Los métodos de Montecarlo

Los métodos de Montecarlo abarcan una colección de técnicas que permiten

obtener soluciones de problemas matemáticos o físicos por medio de pruebas
aleatorias repetidas. En la práctica, las pruebas aleatorias se sustituyen por
resultados de ciertos cálculos realizados con números aleatorios. Se estudiará el
concepto de variable aleatoria y la transformación de una variable aleatoria
discreta o continua.

Ejemplos sencillos son: el mecanismo básico de la difusión y el establecimiento

del equilibrio térmico entre dos sistemas que se ponen en contacto a distinta
temperatura. Estos dos ejemplos nos mostrarán el significado de proceso
irreversible y fluctuación alrededor del estado de equilibrio.

La explicación de la ley exponencial decreciente en la desintegración de una

sustancia radioactiva en otra estable. Comprender, a partir de un modelo simple
de núcleo radioactivo, que su desintegración es un suceso aleatorio, con mayor
o menor probabilidad dependiendo de la anchura de las barreras de potencial
que mantienen confinadas a las partículas que componen el núcleo.

Otros ejemplos relevantes son: el estudio de un sistema con un número pequeño

de estados como paso previo al estudio del comportamiento de un material
paramagnético bajo la acción de un campo magnético y a una determinada
temperatura, dos ejemplos de aplicación de la transformación de una variable
discreta. Por último, estudiaremos el comportamiento de un material
dieléctrico como ejemplo de aplicación de transformación de una variable
aleatoria continua.
La variable aleatoria

Se denomina 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}. Por ejemplo,
en la experiencia de lanzar monedas, los posibles resultados son {cara, cruz}, y
sus probabilidades son {1/2, 1/2}. En la experiencia de lanzar dados, los
resultados posibles son {1, 2, 3, 4, 5, 6} y sus probabilidades respectivas son
{1/6, 1/6, 1/6, 1/6, 1/6, 1/6}.

Realicemos ahora la experiencia de hacer girar una ruleta y apuntar el número

del sector que coincide con la flecha. En la ruleta de la izquierda de la figura los
resultados posibles son {0, 1, 2, 3, 4, 5, 6, 7}, y la probabilidad de cada resultado
es 1/8. En la ruleta de la derecha de la figura los posibles resultados son {0, 1, 2,
3}, y las probabilidades respectivas {1/4, 1/2, 1/8, 1/8}, proporcionales al ángulo
del sector.

En los tres primeros ejemplos, la variable aleatoria X se dice que está

uniformemente distribuida, ya que todos los resultados tienen la misma
probabilidad. Sin embargo, en el último ejemplo, la variable aleatoria X, no está
uniformemente distribuida.

El problema crucial de la aplicación de los métodos de Montecarlo es hallar los

valores de una variable aleatoria (discreta o continua) con una distribución de
probabilidad dada por la función p(x) a partir de los valores de una variable
aleatoria uniformemente distribuida en el intervalo [0, 1), proporcionada por el
ordenador o por una rutina incorporada al programa.
 Para simular un proceso físico, o hallar la solución de un problema matemático
es necesario usar gran cantidad de números aleatorios. El método mecánico de
la ruleta sería muy lento, además cualquier aparato físico real genera variables
aleatorias cuyas distribuciones difieren, al menos ligeramente de la distribución
uniforme ideal. También, se puede hacer uso de tablas de cifras aleatorias
uniformemente distribuidas, comprobadas minuciosamente en base a pruebas
estadísticas especiales. Se emplean solamente cuando los cálculos
correspondientes a la aplicación del método de Montecarlo se realizan a mano,
lo que en estos tiempos resulta inimaginable. En la práctica, resulta más
conveniente emplear los denominados números pseudoaleatorios, se trata de
números que se obtienen a partir de un número denominado semilla, y la
aplicación reiterada de una fórmula, obteniéndose una secuencia {x0, x1, x2,... xn}
de números que imitan los valores de una variable uniformemente distribuida en
el intervalo [0, 1).

Variable aleatoria discreta

Para simular la ruleta situada a la derecha de la figura, se procede del siguiente

modo: se hallan las probabilidades de cada resultado, proporcionales al ángulo
de cada sector y se apuntan en la segunda columna, la suma total debe de dar
la unidad. En la tercera columna, se escriben las probabilidades acumuladas.

