con un nivel de significancia del 5%. Esto significa que

solamente el 5% de las veces, o 1 de 20 veces (es decir, una vez al mes con

datos diarios, o una vez cada cinco meses con datos semanales) el retorno del

portafolio caer ms de lo que seala el VaR, en relacin con el retorno

esperado. Si consideramos una serie de retornos histricos de un portafolio que

posee un nmero n de activos, es factible visualizar la distribucin de densidad

de aquellos retornos a travs del anlisis del histograma.

A su vez @RISK es una aplicacin que se puede desarrollar en Excel, que

permite realizar modelacin y anlisis de riesgos en diversos escenarios desde

reas financieras hasta cientficas, utilizando simulacin de Monte Carlo.

Actualmente @RISK cuenta con tres ediciones para satisfacer el mercado, como

lo son: @RISK Industrial, @RISK Professional y @RISK Estndar, de aqu la

importancia comercial de este. @RISK se encuentra disponible en ingls,

espaol, francs, alemn, japons e italiano; y cuenta con 38 funciones de

probabilidad disponibles que identifica los elementos crticos y los escenarios en

donde acta. @RISK Professional cuenta con los programas RISK view, BestFit,

@RISK Goal Seek, Stress Analysis y Advanced Sensitivity Analysis.

2.2 Caractersticas de @RISK

Los resultados y ventanas del modelo se encuentran integradas a Excel.

Tiene acceso directo a los parmetros de simulacin.

Las grficas y los resultados tienen estn referenciadas dentro de Excel por

medio de sus correspondientes celdas de datos.

Los grficos y resultados se actualizan mientras corre la simulacin.

Las funciones pueden editarse desde la ventana modelo.

Permite incluir en las celdas hasta 37 distribuciones de probabilidad distintas

mediante funciones.

Se usan grficos de alta resolucin para presentar los resultados.

Histogramas, curvas acumulativas, funciones grficas de distribucin, entre

otras. Todas ellas pueden ser exportadas a la hoja Excel para cambiar

aspectos, colores, formas, tamaos y replicadas o copiadas a otras hojas.

El programa admite cualquier nmero de iteraciones por cada simulacin y

cualquier nmero de simulaciones en cada anlisis. Permite re clculos de

cada hoja, sealar un nmero aleatorio como generador y ver los resultados

y estadsticas en tiempo real mientras se van generando en la simulacin.

2.3 reas de aplicacin

En la empresa:

mbitos comerciales, de mercados, de ventas y tcnicas de marketing.

 Estrategias de inversin y de rentabilidad para nuevas empresas o nuevas

inversiones.

Seleccin de proyectos ptimos.

Planificaciones y presupuestos contables y financieros. Opciones reales de

inversin, ampliacin o abandono. Valoracin, fusiones y adquisiciones de

empresas.

En finanzas:

Prstamos, hipotecas, fondos de inversin, fondos de pensiones y jubilacin.

Optimizacin de inversiones en acciones y bonos, composicin de carteras.

Proteccin frente al riesgo de variacin de tipos de inters: duracin,

inmunizacin., convexidad, cash flow matching.

Anlisis bancario de activos y pasivos. Oportunidades de arbitraje.

Aplicaciones del Value at Risk (VaR).

En ciencias e ingeniera: reas de aplicacin muy diversas, desde riesgos en

perforacin de pozos hasta problemas de fsica, qumica, electrnica, gentica,

entre otros. En general en todos aquellos procesos en que est presente la

aleatoriedad y la incertidumbre pueda ser simulada.

2.4 Fundamentos de la metodologa de simulaciones

Al inversionista, que puede ser un empresario y/o comerciante, le importa tanto

el valor esperado del fruto de sus inversiones como el riesgo de las mismas;

salvo que una nueva inversin est perfectamente estructurada, organizada y

controlada donde no se corra un riesgo, adems de que la contribucin de la

nueva inversin al riesgo del portafolio, sea menor que la varianza de la nueva
inversin. Por esto al valorar sin considerar los efectos de diversificacin se

estar subvaluando la inversin.

