El rbol de Eventos es una ilustracin grfica de sucesos potenciales que puedan dar como resultado fallas de

equipos especficos o errores humanos. El Anlisis por rbolde Eventos considera la respuesta del personal y
los sistemas de seguridad en relacincon la presentacin de la falla. El resultado del anlisis de un evento por
rbol deEventos son las secuencias de un accidente, por ejemplo, un juego de fallas/errores, enforma ramificada y
cronolgica, que definen un accidente. El rbol de Eventos no esaplicable al anlisis de riesgos, pero es de gran utilidad
para analizar el efecto desistemas de seguridad o procedimientos de emergencia en la prevencin y mitigacin
deeventos peligrosos

Introduccin
El rbol de Eventos es una ilustracin grfica de sucesos potenciales que puedan dar como resultado fallas de
equipos especficos o errores humanos. El Anlisis por rbolde Eventos considera la respuesta del personal y
los sistemas de seguridad en relacincon la presentacin de la falla. El resultado del anlisis de un evento por
rbol deEventos son las secuencias de un accidente, por ejemplo, un juego de fallas/errores, enforma ramificada y
cronolgica, que definen un accidente. El rbol de Eventos no esaplicable al anlisis de riesgos, pero es de gran utilidad
para analizar el efecto desistemas de seguridad o procedimientos de emergencia en la prevencin y mitigacin
deeventos peligrosos
AROLES DE FALLA
ARBOLES DE FALLOS
La tcnica del rbol de fallos naci en 1962 con su primera aplicacin a la verificacin de la fiabilidad de
diseo del cohete Minuteman. Posteriormente ha sido aplicada sobre todo inicialmente en el campo nuclear y
posteriormente en el campo qumico, en estudios como el de Rijmond. Los rboles de fallos constituyen una
tcnica ampliamente utilizada en los anlisis de riesgos debido a que proporcionan resultados tanto cualitativos
como cuantitativos. En este apartado se describe nicamente la tcnica en su aplicacin cualitativa.
Esta tcnica consiste en un proceso deductivo basado en las leyes del Algebra de Boole, que permite
determinar la expresin de sucesos complejos estudiados en funcin de los fallos bsicos de los elementos que
intervienen en l. De esta manera, se puede apreciar de forma cualitativa, qu sucesos son menos probables
porque requieren la ocurrencia simultnea de numerosas causas.
Consiste en descomponer sistemticamente un suceso complejo denominado suceso TOP en sucesos
intermedios hasta llegar a sucesos bsicos.
Suceso TOP: Ocupa la parte superior de la estructura lgica que representa el rbol de fallos. Es el suceso
complejo que se representa mediante un rectngulo. Tiene que estar claramente definido (condiciones,...

Sucesos intermedios: Son los sucesos intermedios que son encontrados en el proceso de descomposicin y que
a su vez pueden ser de nuevo descompuestos. Se representan en el rbol de fallos en rectngulos.

Sucesos bsicos: Son los sucesos terminales de la descomposicin. Pueden representar cualquier tipo de
suceso: sucesos de fallos, error humano.... o sucesos de xito: ocurrencia de un evento determinado. Se
representan en crculos en la estructura del rbol.
En el proceso de descomposicin del rbol se recurre a una serie de puertas lgicas que representan los
operadores del lgebra de sucesos. Los dos tipos ms elementales corresponden a las puertas AND y OR cuyos
smbolos se indican a continuacin. La puerta OR se utiliza para indicar un 0 lgico: significa que la salida
lgica S ocurrir siempre y cuando ocurran por lo menos una de las dos entradas lgicas e1 o e2.
La puerta AND se utiliza para indicar un Y lgico. Para que ocurra la salida lgica S es necesario que
ocurran conjuntamente las dos entradas lgicas e1 y e2.

AND OR
Se suelen numerar las puertas del rbol para facilitar su identificacin. En la tabla 3.3 extracto del Fault Tree
Handbook, 1987 se indican otros tipos de puertas lgicas (menos utilizados) y su simbologa.
Sucesos no desarrollados. Existen sucesos en el proceso de descomposicin del rbol de fallos cuyo proceso
de descomposicin no se prosigue, bien por falta de informacin, bien porque no se considera necesario. Se
representan mediante un rombo y se tratan como sucesos bsicos.