P.
Resultado Probabilidad
acumulada

0 0.25 0.25

1 0.5 0.75

2 0.125 0.875

3 0.125 1
Se sortea un número aleatorio γ uniformemente distribuido en el intervalo [0, 1),
el resultado del sorteo se muestra en la figura. En el eje X se sitúan los distintos
resultados que hemos nombrado x0, x1, x2, x3. En el eje vertical las probabilidades
en forma de segmentos verticales de longitud igual a la probabilidad pi de cada
uno de los resultados, dichos segmentos se ponen unos a continuación de los
otros, encima su respectivo resultado xi. Se obtiene así una función escalonada.
Cuando se sortea una variable aleatoria γ, se traza una recta horizontal cuya
ordenada sea γ. Se busca el resultado cuya abscisa sea la intersección de dicha
recta horizontal y del segmento vertical, tal como se señala con flechas en la
figura. Si el número aleatorio γ está comprendido entre 0.25 y 0.75 se obtiene el
resultado denominado x1.

La tabla describe el sorteo de una variable discreta, siendo γ una variable

aleatoria uniformemente distribuida en el intervalo [0,1).

Condición Resultado

0<=γ<0.25 0

0.25<=γ<0.75 1

0.75<=γ<0.875 2

0.875<=γ<1 3
Una vez visto un caso particular, el problema general puede formularse del
siguiente modo:

Si X es una variable aleatoria discreta cuyos posible resultados son {x0, x1, x2,...
xn-1} y sean {p0, p1, p2,... pn} sus respectivas probabilidades. Al sortear un número
aleatorio γ, uniformemente distribuido en el intervalo [0, 1), se obtiene el
resultado xi, si se verifica la siguiente condición

∑j=0i−1pj≤γ<∑j=0ipj (1)

Variable aleatoria continua

Comprendido el concepto de transformación de una variable discreta, y el

procedimiento para obtener un resultado cuando se efectúa el sorteo de una
variable aleatoria uniformemente distribuida, no reviste dificultad el estudio de la
variable continua. Si X es una variable aleatoria continua, y p(x) es la
probabilidad de cada resultado x, construimos la función que se representa en la
figura.

y (2)

El resultado del sorteo de una variable γ uniformemente distribuida en el intervalo

[0 ,1) se obtiene a partir de la ecuación.

γ (3)

Gráficamente, se obtiene trazando una recta horizontal de ordenada γ. La

abscisa x del punto de corte con la función es el resultado obtenido. En la figura
se señala mediante flechas.
Un ejemplo sencillo es la transformación de una variable aleatoria que está
uniformemente distribuida en el intervalo [a, b) si

Integrando (2) obtenemos la función

que es una línea recta, que vale cero cuando x=a, y uno cuando x=b, tal como
puede verse en la figura inferior. Utilizando la fórmula (3) de la transformación de
la variable aleatoria continua y despejando x, se obtiene

Generador de números aleatorios

Existen varias fórmulas para obtener una secuencia de números aleatorios, una
de las más sencillas es la denominada fórmula de congruencia: se trata de una
fórmula iterativa, en la que el resultado de una iteración se utiliza en la siguiente.

x=(a*x+c) %m;

donde a, c, m, son constantes cuyos valores elige el creador de la rutina, así por
ejemplo tenemos

a=24298 c=99491 m=199017

a=899 c=0 m=32768

 Basta introducir el valor inicial de x, para obtener una secuencia de números
pseudoaleatorios. Alternativamente, podemos usar la clase Random que
dispone el lenguaje Java.

Método de Montecarlo

El método de Monte Carlo es un método no determinista o estadístico numérico,

usado para aproximar expresiones matemáticas complejas y costosas de evaluar
con exactitud. El método se llamó así en referencia al Casino de Monte
Carlo (Principado de Mónaco) por ser “la capital del juego de azar”, al ser
la ruleta un generador simple de números aleatorios. El nombre y el desarrollo
sistemático de los métodos de Monte Carlo datan aproximadamente de 1944 y se
mejoraron enormemente con el desarrollo de la computadora.

El uso de los métodos de Monte Carlo como herramienta de investigación, proviene

del trabajo realizado en el desarrollo de la bomba atómica durante la Segunda
Guerra Mundial en el Laboratorio Nacional de Los Álamos en EE. UU. Este trabajo
conllevaba la simulación de problemas probabilísticos
de hidrodinámica concernientes a la difusión de neutrones en el material de fisión.
Esta difusión posee un comportamiento eminentemente aleatorio. En la actualidad
es parte fundamental de los algoritmos de Raytracing para la generación de
imágenes 3D.

