UNIDAD VI MODELACIN Y SIMULACIN DE OPERACIONES SIMULACIN MONTE CARLO

En la descripcin de un sistema por medio de un modelo, se encuentra en algunos casos, que el sistema es demasiado complicado para describirlo o que el modelo, una vez deducido, no permite una solucin analtica. En estos casos, la simulacin puede ser instrumento valioso para obtener la respuesta de un problema particular. Hay diversas clases de simulacin; por ejemplo, los modelos a escala de aviones que se ensayan en un tnel de viento, el circuito elctrico empleado para describir un circuito hidrulico, y la descripcin de un sistema mediante un modelo matemtico. En esta ltima clase de simulacin se manipula el modelo matemtico de algn sistema real y se observan los resultados. Entonces estas manipulaciones y observaciones se utilizan para hacer deducciones con respecto al sistema real. Si el modelo involucra muestreo aleatorio a partir de una distribucin de probabilidad el procedimiento se denomina simulacin monte Carlo. En este captulo ser evidente que la simulacin Monte Carlo est orientada hacia el computador, ya que sin la rapidez del computador la mayora de los modelos de simulacin Monte Carlo, no seran prcticos. Por medio de ejemplos puede enfocarse mejor la discusin de la simulacin Monte Carlo La Simulacin de Monte Carlo es una tcnica que permite llevar a cabo la valoracin de los proyectos de inversin considerando que una, o varias, de las variables que se utilizan para la determinacin de los flujos netos de caja no son variables ciertas, sino que pueden tomar varios valores. Por tanto, se trata de una tcnica que permite introducir el riesgo en la valoracin de los proyectos de inversin. La tcnica de la simulacin de Monte Carlo se basa en simular la realidad a travs del estudio de una muestra, que se ha generado de forma totalmente aleatoria. Resulta, por tanto, de gran utilidad en los casos en los que no es posible obtener informacin sobre la realidad a analizar, o cuando la experimentacin no es posible, o es muy costosa. As, permite tener en cuenta para el anlisis un elevado nmero de escenarios aleatorios, por lo que, se puede decir que hace posible llevar la tcnica del anlisis de escenarios al infinito ampliando la perspectiva de los escenarios posibles. De esta forma, se pueden realizar anlisis que se ajusten en mayor medida a la variabilidad real de las variables consideradas. La aplicacin de esta tcnica se basa en la identificacin de las variables que se consideran ms significativas, as como las relaciones existentes entre ellas (aunque esto puede resultar realmente complejo), para explicar la realidad a estudiar mediante la sustitucin del universo real, por un universo terico utilizando nmeros aleatorios.

APLICACIN A UN CASO PRCTICO Una empresa est analizando la posibilidad de llevar a cabo un proyecto de inversin que requiere una inversin 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 10.000 12.000 14.000 Probabilidad 0,20 0,45 0,35

Adems, se sabe que la duracin del proyecto de inversin es de 4 aos. 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 aos sucesivos podrn oscilar entre un 15 por ciento por encima, o por debajo, del valor del flujo neto de caja del ao anterior. Adems, 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 inversin analizado segn el mtodo de valoracin del Valor Actual Neto (VAN), utilizando para ello la tcnica de simulacin de Monte Carlo realizando un total de cinco simulaciones. Solucin: - En primer lugar hay que seleccionar el modelo matemtico que se va a utilizar, que en este caso ser el Valor Actual Neto (VAN). Por tanto:, donde i = 1..4 La tasa de descuento a utilizar en las simulaciones es la tasa libre de riesgo (10 por ciento). - A continuacin habr 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 inversin. El valor del primer flujo neto de caja. El valor del resto de flujos netos de caja.

- Posteriormente hay que determinar la funcin de densidad de probabilidad asociada a cada una de ellas.

- El desembolso inicial del proyecto de inversin: se trata de una variable discreta que slo puede tomar los valores 10.000, 12.000 y 14.000, con unas probabilidades asociadas respectivamente del 20, 45 y 35 por ciento. La representacin grfica de su funcin 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 mnimo y mximo equiprobable, por lo que sigue una distribucin uniforme o rectangular. Los valores superiores o inferiores a los extremos anteriormente citados tienen una probabilidad de ocurrencia nula. La representacin grfica de su funcin de densidad es la siguiente: - El resto de flujos netos de caja: son variables continas 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 tambin siguen una distribucin uniforme o rectangular. Los valores superiores o inferiores a los extremos anteriormente citados tienen una probabilidad de ocurrencia nula. La representacin grfica de su funcin de densidad es la siguiente: - El siguiente paso consiste en obtener las funciones de distribucin asociadas a las variables. - Para el desembolso inicial del proyecto de inversin, la funcin de distribucin viene dada por la probabilidad acumulada, de tal forma que: Desembolso inicial 10.000 12.000 14.000 Probabilidad 0,20 0,45 0,35 Probabilidad Acumulada 0,20 0,65 1,00

En nuestra simulacin de los modelos ser necesario generar valores para las variables aleatorias. Ejemplo: Un dispositivo fsico que simule la demanda de un modelo dado de sartenes

Si las reas de los sectores estn hechas para corresponder a la probabilidad de diferentes demandas, la aguja puede utilizarse para simular la demanda. Para generar una demanda para un modelo en particular, primero se necesita asignar un rango de nmeros aleatorios a cada demanda posible. Nmero aleatorio Demanda 0-0.1 0.1-0.3 0.3-0.6 0.6-0.8 0.8-0.9 0.9-1 8 9 10 11 12 13

El nico requisito para una asignacin correcta es que la proporcin de nmeros asignados a una demanda sea igual a la probabilidad de la misma.

