Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Aplicacion de La Simulacion Monte Carlo en El Calculo Del PDF
Aplicacion de La Simulacion Monte Carlo en El Calculo Del PDF
Aplicación de la Simulación
Monte Carlo en el cálculo
del riesgo usando Excel1
Carlos E. Azofeifa 2
1 Este artículo fue financiado por el proyecto N.º 820-A2-115, inscrito en la Vicerrectoría de
Investigación de la Universidad de Costa Rica.
2 Profesor Escuela de Matemática. Universidad de Costa Rica - Univesidad Nacional. Correo elecrónico:
(cazofeifa@uinteramericana.edu).
Vol. 17 Nº 1 97
Introducción de productos nuevos valores para las entradas probabilísticas y
El objetivo central de esta simulación es se calcularían los tiempos de espera de los
determinar aquella probabilidad que clientes, así como su número esperado en
tiene un producto nuevo de producir un la cola y el tiempo de servicio.
beneficio. Se desarrolla un modelo que
relaciona la utilidad con las distintas Finanzas
entradas probabilísticas como, por Hacer análisis de riesgo en procesos
ejemplo, la demanda, el costo de las financieros mediante la imitación
piezas o materia prima y el costo de la repetida de la evolución de las
mano de obra, etc. La única entrada que transacciones involucradas para generar
se controla es si se introduce o no el un perfil de los posibles resultados:
producto en el mercado. Al generar una
diversidad de posibles valores en • Aplicación al planeamiento de
función de las entradas probabilísticas, capacidad.
se calcula la utilidad resultante.
• Aplicaciones para determinar
Políticas de inventario políticas de mantenimiento óptimo.
98 Vol. 17 Nº 1
Los modelos de simulación que se van a que depende de variables probabilísticas
considerar difieren de otros modelos en de entrada. Los investigadores acuñaron
los siguientes aspectos: este término por su similaridad al
muestreo aleatorio en los juegos de ruleta
• Los modelos de simulación no se han
en los casinos de Monte Carlo.
diseñado para encontrar la mejor
solución o soluciones óptimas, como Así, por ejemplo, el modelo de Monte
en la programación lineal o en Carlo puede simular los resultados que
análisis de decisiones, sino que puede asumir el VAN de un proyecto.
evalúan diferentes alternativas y se Pero lo más relevante es que la
toma una decisión con base en una simulación permite experimentar para
comparación de los resultados. Es observar los resultados que va
decir, se evalúa el desempeño de mostrando dicho VAN.
sistemas previamente especificados.
Uso de Excel en la simulación
• Los modelos de simulación suelen
enfocarse en operaciones detalladas Por otra parte, puesto que hoy en día los
del sistema, ya sean físicas o modelos de simulación pueden crearse y
financieras. En el sistema se estudia ejecutarse en una PC. El nivel de
la manera como funciona a través conocimientos de computación y mate-
del tiempo y se incluyen los efectos mática requeridos para diseñar y correr
de los resultados de un periodo un simulador útil se ha reducido
sobre el siguiente. considerablemente. La capacidad de los
modelos de simulación para tratar con la
• La simulación por computadora complejidad, manejar la variabilidad de
imita la operación de este sistema las medidas de desempeño y reproducir
mediante el uso de distribuciones de el comportamiento a corto plazo permite
probabilidad correspondientes para que la simulación sea una herramienta
generar en forma aleatoria los poderosa.
diversos eventos que ocurren en el
sistema. Sin embargo, en lugar de Además, la potencia de las “PC”
recientemente ha hecho posible que el
operar un sistema físico, la
administrador use hojas de cálculo para
computadora solo registra las evaluar el riesgo de inversiones
ocurrencias de los eventos financieras, evaluación de proyectos,
simulados y el comportamiento planes de retiro y otros tipos de
resultante de este sistema simulado. decisiones de negocios. Lo anterior se
• Los modelos de simulación incluyen debe a la flexibilidad y capacidad
estadística de la hoja de cálculo, la cual
elementos aleatorios o probabi-
la torna especial para el desarrollo de los
lísticos; estos contienen ejemplos de modelos de simulación, particularmente
sistemas de colas, de inventario y en el uso de la simulación Monte Carlo.
modelos de análisis de riesgos, a De hecho, es quizá la hoja electrónica la
menudos llamados Simulación más elegante de todas las aplicaciones
Monte Carlo. de software, pues ella proporciona al
usuario un gran poder en la conducción
de los análisis financieros.