La implicacin es que al evaluar un proyecto, debe considerarse el efecto de la

misma sobre el retorno esperado y el riesgo del portafolio diversificado de un

inversionista. Se necesita entonces ms informacin: es necesario estimar las

correlaciones (o las covarianzas) entre la rentabilidad de la empresa y los otros

activos del portafolio.

La gracia de la diversificacin es que mientras el retorno esperado del portafolio

es igual a la suma ponderada de los retornos esperados de sus componentes, la

variabilidad del portafolio es menor a la suma ponderada de las variabilidades de

sus activos componentes, en la medida que los activos no estn perfectamente

correlacionados. Esta reduccin de riesgo es llamada efecto diversificacin

(Statman, 1987).

El principio de diversificacin de Statman consiste en que repartiendo su

presupuesto de inversin entre distintos activos arriesgados, los inversores

pueden lograr una reduccin de su exposicin global al riesgo sin que se llegue

a reducir su rentabilidad esperada.

2.5 Conceptos usuales en la simulacin

Valor de dinero en el tiempo

Hay tres razones por las cuales el valor de dinero en el momento es diferente

al valor del dinero futuro: Preferencia por el consumo, la inflacin y el riesgo.

Valor actual

Es el valor presente, es decir, el valor justo ahora de una cantidad de dinero

que se va a recibir en una fecha futura.

 Valor actual neto

El valor actual neto (VAN) es un mtodo de valoracin de inversiones que

puede definirse como la diferencia entre el valor actualizado de los cobros y

de los pagos generados por la inversin. Proporciona una medida de la

rentabilidad del proyecto analizado en valor absoluto.

Valor futuro

Es el valor de una suma de dinero es una fecha futura. El valor futuro,

suponiendo un sistema de inters compuesto anual, viene dado por FV: P x

(1+r) T, donde FV es el valor futuro, P es la suma actual de dinero, r es el tipo

de inters y T es el nmero de aos.

Tasa interna de retorno

La tasa interna de retorno (TIR) es una tasa de rendimiento utilizada en el

presupuesto de capital para medir la rentabilidad de las inversiones.

Ingresos

La empresa en el ejercicio de su actividad presta servicios y bienes al exterior.

A cambio de ellos recibe una remuneracin econmica que nacen por el

derecho de cobro, a aquella retribucin se le llama ingresos.

Costos fijos

Son aquellos costos que la empresa desde pagar independientemente de su

nivel de operacin, es decir, produzca debe pagarlos. Un costo fijo es una

erogacin en que la empresa debe incurrir obligatoriamente, aun cuando la

empresa opere a media marcha, o no lo haga.

Flujo de efectivo

El flujo de efectivo es uno de los estados financieros ms complejos de realizar

y que exigen un conocimiento profundo de la contabilidad de la empresa.

 Captulo III: Metodologa Montecarlo

3.1 Origen y Definicin

El mtodo Monte Carlo fue desarrollado por John Von Neumann, Stanislao Ulam

y Nicholas Metropolis alrededor de 1948 para el estudio de la difusin de

neutrones en materiales para fusin nuclear. Debido a la gran cantidad de

nmeros aleatorios utilizados en las simulaciones, Metropolis le adjudic al

mtodo el nombre de Monte Carlo en honor al principado de Mnaco por ser la

capital del juego al azar.

Es un mtodo de aproximacin estadstica que Nicholas Metropolis propuso en

sus inicios basado en las ecuaciones de la teora cintica de los gases y las

conocidas ecuaciones de distribucin de probabilidad de Boltzmann, y fue

desarrollado con el objetivo de evitar lo tedioso que se converta resolver estas

ecuaciones con los mtodos clsicos y la poca exactitud a la que se poda llegar.