UN MTODO GENERAL (1) Capacidad de generar nmeros aleatorios (2) La distribucin de probabilidad la distribucin acumulada (FDA) de la variable aleatoria que ser generada. Ejemplo: variable aleatoria D es la demanda de sartenes. FDA de D: F(x) es la probabilidad de que D adquiera un valor menor que o igual a x es decir F(x)=Prob {Dx} Para el ejemplo, la F(x) es:

X F(x) 0.6

9 0.1

10 0.3

11 0.8

12 0.9

13 1.0

Ejemplo: Se supone que la demanda diaria de un artculo particular puede expresarse mediante la distribucin mostrada en la tabla 7.1 y que se desea generar mediante un patrn la demanda para 10 das. Tabla7.1 Distribucin de la demanda Demanda (das) 0 1 2 3 4 5 Frecuencia 0.05 0.10 0.15 0.30 0.25 0.15

El primer paso es establecer la funcin de distribucin acumulativa FDA) mostrada en la tabla 7.2. El siguiente paso es formar la tabla de nmeros ndice. Los nmeros ndice se asignan de manera que puedan reflejar la probabilidad de diversas demandas. El patrn de demanda para el periodo de 10 das mostrado en la tabla 7.3 se obtiene con los nmeros de la tabla de nmeros aleatorios. Tabla 7.2 Distribucin acumulativa de la demanda Demanda 0 1 2 3 4 5 Frecuencia 0.05 0.15 0.30 0.60 0.85 1.00

Tabla de nmeros ndice Demanda (das) 0 1 2 3 4 5 Nmeros ndice 00-04 05-14 15-29 10-59 60-84 85-99

Tabla Nmeros aleatorios 14 74 24 87 07 45 26 66 26 94

Tabla 7.3 Patrn de demanda Da 1 2 3 4 5 6 7 8 9 10 Demanda 1 4 2 5 1 3 2 4 2 5

En este momento son necesarios algunos comentarios e informacin adicionales. En primer lugar se recuerda que este es un ejemplo muy sencillo, que muestra solo algunos de los rudimentos de la simulacin Monte Carlo. Una pregunta que ordinariamente se presenta es: Dnde se obtiene la distribucin de probabilidad de una variable? Generalmente se obtiene a partir de datos histricos o a partir de datos estimados. si se emplean datos histricos., evidentemente s supone que los datos del pasado describen apropiadamente el futuro. Si se cree que esta suposicin no es correcta, es necesario atenerse a datos estimados. La demanda diaria de este ejemplo se mostr con un valor entero que comienza en 0 y termina en 5, los valores intermedios estn en progresin aritmtica. Ninguna de estas consideraciones fsicas permiten la utilizacin de valores no enteros de una variable y estos valores se considera probables, deben incluirse en la distribucin de la variable. Al establecer la distribucin de una variable, si se cree que determinados valores intermedios no ocurren (probabilidad 0), estos deben omitirse. Otro punto obvio pero que algunas veces se olvida es que cuando no se implica que estos valores no ocurren en el sistema real que est siendo simulado. En la asignacin de nmeros ndice de la tabla correspondiente a estos, el primer nmero fue 00 y el ltimo 99. En la tabla 7.4 se indica que es posible comenzar con un nmero ndice de 01 terminar con un nmero ndice de 00. Esto depende de las preferencias personales. El punto que debe recordarse es que los nmeros ndice deben reflejar la probabilidad de los diferentes valores de la variable y que la secuencia de los nmeros ndice debe ser cerrada.

Tabla 7.4 otro mtodo de asignacin de nmeros ndice Demanda / semana 0 1 2 3 4 5 Numero ndice 01-05 06-15 16-30 31-60 61-85 86-00

En nmero de dgitos empleados en los nmeros ndice debe ser igual al nmero de cifras decimales empleadas en las probabilidades de los diferentes valores de la variable. El nmero de dgitos usados en los nmeros aleatorios debe ser igual al nmero de dgitos usados en los nmeros ndice. Los nmeros aleatorios de este ejemplo se obtuvieron a partir de una tabla de nmeros aleatorios. Cuando se utiliza una tabla de nmeros aleatorios se puede comenzar en cualquier punto de la tabla y seguir en cualquier direccin. Lo importante es no preferir los nmeros aleatorios. Una pregunta frecuente con respecto a la simulacin Monte Carlo es: si se conoce las frecuencias relativas (probabilidad) de los valores de una variable, por qu razn se utilizan nmeros aleatorios para simularlas? E otras palabras, si en el ejemplo se utilizan 10.000 nmeros aleatorios, debe esperare que el nmero de sucesos para cada nivel de demanda sea el mostrado en la tabla 7.5. Adems, se pueden calcular la media y la desviacin estaar tpica de la distribucin mostrada en la tabla 7.1 La respuesta a esta pregunta es que aunque se conoce la probabilidad para cada nivel de demanda y por consiguiente la frecuencia de cada nivel de demanda, no conoce el orden de ocurrencia. El orden de ocurrencia es el que se supone aleatorio y es el que se simula.