En la primera etapa de estas investigaciones, John von Neumann y Stanislaw

Ulam refinaron esta ruleta rusa y los métodos "de división" de tareas. Sin embargo,
el desarrollo sistemático de estas ideas tuvo que esperar al trabajo de Harris
y Herman Kahn en 1948. Aproximadamente en el mismo año, Enrico
Fermi, Nicholas Metropolis y Ulam obtuvieron estimadores para los valores
característicos de la ecuación de Schrödinger para la captura de neutrones a nivel
nuclear usando este método.

El método de Monte Carlo proporciona soluciones aproximadas a una gran variedad

de problemas matemáticos posibilitando la realización de experimentos con
muestreos de números pseudoaleatorios en una computadora. El método es
aplicable a cualquier tipo de problema, ya sea estocástico o determinista. A
diferencia de los métodos numéricos que se basan en evaluaciones en N puntos en
un espacio M-dimensional para producir una solución aproximada, el método de

Monte Carlo tiene un error absoluto de la estimación que decrece como en

virtud del teorema del límite central.

Ejemplo de aplicación de Monte Carlo. En el juego de barcos, primero se realizan

una serie de tiros a puntos aleatorios. Si el jugador genera un algoritmo puede
deducir la posición del barco conocidos los datos anteriores.

La invención del método de Monte Carlo se asigna a Stanislaw Ulam y a John von
Neumann. Ulam ha explicado cómo se le ocurrió la idea mientras jugaba un solitario
durante una enfermedad en 1946. Advirtió que resulta mucho más simple tener una
idea del resultado general del solitario haciendo pruebas múltiples con las cartas y
contando las proporciones de los resultados que computar todas las posibilidades
de combinación formalmente. Se le ocurrió que esta misma observación debía
aplicarse a su trabajo de Los Álamos sobre difusión de neutrones, para la cual
resulta prácticamente imposible solucionar las ecuaciones íntegro-diferenciales que
gobiernan la dispersión, la absorción y la fisión. “La idea consistía en probar con
experimentos mentales las miles de posibilidades, y en cada etapa, determinar por
casualidad, por un número aleatorio distribuido según las probabilidades, qué
sucedería y totalizar todas las posibilidades y tener una idea de la conducta del
proceso físico”.

La simulación Monte Carlo

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.

Los científicos que trabajaron con la bomba atómica utilizaron esta técnica por
primera; y le dieron el nombre de Monte Carlo, la ciudad turística de Mónaco
conocida por sus casinos. Desde su introducción durante la Segunda Guerra
Mundial, la simulación Monte Carlo se ha utilizado para modelar diferentes sistemas
físicos y conceptuales.

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.

Lognormal – 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 lognormal son los valores de las propiedades inmobiliarias y
bienes raíces, los precios de las acciones de bolsa y las reservas de petróleo.

Uniform – 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.

Discrete – 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.

Una ventaja de la simulación Monte Carlo es el uso del muestreo Latino Hipercúbico,
que muestrea con mayor precisión a partir de un rango completo de funciones de
distribución.
Metodología de cálculo

La aplicación del método de Monte Carlo para valorar inversiones plantea dos
aspectos fundamentales; la estimación de las variables y la determinación del
tamaño de la muestra.

1. La estimación de las variables

Para la aplicación de la simulación de Monte Carlo se han de seguir los siguientes

pasos:

En primer lugar hay que seleccionar el modelo matemático que se va a utilizar,

siendo en el caso de la valoración de proyectos de inversión los más habituales el
Valor Actual Neto (VAN), y la Tasa Interna de Rentabilidad (TIR). Según el valor
obtenido para estos métodos de valoración se tomará la decisión de si el proyecto
es rentable y se lleva a cabo, o no.

Z = f(x), donde "x" es la variable desconocida a simular

A continuación habrá que identificar las variables cuyo comportamiento se va a

simular (x). Es decir, aquellas que se consideran que no van a tomar un valor fijo,
sino que pueden tomar un rango de valores por no tratarse de variables ciertas, así
como las relaciones que existen entre ellas (por lo que sería deseable definir los
coeficientes de correlación existentes entre las variables (posibilidad que ofrece el
programa "@Risk"). Si no se tuvieran en cuenta dichas interrelaciones, y se
simularan las variables de forma independiente, se estaría incurriendo en un error
en los resultados obtenidos, y se reduciría la variabilidad de los resultados al tener
lugar el efecto de compensación en la interacción de las variables.

Una vez identificadas las variables que se van a simular, hay que determinar la
función de densidad de probabilidad f(x) asociada a cada una de ellas.