En la tcnica del rbol de fallos cabe destacar dos fases bien diferenciadas: la primera consiste en la
elaboracin del rbol y la segunda en el anlisis de los resultados y en su tratamiento.


SIMBOLOGIA DEL ARBOL DE FALLOS

Elaboracin del rbol de fallos
En esta fase se integran todos los conocimientos sobre el funcionamiento y operacin de la instalacin con
respecto del suceso estudiado.
El primer paso consiste en identificar el suceso no deseado o suceso TOP que ocupar la cspide de la
estructura grfica representativa del rbol. De la definicin clara y precisa del TOP depende todo el desarrollo
del rbol.
Con este TOP se establecen de forma sistemtica todas las causas inmediatas que contribuyen a su ocurrencia
definiendo as los sucesos intermedios unidos a travs de las puertas lgicas. El proceso de descomposicin de
un suceso intermedio se repite sucesivas veces hasta llegar a los sucesos bsicos o componentes del rbol.
Tratamiento cualitativo del rbol de fallos
Para ello se reduce la lgica del rbol hasta obtener las combinaciones mnimas de sucesos primarios cuya
ocurrencia simultnea garantiza la ocurrencia del propio TOP. Cada una de estas combinaciones, tambin
llamadas conjunto mnimo de fallo (minimal cut-set en la nomenclatura anglosajona), corresponde a la
interseccin lgica (en Algebra de Boole) de varios sucesos elementales.
Se obtendr, por tanto, una lista de los conjuntos mnimos de fallos del siguiente tipo:

Conjunto mnimo
fallos nmero
Orden Composicin





En la primera columna se indicar el nmero de conjuntos mnimos de un orden determinado. Se define como
orden de un componente el nmero de elementos que en l figuran. Por ltimo, la tercera columna describir la
composicin de los conjuntos mnimos.
Del estudio y anlisis de esta tabla se podrn sacar las conclusiones cualitativas sobre la importancia de cada
suceso.
En un estudio cualitativo tambin se puede llevar a cabo un anlisis de importancia que consiste en determinar
los elementos ms relevantes en la estructura, en este caso independientemente de la probabilidad que pudieran
tener.
En este caso el anlisis consiste en asignar a todos los componentes una tasa constante igual para todos a 0,5 y
calcular la medida de importancia de Fusell Vesely definida como:
Medida de importancia de Fusell-Vesely: Se define el factor de importancia de Fusell-Vesely respecto de un
componente C como el cociente entre la suma de las probabilidades de todos los conjuntos mnimos que
contienen a este componente y la probabilidad total (o suma de las probabilidades de todos los conjuntos
mnimos). Su expresin es:

donde:
C es el componente respecto del cual se calcula la medida de importancia
Ci es uno de los N conjuntos mnimos de fallos del sistema
p(C
i
) es su probabilidad
CC
i
representa que el componente C es uno de los componentes del conjunto mnimo de fallos C
i
.
Este factor tiene en cuenta el nmero de conjuntos mnimos de fallos en que aparece un componente
(frecuencia de aparicin en el rbol) y los componentes a los cuales va asociado.
Matriz de conexion
El planteamiento de las ecuaciones de equilibrio en los nudos de una estructura tiene normalmente
la funcin de determinar las solicitaciones que se producen en las barras de una estructura como
consecuencia de la actuacin de un sistema de cargas sobre dicha estructura.
As en el caso de estructuras de nudos articulados, con isostaticidad interior y exterior, con cargas
puntuales en los nudos, mediante la aplicacin del mtodo analtico de los nudos o con el mtodo
grfico de Cremona se pueden obtener los axiles de traccin compresin en las barras.
En otras tipologas estructurales no isostticas las ecuaciones de equilibrio en nudos son
importantes, por cuanto establecen una relacin entre las solicitaciones que se producen en los
extremos de las barras que confluyen en un nudo y el sistema de cargas que acta sobre la
estructura, aunque no aporten una solucin directa al problema de determinacin de las
solicitaciones en barras.
En la metodologa de clculo matricial de estructuras la matriz de conexin, que denominaremos
simblicamente como { C } , establece una relacin entre los vectores:
Cargas en nudos de la estructura, en coordenadas globales
Cargas en barras, en coordenadas locales
Segn podemos ver por lo anterior la matriz de conexin se refiere a una estructura y no a una barra
individual, como puede suceder, por ejemplo, con la matriz de rigidez, que puede ser aplicable
tanto a una barra como a una estructura.
As denominamos matriz de conexin de una estructura a { C } , tal que se cumpla la ecuacin :
{ PN
G
} = { C } . { Pb
L
}
siendo :
{ PN
G
} = Vector cargas en nudos , en coordenadas globales .
{ Pb
L
} = Vector cargas en barras , en coordenadas locales .