Esta primera aproximacin realizada por Metrpolis fue posteriormente

generalizada por W. Keith Hastings en 1970, quien utiliz el mtodo de las

llamadas cadenas de Markov aplicadas al mtodo Monte Carlo para solucionar

problemas de mecnica estadstica.

Es una tcnica de muestreo artificial que mantiene en las entras y en las salidas

un grado de incertidumbre. Este mtodo, analiza las distribuciones de variables

aleatorias, conllevando a la simulacin de problemas probabilsticos, igualmente,

realiza experimentos con muestreos estadsticos @RISK utiliza el mtodo Monte

Carlo, para llevar a cabo el anlisis de riesgo. Simulacin en este sentido define
un mtodo de clculo en el que la distribucin de posibles resultados se genera

mediante el clculo repetido que la computadora hace de la hoja de clculo, cada

vez utilizando una serie diferente de valores en las celdas y en las frmulas,

escogidos aleatoriamente para crear la distribucin de probabilidad. Es decir,

lleva a cabo cientos de miles de anlisis de escenarios de suposicin.

3.2 Ventajas de la metodologa Montecarlo

Es un mtodo directo y exible.

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 interere con el mundo real.

Permite estudiar la interaccin entre las diferentes variables del problema.

La simulacin permite resolver problemas que no tienen solucin analtica.

3.3 Toma de muestras Monte Carlo

El mtodo de toma de muestras Monte Carlo es una tcnica tradicional que utiliza

nmeros aleatorios o seudo aleatorios para recolectar las muestras de una

distribucin de probabilidad. Las tcnicas Monte Carlo se aplican a una amplia

variedad de problemas complejos con un factor aleatorio. Existen una serie de

algoritmos que sirven para generar las muestras aleatorias de los diferentes tipos

de distribuciones de probabilidad. Las tcnicas de toma de muestras del tipo

Monte Carlo son totalmente aleatorias; o sea, una muestra puede estar en

cualquier punto del rango de la distribucin de entrada.

3.4 Modelacin

En @RISK la modelacin es la habilidad para esbozar una situacin de riesgo

de la empresa, generando una representacin grfica y explicita, del

comportamiento del problema en distintos enfoques, en el programa

generalmente se expresa mediante grficas y valores, segn la relacin con las

distribuciones que se hayan encontrado para la aplicacin de la situacin.

Por lo general el modelo que presenta @RISK su modelacin de forma

analgica, que muestra un comportamiento representativo. La utilidad de la

aplicacin de un modelo en una situacin de riesgo principalmente es: aclarar

las posibles soluciones acerca del rea de inters, que ayude a definir una

estructura a partir de los resultados del modelo, mostrando la relacin causa-

efecto Por supuesto este proceso tecnolgico en el programa, solo se puede

llevar a cabo y con total xito, si primero se ha generado una modelacin

conceptual de la situacin.

3.5 Distribuciones de Probabilidad

Una distribucin de probabilidad es el trmino estadstico apropiado para

denominar una distribucin de frecuencia construida a partir de un grupo de

valores inicialmente grande cuyo tamao de clase es infinitesimalmente

pequeo. Las funciones de distribucin de probabilidad se utilizan en @ RISK

para incorporar el factor de la incertidumbre en forma de distribuciones de

probabilidad a las celdas y ecuaciones de las hojas de clculo de @RISK usa

las funciones de distribucin para extraer grupos de muestras de posibles valores

durante la ejecucin de una simulacin.

 Captulo IV: Fases de Montecarlo

ETAPA 1 - seleccin de las funciones de probabilidad

Una vez Identificados las variables de riesgo en el captulo I de esta investigacin

que afectan al Plan de Empresa realizado por el emprendedor, nos interesa

conocer cul es el comportamiento de dichas variables, es decir, cul va a ser

su rango de variacin para cada uno de los periodos de proyeccin.

Para ello es necesario identificar la funcin de probabilidad que se asocia a cada

uno de las variables afectadas por el riesgo, es decir, la funcin que explica y

refleja el comportamiento de la variable de riesgo definida por el emprendedor.