Posteriormente, se obtendrán las funciones de distribución asociadas a las variables

(o variable).

A continuación se procede a la generación de números aleatorios (números

tomados al azar) comprendidos entre cero y uno. Estos números pueden obtenerse
utilizando un ordenador, siendo necesarios tantos como variables se consideren en
el modelo multiplicado por el número de simulaciones que se deseen realizar.

Una vez se dispone de los números aleatorios, éstos se llevan sobre el eje de
ordenadas, y se proyectan horizontalmente sobre las correspondientes funciones
de distribución F(x) de las variables (o la variable) del modelo.

El valor así calculado de "x" será el primer valor de la muestra simulada.

Este proceso habrá de repetirse el número de veces necesario para poder disponer
del número adecuado de valores muestrales.

A continuación, se sustituyen los valores simulados en el modelo matemático para

ver el resultado obtenido para las simulaciones realizadas. En el caso del análisis
de proyectos de inversión en los que se utiliza como método de valoración el VAN,
hay que tener en cuenta que la tasa de descuento a utilizar en las simulaciones es
la tasa libre de riesgo, porque en caso contrario se estaría penalizando doblemente
al proyecto de inversión, tanto en el numerador como en el denominador por el
riesgo. No obstante, en contra de esta posición que es la que se utiliza
habitualmente en la práctica empresarial, se encuentra la de los autores Brealey y
Myers, quienes limitan la utilidad de la simulación de Monte Carlo a la mejor
estimación de los flujos netos de caja, y proponen aplicar para el descuento de los
mismos la tasa de descuento ajustada por el riesgo, y no la tasa libre de riesgo,
porque consideran que hay un único VAN.

Posteriormente, se agrupan y clasifican los resultados. Se comparan los casos

favorables, con los casos posibles, y se agrupan por categorías de resultados.

Para finalizar, se lleva a cabo el análisis estadístico y de inferencia sobre el

comportamiento de la realidad, siendo interesante calcular la media, la varianza y la
desviación típica. Por ejemplo, en la valoración de proyectos de inversión, es
habitual llevar a cabo el análisis de la viabilidad de un proyecto de inversión
analizando la probabilidad de que el Valor Actual Neto (VAN) sea positivo
(P(VAN>0)), así como el análisis de sensibilidad con el objetivo de identificar
aquellas variables que son consideradas críticas por tener mayor impacto sobre el
VAN.

2. Estimación del tamaño de la muestra

Para determinar el tamaño de la muestra, se empezará utilizando un número no

demasiado elevado de simulaciones, que se sustituirán en el modelo matemático
seleccionado, y se calculará la media y la desviación típica correspondiente al
mismo. A continuación, se irá ampliando el tamaño de la muestra hasta que la media
y la desviación típica no varíen significativamente en relación con los resultados
obtenidos con la muestra anterior.

Se pueden aplicar dos procedimientos:

Procedimiento aditivo: se parte de un número inicial de simulaciones (n), y se calcula

la media y la desviación típica del modelo matemático utilizado. A continuación se
procede a añadir un número de nuevas simulaciones equivalente al bloque inicial
(n), de tal forma que ahora se calcula la media y la desviación típica del modelo
matemático utilizando para ello un número de simulaciones que asciende a "2n". La
nueva media y desviación típica así calculadas se comparan con las anteriores,
repitiéndose el proceso hasta que la media y la desviación típica no diverjan en más
de un 0,5 ó 1 por ciento. El inconveniente que presenta este método es que según
se van añadiendo nuevos bloques de simulaciones, las simulaciones antiguas
tienen mayor peso que las nuevas.
Ejemplo:

Paso 1: Tamaño del bloque de simulaciones "n".

Paso 2: Tamaño del bloque de simulaciones "n+n = 2n". Si no hay convergencia,

entonces paso 3, sino finalizar.

Paso 3: Tamaño del bloque de simulaciones "2n+n = 3n". Si no hay convergencia,

entonces paso 4, sino finalizar.

Y así, sucesivamente hasta alcanzar la convergencia.