La determinacin de la matriz de conexin est basada, como hemos indocado anteriormente, en el
equilibrio esttico en nudos y, por tanto, una vez determinada tal matriz, en el caso de estructuras
isostticas de nudos articulados, poder obtener los esfuerzos en barras, que en tal caso seran los
axiles ya que se utilizan las coordenadas locales para su expresin.
Como hemos referido anteriormente la matriz de conexin se refiere siempre a una estructura y por
ello vamos a obtener la matriz de conexin de la estructura de la figura siguiente.



Planteando el equilibrio en los nudos D, E y F y utilizando las relaciones anteriormente definidas :
(1) { P
G
} = { T } . { P
L
}
(2) { P1 } + { H } . { P2 } = 0

obtendremos la ecuacin siguiente para el nudo D :
(3) { PD
G
} = {P2a
G
} + {P1d
G
} = {Ta}.{P2a
L
} - {Td}.{Hd}. {P2d
L
}

donde:
{ PD
G
} ser el vector carga en el nudo D, en coordenadas globales
{P2a
G
} y {P2a
L
} sern los vectores solicitacin (carga) en el extremo 2 de la barra a, en
coordenadas globales y locales
{P1d
G
} ser el vector solicitacin (carga) en el extremo 1 de la barra d, en coordenadas globales
{P2a
L
} ser el vector solicitacin (carga) en el extremo 2 de la barra d, en coordenadas locales
{Ta} y {Td} son las matrices de transformacin en las barras a y d.
Anlogamente obtendremos la ecuacin siguiente para el nudo E :
(4) {PE
G
} = {P2d
G
} + {P1e
G
} + {P2b
G
} = {Td}. {P2d
L
} - {Te}.{He}. {P2e
L
} + {Tb}. {P2b
L
}

Con igual procedimiento obtendremos la ecuacin siguiente para el nudo F :
(5) {PF
G
} = {P2e
G
} + {P2c
G
} = {Te}. {P2e
L
} + {Tc}. {P2c
L
}

En el vnculo A se cumplir que :
(6) {PA
G
} = {P1a
G
} = - {Ta}.{Ha}.{P2a
L
}

En el vnculo B se cumplir que :
(7) {PB
G
} = {P1b
G
} = - {Tb}.{Hb}.{P2b
L
}


En el vnculo C se cumplir que :
(8) {PC
G
} = {P1c
G
} = - {Tc}.{Hc}.{P2c
L
}

Hemos indicado anteriormente que denominamos matriz de conexin de una estructura a { C } , tal
que se cumpla la ecuacin :
{ PN
G
} = { C } . { Pb
L
}

siendo :
{ PN
G
} = Vector cargas en nudos , en coordenadas globales .
{ Pb
L
} = Vector cargas en barras , en coordenadas locales .
luego:
Vamos a expresar las ecuaciones anteriores (4), (5), (6), (7) y (8) de la forma matricial adecuada y
resultar lo siguiente:



Hemos de recordar:
1- Que hemos expresado la matriz de conexin { C } con los valores de las cargas en nudos en
coordenadas globales y las cargas en barras en coordenadas locales.
2- Que hemos introducido los nudos correspondientes a los vnculos en la matriz de conexin { C
} .
La matriz de conexin { C }, de orden f x c , nos permite clasificar el tipo de estructura, ya que si es
rectangular, la estructura ser :
si c > f hiperesttica .
si c < f mecanismo .
y si es cuadrada ( c = f ), y es regular, la estructura ser isosttica .
La matriz de conexin presenta su utilidad fundamental para obtener, en el caso de estructuras
isostticas de nudos articulados, con cargas en los nudos, el valor de los esfuerzos en barras, en
locales, es decir los valores de traccin compresin.
Para ello partiendo de las cargas en nudos, P (fuerzas), en globales y sin necesidad de calcular los
desplazamientos en nudos, podemos obtener las solicitaciones en barras ms directamente que por
el mtodo de la rigidez.
Mtodo de Montecarlo .
El mtodo Montecarlo es un mtodo numrico que permite resolver problemas fsicos y
matemticos mediante la simulacin de variables aleatorias. Lo vamos a considerar aqu desde un punto de
vista didctico para resolver un problema del que conocemos tanto su solucin analtica como numrica. El
mtodo Montecarlo fue bautizado as por su clara analoga con los juegos de ruleta de los casinos, el ms
clebre de los cuales es el de Montecarlo, casino cuya construccin fue propuesta en 1856 por el prncipe
Carlos III de Mnaco, siendo inaugurado en 1861.
La importancia actual del mtodo Montecarlo se basa en la existencia de problemas que tienen
difcil solucin por mtodos exclusivamente analticos o numricos, pero que dependen de factores aleatorios
o se pueden asociar a un modelo probabilstica artificial (resolucin de integrales de muchas variables,
minimizacin de funciones, etc.). Gracias al avance en diseo de los ordenadores, clculos Montecarlo que en
otro tiempo hubieran sido inconcebibles, hoy en da se presentan como asequibles para la resolucin de
ciertos problemas. En estos mtodos el error ~ 1/N, donde N es el nmero de pruebas y, por tanto, ganar una
cifra decimal en la precisin implica aumentar N en 100 veces. La base es la generacin de nmeros aleatorios
de los que nos serviremos para calcular probabilidades. Conseguir un buen generador de estos nmeros as
como un conjunto estadstico adecuado sobre el que trabajar son las primeras dificultades con la nos vamos a
encontrar a la hora de utilizar este mtodo. En el caso que presentamos hemos hecho uso de la funcin
random() incluida en la clase Math que la mquina virtual Java trae por defecto como generador. Las pruebas
realizadas, algunas de las cuales se propondrn como ejercicio, verifican su calidad a la hora de calcular
nmeros aleatorios sin tendencia aparente a la repeticin ordenada.
Para resolver la ecuacin elptica de nuestro problema usando el mtodo 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 partcula situada en
uno de los puntos y que tiene la posibilidad de moverse libremente por todos los que constituyen la malla. La
nica condicin 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 partcula viajar por toda la red sin ms restricciones contamos el nmero 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 nmero elevado de
pruebas podemos calcular la probabilidad de que, partiendo de un mismo punto, salga por cada uno de los
puntos del contorno despus 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 nmero 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 partcula 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 pequea de 10x10 (salvo consideraciones de simetra) hay que calcular
probabilidades para 102 puntos. Una precisin razonable requerimos que para cada uno de ellos hay que
calcular ~106 trayectorias aleatorias. Con slo estas estimaciones podemos aventurar que el tiempo de
computacin requerido para solucionar la ecuacin de Laplace en una malla pequea va a ser superior al
necesario en cualquiera de los otros mtodos propuestos.
Ejecutando nuestra aplicacin veremos como este tiempo crece rpidamente con el nmero de
puntos de la malla siendo ste el factor limitante de la eficacia del mtodo. Sin embargo, el mtodo
Montecarlo es sencillo y fcil de programar.