Simulación Monte Carlo
La simulación Monte Carlo es Beneficios de la simulación
básicamente un muestreo experimental • Los modelos simulados son más
cuyo propósito es estimar las fáciles de entender que muchos
distribuciones de las variables de salida modelos analíticos.
Vol. 17 Nº 1 99
• Se gana “experiencia” en forma no se conocen con exactitud y por lo
barata simulando en el computador tanto se consideran las entradas
sin correr riesgos reales. probabilísticas del modelo. Ahora bien,
• Se obtienen resultados de manera el comportamiento de estas entradas se
rápida. debe describir mediante distribuciones
de probabilidad.
• Con los modelos de simulación es
posible analizar sistemas muy De acuerdo con experiencias previas, se
complejos, donde los modelos han hecho las siguientes mejores
analíticos no pueden llegar. estimaciones de los valores anteriores, a
saber:
Análisis de riesgo 15.000 = costo de mano de obra directa,
Análisis de riesgo es el proceso de 30.000 = costo de componentes,
predecir el resultado de una decisión ante
20.000 = demanda del primer año.
una incertidumbre. El siguiente problema
presenta una gran incertidumbre: La Estos valores formarán el escenario
introducción de un nuevo producto. básico para la empresa PcSA. Se
Primeramente, se hará un análisis de requiere, además, un análisis del
riesgo sin utilizar la simulación y potencial de utilidades de la impresora
posteriormente se presentará otro durante su primer año. Para ello
análisis, con la ayuda de la simulación. ponemos:
Introducción C1 = costo de mano de obra por unidad.
de un producto nuevo C2 = costo de componentes por unidad.
La compañía PcSA comercia equipo
X = demanda del primer año
informático. El equipo de la compañía
encargado del diseño de productos ha Por lo tanto, el modelo se puede escribir
desarrollado un prototipo de una como:
impresora portátil de alta calidad. Esta
Utilidad = (70.000- C1 - C2 )X -
nueva impresora tiene un potencial para
240.000.000
ganarse un porcentaje importante del
mercado. Los análisis preliminares Si sustituimos los mejores valores
financieros y de mercadeo han llevado a estimados, se tiene la siguiente
establecer un precio de venta y un proyección de las utilidades
presupuesto para los costos
administrativos y de publicidad para el Utilidad = (70.000-15.000-30.000)
primer año. 20.000-240.000.000= 260.000.000 (*)
100 Vol. 17 Nº 1
En realidad, debemos evaluar dos aleatoria valores para las distintas
escenarios más: uno pesimista y otro entradas probabilísticas del problema, con
optimista. la ventaja de que nos va a permitir tener
Para el escenario pesimista tenemos la un juicio sobre la probabilidad de los
utilidad proyectada: posibles valores de utilidad o de pérdida.
Tabla 1
Distribución de probabilidad para costo de mano de obra directa
10.000 0,1
13.000 0,3
16.000 0,3
19.000 0,2
22.000 0,1
Vol. 17 Nº 1 101
14.500 unidades y la desviación capacidad de cómo generar estos valores
estándar es de 4.000 unidades. representativos para las distintas entradas
probabilísticas.
Ahora para simular el problema de PcSA
se deben generar valores para estas tres Números aleatorios y la generación
entradas probabilísticas y calcular la de valores de entradas probabilísticas
utilidad resultante. Después se debe Los números aleatorios generados por
generar otro juego de valores para las computadora se eligen al azar en el
mismas entradas probabilísticas, calcular intervalo de 0 a 1, pero sin incluir a 1.
un segundo valor para la utilidad y así Como cada número generado por
sucesivamente. Se continúa el proceso computadora tiene la misma probabilidad,
hasta que estemos seguros de que se han se dice que están distribuidos de manera
realizado suficientes ensayos para poder uniforme en el intervalo [0,1].
tener una buena imagen de la distribución
de los valores que toma de utilidad. Colocando =RAND() o =ALEATORIO()
en una celda de Excel, se producirá un
Este proceso de generar las entradas número aleatorio entre 0 y 1.
probabilísticas y de calcular el valor del
resultado se conoce como simulación.