- Procedimiento multiplicativo: se parte de un número inicial de simulaciones (n), y

se calcula la media y la desviación típica del modelo matemático utilizado. A
continuación se procede a añadir un número de nuevas simulaciones equivalente a
las acumuladas hasta ese momento, de tal forma que ahora se calcula la media y
la desviación típica del modelo matemático utilizando para ello un número de
simulaciones que es el doble de las utilizadas en el paso anterior. La nueva media
y desviación típica así calculadas se comparan con las anteriores, repitiéndose el
proceso hasta que la media y la desviación típica no diverjan en más de un 0,5 ó 1
por ciento. De esta forma se soluciona el inconveniente presentado por el
procedimiento anterior, dado que los nuevos bloques de simulaciones que se van
agregando tienen el mismo peso que el existente en el paso anterior, por lo que la
variabilidad del nuevo bloque de simulaciones tiene el mismo peso sobre el total
que la del bloque anterior, siendo por tanto en un método más perfecto.

Ejemplo:

Paso 1: Tamaño del bloque de simulaciones "n".

Paso 2: Tamaño del bloque de simulaciones "2xn = 2n". Si no hay convergencia,

entonces paso 3, sino finalizar.

Paso 3: Tamaño del bloque de simulaciones "2x2n = 4n". Si no hay convergencia,

entonces paso 4, sino finalizar.

Y así, sucesivamente hasta alcanzar la convergencia.

Aplicación a un caso práctico

Una empresa está analizando la posibilidad de llevar a cabo un proyecto de

inversión que requiere una inversión inicial que puede oscilar entre los 10.000 y los
14.000 euros, siendo las probabilidades asociadas a cada uno de los posibles
desembolsos iniciales las que aparecen recogidas en la siguiente tabla:

Desembolso inicial Probabilidad

10.000 € 0,20

12.000 € 0,45

14.000 € 0,35

Además, se sabe que la duración del proyecto de inversión es de 4 años.

Se estima que el valor del primer flujo neto de caja puede tomar cualquier valor
comprendido entre los 5.000 y los 9.000 euros, siendo equiprobables los valores
intermedios. Los flujos netos de caja que se generan en los años sucesivos podrán
oscilar entre un 15 por ciento por encima, o por debajo, del valor del flujo neto de
caja del año anterior. Además, se sabe que la rentabilidad del activo libre de riesgo
es del 10 por ciento.

Con estos datos se desea conocer la viabilidad del proyecto de inversión analizado
según el método de valoración del Valor Actual Neto (VAN), utilizando para ello la
técnica de simulación de Monte Carlo realizando un total de cinco simulaciones.

Solución:

En primer lugar hay que seleccionar el modelo matemático que se va a utilizar, que
en este caso será el Valor Actual Neto (VAN).

Por tanto: Mostrar/Ocultar , donde i = 1..4

La tasa de descuento a utilizar en las simulaciones es la tasa libre de riesgo (10 por
ciento).

A continuación habrá que identificar las variables cuyo comportamiento se va a

simular.

En este caso las variables que se van a simular son tres:

• El desembolso inicial del proyecto de inversión.

• El valor del primer flujo neto de caja.

• El valor del resto de flujos netos de caja.

Posteriormente hay que determinar la función de densidad de probabilidad asociada

a cada una de ellas.

El desembolso inicial del proyecto de inversión: se trata de una variable discreta que
sólo puede tomar los valores 10.000, 12.000 y 14.000, con unas probabilidades
asociadas respectivamente del 20, 45 y 35 por ciento. La representación gráfica de
su función de densidad es la siguiente:

El valor del primer flujo neto de caja: se trata de una variable continua que puede
tomar cualquier valor comprendido entre 5.000 y 9.000 euros, siendo cualquier valor
intermedio comprendido entre dicho mínimo y máximo equiprobable, por lo que
sigue una distribución uniforme o rectangular. Los valores superiores o inferiores a
los extremos anteriormente citados tienen una probabilidad de ocurrencia nula. La
representación gráfica de su función de densidad es la siguiente:

El resto de flujos netos de caja: son variables continúas cuyos valores pueden
oscilar entre un 15 por ciento por encima o por debajo del valor del flujo neto de caja
inmediatamente anterior, por lo que también siguen una distribución uniforme o
rectangular. Los valores superiores o inferiores a los extremos anteriormente citados
tienen una probabilidad de ocurrencia nula. La representación gráfica de su función
de densidad es la siguiente:
El siguiente paso consiste en obtener las funciones de distribución asociadas a las
variables.