. METODOLOGA DE CLCULO
La aplicacin del mtodo de Monte Carlo para valorar inversiones plantea dos aspectos fundamentales; la
estimacin de las variables y la determinacin del tamao de la muestra.
1. La estimacin de las variables
Para la aplicacin de la simulacin de Monte Carlo se han de seguir los siguientes pasos:

- En primer lugar hay que seleccionar el modelo matemtico que se va a utilizar, siendo en el caso de la valoracin
de proyectos de inversin los ms habituales el Valor Actual Neto (VAN), y la Tasa Interna de Rentabilidad (TIR).
Segn el valor obtenido para estos mtodos de valoracin se tomar la decisin 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 continuacin habr 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, as como las relaciones que existen entre ellas (por lo que sera deseable definir los coeficientes
de correlacin 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 estara incurriendo en un
error en los resultados obtenidos, y se reducira la variabilidad de los resultados al tener lugar el efecto de
compensacin en la interaccin de las variables.

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

- Posteriormente, se obtendrn las funciones de distribucin asociadas a las variables (o variable).

- A continuacin se procede a la generacin de nmeros aleatorios (nmeros tomados al azar) comprendidos entre
cero y uno. Estos nmeros pueden obtenerse utilizando un ordenador, siendo necesarios tantos como variables se
consideren en el modelo multiplicado por el nmero de simulaciones que se deseen realizar.

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

- El valor as calculado de "x" ser el primer valor de la muestra simulada.

- Este proceso habr de repetirse el nmero de veces necesario para poder disponer del nmero adecuado de
valores muestrales.

- A continuacin, se sustituyen los valores simulados en el modelo matemtico para ver el resultado obtenido para
las simulaciones realizadas. En el caso del anlisis de proyectos de inversin en los que se utiliza como mtodo de
valoracin 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 estara penalizando doblemente al proyecto de inversin, tanto en el
numerador como en el denominador por el riesgo. No obstante, en contra de esta posicin que es la que se utiliza
habitualmente en la prctica empresarial, se encuentra la de los autores Brealey y Myers, quienes limitan la utilidad
de la simulacin de Monte Carlo a la mejor estimacin 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 nico VAN.

- Posteriormente, se agrupan y clasifican los resultados. Se comparan los casos favorables, con los casos posibles,
y se agrupan por categoras de resultados.

- Para finalizar, se lleva a cabo el anlisis estadstico y de inferencia sobre el comportamiento de la realidad, siendo
interesante calcular la media, la varianza y la desviacin tpica. Por ejemplo, en la valoracin de proyectos de
inversin, es habitual llevar a cabo el anlisis de la viabilidad de un proyecto de inversin analizando la probabilidad
de que el Valor Actual Neto (VAN) sea positivo (P(VAN>0)), as como el anlisis de sensibilidad con el objetivo de
identificar aquellas variables que son consideradas crticas por tener mayor impacto sobre el VAN.
2. Estimacin del tamao de la muestra
Para determinar el tamao de la muestra, se empezar utilizando un nmero no demasiado elevado de
simulaciones, que se sustituirn en el modelo matemtico seleccionado, y se calcular la media y la desviacin
tpica correspondiente al mismo. A continuacin, se ir ampliando el tamao de la muestra hasta que la media y la
desviacin tpica no varen significativamente en relacin con los resultados obtenidos con la muestra anterior.
Se pueden aplicar dos procedimientos:

- Procedimiento aditivo: se parte de un nmero inicial de simulaciones (n), y se calcula la media y la desviacin
tpica del modelo matemtico utilizado. A continuacin se procede a aadir un nmero de nuevas simulaciones
equivalente al bloque inicial (n), de tal forma que ahora se calcula la media y la desviacin tpica del modelo
matemtico utilizando para ello un nmero de simulaciones que asciende a "2n". La nueva media y desviacin
tpica as calculadas se comparan con las anteriores, repitindose el proceso hasta que la media y la desviacin
tpica no diverjan en ms de un 0,5 1 por ciento. El inconveniente que presenta este mtodo es que segn se van
aadiendo nuevos bloques de simulaciones, las simulaciones antiguas tienen mayor peso que las nuevas.
Ejemplo:
Paso 1: Tamao del bloque de simulaciones "n".
Paso 2: Tamao del bloque de simulaciones "n+n = 2n". Si no hay convergencia, entonces paso 3, sino finalizar.
Paso 3: Tamao del bloque de simulaciones "2n+n = 3n". Si no hay convergencia, entonces paso 4, sino finalizar.
Y as, sucesivamente hasta alcanzar la convergencia.

