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.
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)
y (2)
γ (3)
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
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
Método de Montecarlo
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”.
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.
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.
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.
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.
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.
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.
Este proceso habrá de repetirse el número de veces necesario para poder disponer
del número adecuado de valores muestrales.
Ejemplo:
10.000 € 0,20
12.000 € 0,45
14.000 € 0,35
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).
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.
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