Entre las principales, ms comunes y de ms sencilla aplicacin para el usuario

destacamos las siguientes funciones de distribucin de probabilidad asignables

a las variables de un proyecto empresarial:

Funcin de distribucin Caractersticas Aplicaciones Ejemplos

Triangular Mnimo Empleada como una Volumen de ventas

predeterminado descripcin subjetiva en una empresa.
Mximo de una poblacin Costes de
predeterminado para la que slo se mercado en un
Se determina el cuenta con una cierto producto.
valor ms probable, cantidad limitada de
junto con el cual la datos muestrales
distribucin se dibuja
de forma triangular.

Uniforme Mnimo El total del rango de la Valoracin de

predeterminado. variable es activos
Mximo igualmente probable. inmobiliarios
predeterminado.
Todos los niveles
entre el mnimo y el
mximo de la
distribucin son
igualmente
probables.
 Discreta Posibles valores a Conocemos los Nmero de personal
considerar diferentes posibles contratadas en una
Posibilidad asociada valores empresa
a cada uno de los Somos capaces
valores de asignar
probabilidades al
cumplimiento de
dichos valores

ETAPA 2 - Identificacin de las variables sobre las que medir el riesgo.

Para cuantificar el riesgo del proyecto empresarial deben identificarse la variable

o variables sobre las que se va a medir dicho riesgo.

Para medir el riesgo global de un proyecto empresarial se recomienda el uso

de variables que sean representativas del valor del negocio.

Basndonos en la determinacin del valor de la empresa a travs de la

estimacin de los flujos de dinero que genere en el futuro, consideramos una

variable adecuada sobre la cual medir el riesgo el Valor Actual Neto, VAN del

proyecto empresarial y como variable complementaria a corto plazo el valor del

Beneficio Neto.

Sobre las variables de salida el emprendedor podr estudiar las consecuencias

que tendr en su proyecto empresarial la variabilidad experimentada en las

variables de riesgo consideradas en su proyecto.

ETAPA 3- Simulacin Computacional

En este momento la herramienta comenzar el proceso de simulacin, es decir,

efectuar las iteraciones necesarias, a travs de un motor informtico. Este paso,

se ejecutar de forma automtica por parte de la herramienta, el motor de clculo

generar mil iteraciones, con objeto de obtener una muestra que sea
representativa de la realidad. La simulacin genera de forma aleatoria, mil

posibles valores para las variables de riesgo, todos ellos se encuentran entre los

intervalos previamente definidos por el usuario y arrojar mil valores de las

variables de salida, beneficio o valor actual neto. Esto permitir al emprendedor

alcanzar conclusiones del grado de ocurrencia o probabilidad de los diferentes

posibles resultados, como cul ser el valor ms probable del valor de su negocio

y beneficio, cul ser el valor mnimo o el valor mximo que podra alcanzar, etc.

No olvidar: A mayor nmero de interacciones existir una mayor precisin en

la simulacin del proyecto.

ETAPA 4 Obtencin del perfil de riesgo y de resultados

Los resultados que nos va a mostrar el modelo de riesgo son las posibles

conclusiones a alcanzar con la muestra obtenida de las diferentes iteraciones

efectuadas, que es representativa de la realidad.

Histograma

Informa acerca de los posibles valores a tomar por las variables outputs del

modelo (beneficio neto y valor actual neto) y la probabilidad asociada a cada uno

de ellos.

El Histograma muestra los posibles valores del beneficio neto o del VAN del

proyecto empresarial que podrn ser alcanzados con un nivel de confianza

determinado (probabilidad de ocurrencia asociada al valor).

El grfico que se muestra en pantalla se interpreta de la siguiente manera: -

Con una probabilidad del 90% de ocurrencia, el valor de su VAN a alcanzar

se encontrar entre 43.094 406.55 euros y 22 293 195.03 euros.

 El valor medio esperado del VAN es de 32 162 280,10.