- Procedimiento multiplicativo: se parte de un nmero inicial de simulaciones (n), y se calcula la media y la

desviacin tpica del modelo matemtico utilizado. A continuacin se procede a aadir un nmero de nuevas
simulaciones equivalente a las acumuladas hasta ese momento, de tal forma que ahora se calcula la media y la
desviacin tpica del modelo matemtico utilizando para ello un nmero de simulaciones que es el doble de las
utilizadas en el paso anterior. La nueva media y desviacin tpica as calculadas se comparan con las anteriores,
repitindose el proceso hasta que la media y la desviacin tpica no diverjan en ms de un 0,5 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 mtodo ms perfecto.
Ejemplo:
Paso 1: Tamao del bloque de simulaciones "n".
Paso 2: Tamao del bloque de simulaciones "2xn = 2n". Si no hay convergencia, entonces paso 3, sino finalizar.
Paso 3: Tamao del bloque de simulaciones "2x2n = 4n". Si no hay convergencia, entonces paso 4, sino finalizar.
Y as, sucesivamente hasta alcanzar la convergencia.
III. 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 Probabilidad
10.000 0,20
12.000 0,45
14.000 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: 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 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:
Mostrar/Ocultar
- El valor del primer flujo neto de caja: se trata de una variable contina 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:
Mostrar/Ocultar
- 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:
Mostrar/Ocultar
- 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 Probabilidad Probabilidad Acumulada
10.000 0,20 0,20
12.000 0,45 0,65
14.000 0,35 1,00
Representacin grfica:
Mostrar/Ocultar
- Para el valor del primer flujo neto de caja, al seguir una distribucin uniforme o rectangular, la representacin
grfica de su funcin de distribucin de probabilidad es una recta, tal y como se muestra en la figura siguiente:
Mostrar/Ocultar
- Para el valor del resto de flujos netos de caja, al seguir tambin una distribucin uniforme o rectangular, la
representacin grfica de su funcin de distribucin de probabilidad es una recta, tal y como se muestra en la figura
siguiente:
Mostrar/Ocultar
- A continuacin se procede a la generacin de nmeros aleatorios comprendidos entre cero y uno, siendo
necesarios tantos como variables se consideren en el modelo multiplicado por el nmero de simulaciones que se
deseen realizar.

Para el desembolso inicial del proyecto de inversin se necesitan cinco nmeros aleatorios, siendo en este caso
los siguientes: 0,22; 0,62; 0,81; 0,07 y 0,45.

Para el valor del primer flujo neto de caja se necesitan tambin cinco nmeros aleatorios, siendo en este caso los
siguientes: 0,21; 0,03; 0,12; 0,80 y 0,66.