Observemos que el precio de venta, el Generación para la distribución
costo administrativo y el costo de de probabilidad discreta
publicidad, se conservan fijos en toda la Comenzaremos por mostrar cómo generar
corrida de simulación. un valor para el costo de mano de obra
Para la simulación se pueden desarrollar directa por unidad. Se asigna un intervalo
mediciones de interés, por ejemplo, en de números aleatorios a cada valor posible
particular estamos interesados en calcular: del costo de mano de obra directa, de
forma que la probabilidad de generar un
a) la utilidad promedio y
número aleatorio en el intervalo sea igual
b) la probabilidad de una pérdida a la probabilidad del costo de mano de
Como las mediciones de estos resultados obra directa correspondiente. En la tabla
tienen que ser significativas, los valores de costo de mano de obra se muestra la
de las entradas probabilísticas tienen que manera de hacerlo.
ser representativos de lo que es probable Para lograr generar números aleatorios en
que ocurra al introducir la nueva Excel siguiendo una distribución discreta,
impresora en el mercado. Veamos la se va a Análisis de Datos en Herramientas
102 Vol. 17 Nº 1
y se escoge generación de números obra directa, procederemos de manera
aleatorios, luego en el cuadro de diálogo diferente en la generación de los valores.
se marca en la casilla de número de Como su distribución es uniforme (esto
variables: 1 ó 5, dependiendo el número es válido para cualquier distribución de
de columnas escogidas donde se probabilidad uniforme), se utiliza la
colocarán los números, en la casilla de siguiente relación entre el número
Número de números aleatorios: se pone aleatorio y el valor asociado del costo de
el número de ensayos, en este caso 70, componentes, la cual se obtiene a partir
donde dice distribución, se escoge del método de la transformada inversa:
discreta porque se tiene la distribución ya
Costo de componentes
dada por la tabla anterior, la cual se debe
especificar en la celda que dice: valor y = a + r(b-a), en donde
probabilidad del rango y finalmente se r= número aleatorio entre 0 y 1 con
escoge una celda para el rango de salida. distribución uniforme
Otra posibilidad es usar la función a= valor más pequeño para el costo
BUSCARV, la cual hace la misma de componentes del costo de
función anterior sin tener que usar los componentes
menús anteriores.
Para nuestro caso, a = 25.000 y
Lo anterior se realiza pues como los b=35.000; por tanto el costo de
números aleatorios tienen una misma componentes está dado por la ecuación:
probabilidad, así los analistas pueden por
tanto asignar rangos de números Costo de componentes = 25.000 +
aleatorios a valores correspondientes de r(35.000-25.000) = 25.000 + 10.000r.
entradas probabilísticas, de manera que la Poniéndolo en el lenguaje de Excel, se
probabilidad de cualquier valor de tendría la fórmula:
entrada al modelo de simulación sea
Costo de componentes = 25.000 +
idéntica a la probabilidad de su aparición
10.000 * aleatorio( ).
en el sistema real.
Supongamos ahora que se tiene el
Por tanto, ahora la probabilidad de
número aleatorio 0,2680, en este caso el
generar un número aleatorio en cualquier
valor del costo de componentes que se
intervalo es igual a la probabilidad de
genera es: 25.000 + 10.000* 0,2680 =
obtener el valor correspondiente del costo
27.680.
de mano de obra directa, por lo que, para
generar un valor aleatorio para el costo de Si en el siguiente ensayo se genera un
mano de obra directa, generaremos un número aleatorio igual a 0,5871;
número aleatorio entre 0 y 1. Si el número entonces, el costo de componentes sería
aleatorio es mayor a 0,0, pero inferior a 30.871 y así sucesivamente.