Los extremos exteriores (Percentiles) indican que con una probabilidad del 5%

el valor del VAN ser inferior a 43.094 406.55, y que con una probabilidad del

5% el resultado ser superior a 22 293 195.03.

Perfil de riesgo

En el grfico se expone lo que podra constituir la curva de perfil de riesgo de un

determinado activo, empresa, regin, etc., respecto de los riesgos que afectan al

VAN o al beneficio neto. La herramienta permitir obtener una visin del riesgo

que facilite la toma de decisiones ms ptima en cada momento del ciclo de vida

de su proyecto empresarial. El grfico que se muestra en pantalla se interpreta

de la siguiente manera:

Es una tcnica para calcular y visualizar todos los resultados de su negocio

teniendo en cuenta las incertidumbres y las probabilidades de ocurrencia

acumuladas.

Eje X es el rango entero de valores del resultado.

 Eje Y es la probabilidad de ocurrencia acumulada.

Cunto ms arriesgado es el negocio, ms amplio ser el rango de posibles

resultados, dando lugar a una curva ms horizontal.

Cuanto ms vertical sea la representacin, menos incertidumbre lleva

asociado el proyecto.

El perfil de riesgo dar respuesta a las siguientes cuestiones a cerca del riesgo

del proyecto empresarial:

Cul es el mximo valor que se puede crear razonablemente?

Cul es el mnimo valor que se puede crear razonablemente?

Cul es el valor esperado?

Hay ms riesgo que oportunidad?

Tornado

El anlisis de sensibilidad permite identificar los factores de riesgo que mayor

riesgo suponen para el xito del plan de empresa.

El Tornado es un grfico que informa al emprendedor de aquellas variables de

riesgo que tienen un mayor impacto en su plan de negocio, este grfico indica

cual es el rango de variacin del valor de la empresa, VAN, para cada uno de las

variables de riesgo, suponiendo que se ha producido una variacin en dicha

variable, manteniendo constante el resto de variables de riesgo.

Es decir representa cuanto vara el VAN ante variaciones en cada una de las

variables de riesgo manteniendo el resto de las variables constantes, este

proceso se repetir para cada una de las variables, generando como resultado

el grfico que se muestra.

Anlisis de Escenarios

Una vez realizada la simulacin con el modelo de riesgo definido y analizado el

peso especfico que tienen cada una de las variables de riesgo en el valor final

del VAN y del Beneficio Neto del proyecto empresarial, se identifican aquellos

riesgos que mayor influencia tienen en el resultado de nuestro proyecto, y sobre

los que se deber prestar una especial atencin.

Respecto a dichas variables de riesgo consideradas de mayor peso en los

resultados obtenidos, se podrn definir diferentes escenarios a los que hacer

frente, expectativas optimistas y pesimistas respecto al comportamiento de la

variable.

Variable
crtica
Captulo V: Modelo aplicativo basado en la Metodologa

Montecarlo en @RISK

Para el inicio de este captulo tendremos como referencia a las etapas

mencionadas en el captulo anterior. Posteriormente en la parte inferior se

menciona el problema a simular.

PROBLEMA

La empresa industrial RMRV S.A decide evaluar la alternativa de instalar una

nueva planta de produccin y comercializacin de casacas de cuero en la ciudad

de Lima, para lo cual ha establecido los posibles mximo, mnimo, los ingresos

y egresos con el fin de comprobar mediante el anlisis de Valor Actual Neto

(VAN) y la Tasa Interna de Retorno (TIR) si dicho proyecto es rentable,

beneficioso y viable.

Etapa 1 Seleccin de la funcin de probabilidad

Teniendo para elegir cualquiera de las tres opciones que se dan en la distribucin

de probabilidades. Elegiremos una que sea factible para nuestro problema, para

lo cual elegiremos la triangular, ya est basada en un conocimiento del mnimo

y el mximo, que son datos que ya los conocemos., La distribucin nos brindar
una descripcin subjetiva de la poblacin limea de la cual no se tienen datos

abundantes solo alguno (en este caso es terico).