Para el valor del resto de flujos netos de caja se necesitan 15 nmeros aleatorios, siendo en este caso los
siguientes: 0,10; 0,43; 0,17; 060; 0,05; 0,18; 0,38; 0,39; 0,72; 0,12; 0,66; 0,97; 0,48; 0,56 y 0,25.
- Una vez se dispone de los nmeros aleatorios, stos se llevan sobre el eje de ordenadas, y se proyectan
horizontalmente sobre las correspondientes funciones de distribucin. De tal forma que el valor as calculado para
cada variable ser el valor de la muestra simulada. Este proceso debe repetirse el nmero de veces necesario para
poder disponer del nmero adecuado de valores muestrales, en este caso, cinco veces.
- Para el desembolso inicial del proyecto de inversin, cada nmero aleatorio se lleva sobre la columna de la
probabilidad acumulada, obtenindose as el desembolso inicial simulado.
- Para la primera simulacin el nmero aleatorio generado ha sido 0,22; nmero que est comprendido entre 0,20 y
0,65; por tanto, el desembolso inicial del proyecto de inversin para la primera simulacin sera de 12.000 euros.
- Para la segunda simulacin el nmero aleatorio generado ha sido 0,62; nmero que est comprendido entre 0,20
y 0,65; por tanto, el desembolso inicial del proyecto de inversin para la segunda simulacin sera de 12.000 euros.
- Para la tercera simulacin el nmero aleatorio generado ha sido 0,81; nmero que est comprendido entre 0,65 y
1,00; por tanto, el desembolso inicial del proyecto de inversin para la tercera simulacin sera de 14.000 euros.
- Para la cuarta simulacin el nmero aleatorio generado ha sido 0,07; nmero que est comprendido entre 0,00 y
0,20; por tanto, el desembolso inicial del proyecto de inversin para la cuarta simulacin sera de 10.000 euros.
- Para la quinta simulacin el nmero aleatorio generado ha sido 0,45; nmero que est comprendido entre 0,20 y
0,45; por tanto, el desembolso inicial del proyecto de inversin para la quinta simulacin sera de 12.000 euros.
Los resultados obtenidos para el valor del desembolso inicial para cada una de las cinco simulaciones aparecen
recogidos en la tabla siguiente:
Simulacin Nmero aleatorio Desembolso inicial simulado
Primera 0,22 12.000
Segunda 0,62 12.000
Tercera 0,81 14.000
Simulacin Nmero aleatorio Desembolso inicial simulado
Cuarta 0,07 10.000
Quinta 0,45 12.000
- Para el valor del primer flujo neto de caja se procede a proyectar horizontalmente los nmeros aleatorios sobre la
correspondiente funcin de distribucin, debindose calcular, en este caso, la ecuacin de la recta correspondiente.
Al seguir el flujo neto de caja asociado al primer ao una distribucin rectangular o uniforme se proyectan los
nmeros aleatorios generados sobre la recta (es posible calcular su ecuacin dado que tenemos dos puntos:
(5.000,0) y (9.000,1)) y se despeja el valor de la variable "x" (FNC1), de tal forma que:
Mostrar/Ocultar
As, para el caso del primer nmero aleatorio obtenido (0,21) se sustituye en la ecuacin anterior en la variable "y",
obtenindose el valor de la variable "x" (flujo de caja asociado al primer ao) para la primera simulacin, siendo:
FNC
1
= 4.000 x (0,21) + 5.000 = 5.828,48
Grficamente:
Mostrar/Ocultar
El proceso se repetir tantas veces como simulaciones sean necesarias, en este caso cinco veces.
Segunda simulacin: FNC
1
= 4.000 x (0,03) + 5.000 = 5.129,28
Tercera simulacin: FNC
1
= 4.000 x (0,12) + 5.000 = 5.491,59
Cuarta simulacin: FNC
1
= 4.000 x (0,80) + 5.000 = 8.185,57
Quinta simulacin: FNC
1
= 4.000 x (0,66) + 5.000 = 7.623,24
Los resultados obtenidos para el valor del flujo neto de caja asociado al primer ao para cada una de las cinco
simulaciones aparecen recogidos en la tabla siguiente:
Simulacin Nmero aleatorio FNC
1

Primera 0,21 5.828,48
Segunda 0,03 5.129,28
Tercera 0,12 5.491,59
Cuarta 0,80 8.185,57
Quinta 0,66 7.623,24
- Para el valor del resto de flujos netos de caja se procede de forma similar al caso anterior, pero teniendo en
cuenta que el valor del correspondiente flujo neto de caja podr estar un 15 por ciento por encima, o por debajo, del
valor del flujo neto de caja estimado para el ao anterior. De tal forma que:
FNC
i-1
x (1-0,15) FNC
i
FNC
i-1
x (1+0,15)
Donde i = 2, 3 y 4.
En este caso, las variables tambin siguen una distribucin rectangular o uniforme, siendo la ecuacin de la recta:
Mostrar/Ocultar
Es decir: FNC
i
= 0,3 x FNC
i-1
x y + 0,85 x FNC
i-1