0,3, se define el costo de mano de obra
Generación de valores
directa igual a 10.000. Si el número
para la demanda del primer año
aleatorio es mayor a 0,3, pero inferior a
0,6, estableceremos el costo de mano de Como la demanda tiene una distribución
obra directa igual a 16.000 y así normal con media ∝=14.500 y
sucesivamente. desviación estándar σ=4.000. El
procedimiento para generar números
Generación de valores
aleatorios a partir de una distribución
para el costo de componentes
normal no se explicará debido a su
Como su distribución de probabilidad complejidad matemática. Sin embargo,
es distinta a la del costo de mano de los paquetes de simulación por
Vol. 17 Nº 1 103
computadora y principalmente las hojas simulación involucra generar valores al
de cálculo poseen una función que azar para las entradas probabilísticas
genera valores al azar a partir de una (costo de mano de obra directa, costo de
distribución de probabilidad normal, lo componentes y demanda del primer año)
único que se necesita es introducir el y después calcular la utilidad. La corrida
valor medio y la desviación estándar. de simulación queda concluida cuando
En el caso de Excel, colocamos la se haya llevado a cabo un número
siguiente fórmula en una celda para satisfactorio de ensayos.
obtener el valor de una entrada Contenidos de las celdas de los costos, la
probabilística que está distribuida demanda y la utilidad:
normalmente:
- Costo de mano de obra:
=NORMINV(RAND( ), µ=media, =BUSCARV(ALEATORIO( ); $A
σ=desviación estándar) $4: $C$8, 3, verdadero)
Para nuestro caso en particular, - Costo de componentes: = 25.000 +
tendríamos: 10.000*ALEATORIO( )
=NORMINV(RAND( ), µ=14.500, - Distribución de la demanda:
σ=4.000) =DISTR.NORM.INV (ALEATORIO
o ( ), 14.500, 4.000)
Modelo de PcSA
104 Vol. 17 Nº 1
Continuación
Vol. 17 Nº 1 105
Continuación
106 Vol. 17 Nº 1
utilidad simulada y obtener además las A continuación presentamos la estadística
correspondientes estadísticas descriptivas descriptiva de la simulación anterior; esto
para el número de ensayos pedidos en la se consigue en Análisis de datos que se
simulación, en estas últimas se puede encuentra en Herramientas de Excel.
incluir el número de pérdidas (para Observemos que la utilidad menor es de
calcular la probabilidad de una pérdida), -105 280 031,8 y la utilidad superior es de
la utilidad mínima y la utilidad máxima. 557 753 867,4. Además, la utilidad
Con estos datos se toman las decisiones promedio es de 158 312 474,2, con una
adecuadas. Recordemos que los estudios desviación estándar bastante grande de
de simulación permiten una estimación 132 220 387,9.
objetiva de la probabilidad de una
También, como destacamos antes, se
pérdida, lo que es un aspecto de
debe realizar un histograma de los
importancia en el análisis de riesgo.