Etapa 2 - Identificacin de las variables sobre las que medir el riesgo

Como bien se mencionaba en el captulo IV Para medir el riesgo global de un

proyecto empresarial se recomienda el uso de variables que sean

representativas del valor del negocio

Para lo cual en una empresa textil como lo es RMRV S.A se colocarn como

variables a las ventasen unidades, los precios unitarios y los costos unitarios.
Adems como se muestra en la imagen superior se necesita un rubro, que viene

a estar denotado por el tiempo determinado de la simulacin en este caso 10

aos. Adems se necesita hallar el valor actual neto (VAN) que viene a ser en

otras palabras la forma de cuantificar a la fecha de hoy, el valor del flujo de fondos

que una empresa generar ao a ao a lo largo del tiempo estimado. Tambin

hay que aplicar una tasa de inters de retorno (TIR) y el flujo neto que nos da

una medida relativa de la rentabilidad.

Etapa 3 - Simulacin Computacional

En este paso se realiza la simulacin en el @RISK para ver las probabilidades

de rentabilidad de la empresa con un tiempo a futuro determinado. Recordando

lo mencionado en el captulo IV A mayor nmero de interacciones existir una

mayor precisin en la simulacin del proyecto, denotaremos 1000 interacciones

y 100 simulaciones para que la simulacin sea ms precisa.

Harn que la
simulacin sea ms
exacta al arrojar sus
resultados.
En la siguiente imagen se tiene el proceso de la simulacin en el @RISK 7.5

donde vemos cmo analiza cada una de las interacciones.

Etapa 4 Obtencin del perfil de riesgo y de resultados

Histograma

En este cuadro se puede visualizar la mediana, el mximo, el mnimo, la moda

y la desviacin estndar que sern a considerar si en un futuro se aprueba el

proyecto de la empresa RTMV S.A.

Tornado
Gracias a esta comparacin entre las ventas de las unidades y el precio unitario

vemos que las ventas es el valor crtico ms importante y en segundo lugar

quedara el precio unitario. Por lo cual ser de anlisis en anlisis que se realiza

luego.

Obtencin de resultados generales

Como se puede apreciar en la parte superior se obtienen los datos finales,

incluidos los datos acerca del VAN, TIR y flujo neto que son indispensables.

Anlisis de nuevos escenarios

Conclusiones:
El proyecto es rentable ya que se obtiene un VAN positivo y adems la

TIR es positiva y mayor a la tasa de descuento establecida.

Encontramos que la variable crtica que ayudar al crecimiento financiero

ser el nmero de ventas.

Bibliografa

R. D. Molina A. (2015). Simulacin Monte Carlo para evaluar diseos de

planes de prueba de vida acelerada. Revista Culcyt.

Horus Emmanuel Salazar Garca (2014). Metodologa para el

planteamiento de sistemas de distribucin considerando incertidumbre

en la demanda.

L. Ruiz, J. Suarez et.al (2015). Aplicacin de simulacin Monte Carlo en

un sistema de inventarios. Medios y soluciones administrativas LTDA.

D. Rodrguez & A. Trespalacios (2015). Medicin de Valor en Riesgo en

Cartera de Clientes a travs de Modelos Logsticos y Simulacin de

Montecarlo. Universidad Nacional de Colombia.

J. Reyes. et.al (2009). RISK. Universidad Nacional de Colombia, Facultad

de Ciencias Econmicas.

E. Contreras & J. Cruz. No ms VAN: el Value at Risk (VaR) del VAN, una

nueva tecnologa para el anlisis de riesgo.

R. Mari & J. Arnaldos (2015). Introduccin del Factor Humano al Anlisis

de Riesgo. Departamento de Ingeniera Qumica Centro de Estudios del

Riesgo Tecnolgico (CERTEC) Universitat Politcnica de Catalunya.