Por tanto: FNC
i
= FNC
i-1
x (0,3 x y + 0,85)
Para la primera simulacin, hay que tener en cuenta que el valor asociado al flujo neto de caja del primer ao era
de 5.828,48 , por tanto:
FNC
2
= FNC
1
x (0,3 x y + 0,85) = 5.828,48 x (0,3 x 0,10 + 0,85) = 5.128,27
FNC
3
= FNC
2
x (0,3 x y + 0,85) = 5.128,27 x (0,3 x 0,43 + 0,85) = 5.022,55
FNC
4
= FNC
3
x (0,3 x y + 0,85) = 5.022,55 x (0,3 x 0,17 + 0,85) = 4.521,04
Para la segunda simulacin, hay que tener en cuenta que el valor asociado al flujo neto de caja del primer ao era
de 5.129,28 , por tanto:
FNC
2
= FNC
1
x (0,3 x y + 0,85) = 5.129,28 x (0,3 x 0,60 + 0,85) = 5.276,87
FNC
3
= FNC
2
x (0,3 x y + 0,85) = 5.276,87 x (0,3 x 0,05 + 0,85) = 4.570,43
FNC
4
= FNC
3
x (0,3 x y + 0,85) = 4.570,43 x (0,3 x 0,18 + 0,85) = 4.137,41
El procedimiento se repetir con las cinco simulaciones. Los resultados obtenidos aparecen recogidos en la tabla
siguiente:
Simulacin
Nmero
aleatorio
FNC
2

Nmero
aleatorio
FNC
3

Nmero
aleatorio
FNC
4

Primera 0,10 5.128,27 0,43 5.022,55 0,17 4.521,04
Segunda 0,60 5.276,87 0,05 4.570,43 0,18 4.137,41
Tercera 0,38 5.296,20 0,39 5.116,14 0,72 5.449,19
Cuarta 0,12 7.258,62 0,66 7.597,00 0,97 8.677,76
Quinta 0,48 7.573,52 0,56 7.706,29 0,25 7.132,44
- A continuacin, se sustituyen los valores simulados en el modelo matemtico, que en este caso es el VAN, para
ver el resultado obtenido para las simulaciones realizadas.
Primera simulacin:
Mostrar/Ocultar
Segunda simulacin:
Mostrar/Ocultar
Tercera simulacin:
Mostrar/Ocultar
Cuarta simulacin:
Mostrar/Ocultar
Quinta simulacin:
Mostrar/Ocultar
Los resultados obtenidos para cada una de las cinco simulaciones aparecen recogidos en la tabla siguiente:
Simulacin FNC
0
FNC
1
FNC
2
FNC
3
FNC
4
VAN
Primera -12.000,00 5.828,48 5.128,27 5.022,55 4.521,04 4.398,30
Segunda -12.000,00 5.129,28 5.276,87 4.570,43 4.137,41 3.283,77
Tercera -14.000,00 5.491,59 5.296,20 5.116,14 5.449,19 2.935,09
Cuarta -10.000,00 8.185,57 7.258,62 7.597,00 8.677,76 15.075,05
Quinta -12.000,00 7.623,24 7.573,52 7.706,29 7.132,44 11.850,73
- En las cinco simulaciones realizadas el valor del VAN es positivo, siendo el valor del VAN medio de 7.508,59
euros, por lo que interesara llevar a cabo el proyecto de inversin.
. CONCEPTO
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.
La simulacin de Monte Carlo data del ao 1940, cuando Neuman y Ulam la aplicaron en el campo de la
experimentacin de armas nucleares. A partir de entonces, se ha demostrado que es una tcnica que puede ser
aplicada en campos de diversa ndole, utilizndose por primera vez para el anlisis de inversiones en el ao 1964
por Hertz. Hay algunas aplicaciones informticas especficas, como es el caso del programa "@Risk" de Palisade,
o el "Cristal Bowl", que permiten tener en cuenta la correlacin existente entre las variables, y realizar el anlisis del
riesgo en la valoracin de proyectos de inversin utilizando la simulacin de Monte Carlo.
http://www.expansion.com/diccionario-economico/simulacion-de-monte-carlo.html
http://www.expansion.com/diccionario-economico/simulacion-de-monte-carlo.html
http://www.expansion.com/diccionario-economico/simulacion-de-monte-carlo.html
http://www.expansion.com/diccionario-economico/simulacion-de-monte-carlo.html



Objeto de estudio

http://www.proteccioncivil.es/catalogo/carpeta02/carpeta22/guiatec/Metodos_cualitativos/cuali_33.htm