resultados de la simulación; debajo del
Es claro que con la simulación se
obtiene mucha mayor información. Así,
por ejemplo, aunque los escenarios
pesimista y optimista son posibles, Columna 1
puede suceder que en una corrida de
1 000 simulaciones, estos sean poco Media 158312474,2
probables. Por otra parte, si por ejemplo Error típico 15803359,03
se tiene una probabilidad de pérdida de Mediana 136811189,4
0,071, la cual puede ser aceptable para Moda #N/A
la administración, dado que se tiene una Desviación estándar 132220387,9
probabilidad de que la utilidad sea Varianza de la muestra 1,74822E+16
beneficiosa. De lo contrario, PcSA Curtosis 0,349189721
puede realizar nuevas investigaciones Coeficiente de asimetría 0.626528563
de mercado antes de decidir la Rango 663033899,3
introducción del producto. En cualquier Mínimo -105280031,8
caso, los resultados de la simulación Máximo 557753867,4
deben ser una ayuda para llegar a una Suma 11081873194
decisión apropiada. Cuenta 70
Para evaluar el riesgo correspondiente Mayor (1) 557753867,4
del proyecto, se usó las estadísticas Menor(1) -105280031,8
descriptivas, además se puede utilizar la
tecla F9 para realizar otra simulación
completa de PcSA. En este caso, la hoja
de cálculo volverá a calcularse y se Clase Frecuencia %
incluirá un nuevo conjunto de resultados acumulado
de simulación. Cualquier resumen,
medidas o funciones de los datos que se -105280032 1 1,43%
hubieran incorporado anteriormente a la -22400794 2 4,29%
hoja de cálculo se actualizarán de 60478443 15 25,71%
manera automática. Para realizar la 143357680 19 52,86%
estadística descriptiva y su histograma, 226236918 13 71,43%
primero se debe congelar o fijar la 309116155 11 87,14%
columna de las utilidades; esto se 391995393 6 95,71%
consigue marcando las 70 utilidades 74874630 1 97,14%
obtenidas y luego proceder así: copiar / y mayor... 2 100,00%
copiar / pegado especial / pegar / valores.
Vol. 17 Nº 1 107
cuadro de la estadística descriptiva, Si se desea más precisión, se deben
aparece el cuadro de frecuencia realizar más de 70 ensayos para dar una
realizado por Excel y que proporciona mejor estimación del rendimiento
el siguiente gráfico (Herramientas / esperado, pero incluso con un mayor
Análisis de datos / Histograma): número de ensayos puede haber alguna
diferencia entre el promedio simulado y
el rendimiento esperado real.
Observamos que con la simulación se
Frecuencia obtiene más información que con los
% acumulado escenarios; qué pasaría si incluso
20 120,00% escenarios pesimistas y optimistas
podrían tener pocas probabilidades de
100,00%
15 que ocurrieran en la realidad, lo cual nos
Frecuencia
80,00%
da mucha información para un buen
10 60,00% análisis de riesgo; se puede además
40,00% observar cuáles son los valores de
5
20,00% utilidad más probables.
0 00,00% Si queremos realizar un número grande
de ensayos en Excel, digamos 2000
-105280031,8
-22400794,41
60478443
143357680,4
226236917,8
309116155,2
391995392,6
474874630
y mayor...
Bibliografía
Anderson, Sweeney, Williams. Métodos
cuantitativos para los negocios.
Por tanto, el intervalo de confianza para Séptima edición. Editorial Thomson.
esta simulación será [126.785.645,2- México. 1999.
189.839.303,2] Es decir, podemos tener Azarang, M-Gracía, E. Simulación y análisis de
un 95% de confianza en que la verdadera modelos estocásticos. Editorial
utilidad esperada está en algún punto McGraw-Hill. México. 1996.
entre 126.785.645,2 y 189.839.303,2, Bierman, Bonini, Hausman. Análisis
siendo nuestra mejor aproximación cuantitativo para la toma de decisiones.
158.312.474,2. Editorial McGraw-Hill. México. 2000.
108 Vol. 17 Nº 1
Eppen, F/ Gould, G/ Schmidt, C.P/ Moore, J/ Law,A-Kelton, D. Simulation Modelling &
Weatherford, L. Investigación de Analysis. McGraw-Hill, Inc. New York.
operaciones en la ciencia 1991.
administrativa. Prentice Hall. México.
2000. López Paulo. Probabilidad y Estadística.
Evans J-Olson D. Introduction to Simulation Conceptos, modelos, aplicaciones con
and Risk Analysis. Prentice Hall. New Excel. Prentice Hall. México. 2000.
Jersey. 2002.
Wayne Winston. Financial Models Using
Kinkoph S. Microsoft Excel 2000. Prentice Simulation and Optimization II. PAL N. º
Hall. 1999.
081. 1998.
Mathur, K/ Solow, D. Investigación de
operaciones. El arte de la toma de Wayne Winston. Simulation Modeling using
decisiones. Prentice Hall. México. 1996. @RISK . Duxbury. PAL. USA. 2001.
Vol. 17 Nº 1 109