Para el desembolso inicial del proyecto de inversión, la función de distribución viene

dada por la probabilidad acumulada, de tal forma que:

Desembolso inicial Probabilidad Probabilidad Acumulada

10.000 € 0,20 0,20

12.000 € 0,45 0,65

14.000 € 0,35 1,00

Importancia Del Método de Montecarlo Commented [b1]:

El método Montecarlo es un método numérico que permite resolver problemas

físicos y matemáticos mediante la simulación de variables aleatorias. Lo vamos a
considerar aquí desde un punto de vista didáctico para resolver un problema del
que conocemos tanto su solución analítica como numérica. El método Montecarlo
fue bautizado así por su clara analogía con los juegos de ruleta de los casinos, el
más célebre de los cuales es el de Montecarlo, casino cuya construcción fue
propuesta en 1856 por el príncipe Carlos III de Mónaco, siendo inaugurado en 1861.

La importancia actual del método Montecarlo se basa en la existencia de problemas

que tienen difícil solución por métodos exclusivamente analíticos o numéricos, pero
que dependen de factores aleatorios o se pueden asociar a un modelo probabilística
artificial (resolución de integrales de muchas variables, minimización de funciones,
etc.). Gracias al avance en diseño de los ordenadores, cálculos Montecarlo que en
otro tiempo hubieran sido inconcebibles, hoy en día se presentan como asequibles
para la resolución de ciertos problemas. En estos métodos el error ~ 1/√N, donde N
es el número de pruebas y, por tanto, ganar una cifra decimal en la precisión implica
aumentar N en 100 veces. La base es la generación de números aleatorios de los
que nos serviremos para calcular probabilidades. Conseguir un buen generador de
estos números así como un conjunto estadístico adecuado sobre el que trabajar son
las primeras dificultades con la nos vamos a encontrar a la hora de utilizar este
método. En el caso que presentamos hemos hecho uso de la función random ()
incluida en la clase Math que la máquina virtual Java trae por defecto como
generador. Las pruebas realizadas, algunas de las cuales se propondrán como
ejercicio, verifican su calidad a la hora de calcular números aleatorios sin tendencia
aparente a la repetición ordenada.

Para resolver la ecuación elíptica de nuestro problema usando el método de

Montecarlo, se ha dividido el recinto bidimensional en una malla cuadrada de
puntos. Todos los situados en su frontera se consideran inicializados a un valor de
temperatura conocido. Suponemos en principio una partícula situada en uno de los
puntos y que tiene la posibilidad de moverse libremente por todos los que
constituyen la malla. La única condición que imponemos es que en un solo salto, su
movimiento se limite a los 4 nodos vecinos, los situados su izquierda, derecha,
arriba o abajo. La probabilidad de elegir una cualquiera de las 4 direcciones posibles
es la misma. Dejando a la partícula viajar por toda la red sin más restricciones
contamos el número de veces que, partiendo de un mismo punto de coordenadas
(i,j) sale por cada uno de los que constituyen la frontera, momento en el cual
suponemos que ha terminado su viaje. Considerando un número elevado de
pruebas podemos calcular la probabilidad de que, partiendo de un mismo punto,
salga por cada uno de los puntos del contorno después de recorrer una trayectoria
aleatoria. Los detalles de camino seguido desde el inicio hasta el final del viaje no
nos importan, tan solo nos vamos a fijar en el número de veces que sale del recinto
por cada uno de los puntos posibles. La temperatura a la que se encuentra el punto
desde donde ha partido la partícula es la suma, extendida a todos los puntos
frontera (if,jf), de la temperatura de dichos puntos (determinada por las condiciones
de contorno) y por la probabilidad de que estando en (i,j) salga por (if,jf). Ver ec.(6).
Si tomamos una malla pequeña de 10x10 (salvo consideraciones de simetría) hay
que calcular probabilidades para 102 puntos. Una precisión razonable requerimos
que para cada uno de ellos hay que calcular ~106 trayectorias aleatorias. Con sólo
estas estimaciones podemos aventurar que el tiempo de computación requerido
para solucionar la ecuación de Laplace en una malla pequeña va a ser superior al
necesario en cualquiera de los otros métodos propuestos.

Ejecutando nuestra aplicación veremos como este tiempo crece rápidamente con el
número de puntos de la malla siendo éste el factor limitante de la eficacia del
método. Sin embargo, el método Montecarlo es sencillo y fácil de programar.

Bibliografía

I. M. Sóbol. Métodos de Montecarlo. Lecciones populares de Matemáticas.

Editorial Mir (1976).

B. P. Demidowitsch. I. A. Maron, E. S. Schuwalowa. Métodos numéricos de

análisis. Editorial Paraninfo (1980).
Bueno, F. M. A. (2012) Turbo patatero reactor conectado. Técnicas Montecarlo,
la estadística empírica. Disponible en:
http://tprc.blogspot.co.at/2013/01/tecnicas-montecarlo-laestadistica.html.