Universidad Nacional de Colombia

Sede Medellín

Módulo 6

Análisis de Riesgos con apoyo de

simulación de Montecarlo

Profesora: Patricia Jaramillo A.

 “La historia imita a la historia...

Aunque a veces, la historia puede

copiar a la ficción.”

Borges
 Simulación
Simulación es imitar el comportamiento de un
sistema manipulando un modelo que
represente la realidad.

Es un proceso de construcción de un modelo

matemático o lógico que representa un sistema
con el fin de experimentar con él, de tal forma
que permita ver su comportamiento y ayude
tomar una decisión.
 Simulación
EJEMPLO: SOBREVENTAS

Laura Acevedo es la gerente de La aerolínea regional Midwest Express

Airlines. Ha estado revisando los datos históricos del porcentaje de
clientes que no se presentan en el vuelo 227 de Milwaukee a San
Francisco y el promedio es alto.

La aeronave tiene capacidad para 112 asientos. La pregunta que Laura

quiere contestar es hasta que nivel deben sobrevenderse los lugares de
esta aeronave.

La demanda es predominantemente de negocios. La tarifa es una

variable que no se sabe con certeza, ya que muchos de los pasajeros
han comprado tarifas promociónales y otros han comprado los pasajes
unos meses antes, pero en promedio se venden a $396.

Si Laura acepta solo 112 reservaciones en este vuelo, es muy probable

que el avión despegue con asientos vacíos, debido a clientes que no se
presentan, lo cual representa un costo de oportunidad para la línea.
Por otro lado, si ella acepta más reservaciones que asientos,
corre el riesgo, de que incluso contando a los que no se
presentan, haya más clientes que asientos disponibles.

El procedimiento normal, en caso de que se deba negar el

abordaje a un cliente, es ponerlo en el siguiente vuelo
disponible, darle alguna compensación que suele costarles
diferente debido a particularidades de los clientes pero en
promedio pagan $592.

Las tarifas son reembolsables; es decir, si un cliente no se

presenta, no pierde el tiquete.

Por el historial el porcentaje de número de pasajeros que llegan

tiene una media de 80%.

¿Cuántos tiquetes debe vender?

 Si vende 112, los beneficios serán los
siguientes
Variables de decisión
Número de tiquetes vendidos 112

Variables ciertas
Número de asientos 112
Promedio precio del tiquete $396
Promedio costo de indemnización $592
Porcentaje de pasajeros que llegan 80%

Resultados
Número de pasajeros que llegan =0.80 x 112 90
Número de pasajeros que viajan = min( 90; 112) 90
Número de pasajeros que se deben compensar = max( 0 ; 90 - 90) 0
Beneficios = 90 x $396 $35.640
Costos de compensación = 0 x $592 0
Beneficios Netos $35.640 - $0 $35.640
Suponga que decide vender 150 entonces los
beneficios esperados son las siguientes
Variables de decisión
Número de tiquetes vendidos 150

Variables ciertas
Número de asientos 112
Promedio precio del tiquete $396
Promedio costo de indemnización $592
Porcentaje de pasajeros que llegan 80%

Resultados
Número de pasajeros que llegan = 0,80 x 150 120
Número de pasajeros que viajan =min (120;112) 112
Número de pasajeros que se deben compensar= max ( 0; 120 – 112) 8
Beneficios = 112 x $396 $44.352
Costos de compensación= 8 x $592 $4.736
Beneficios Netos = $44.352 - $ 4,736 $39.616

13-7
En vez de usar el valor promedio de las
variables inciertas, podría usar otros valores
como el peor valor posible o el mejor posible,
etc.

Pero todos ellos asumen que todas las variables

se mueven en la misma dirección al mismo
tiempo.

13-8
El número!!!
 Todos los criterios anteriores llevan a un
número.
 Suponen que todas las variables inciertas se
comportan al unísono en el valor promedio.
Pero en la realidad las variables se mueven
simultáneamente en direcciones que no
fueron representadas en los escenarios
estáticos.
Pero preguntas cómo:
•¿Cuál es la probabilidad de alcanzar la meta
de la empresa, por ejemplo $24000?
•¿Cuáles son las posibilidades de perder
dinero?
•¿Qué pasaría si los costos de indemnización
son altos y llegan casi todos los pasajeros?
Pueden ser muy difíciles de responder con ese
método por la multitud de formas en las que se
pueden interrelacionar las variables.
Los modelos estáticos :

• Asumen condiciones extremas y únicas

• Sobre-simplifican una situación que puede ser
analizada más en detalle

Con tantos riesgos e incertidumbre, se necesita

una herramienta que permita mejorar el
análisis estático y hacer una evaluación completa
del riesgo.

Los modelos estáticos son fácilmente mejorables

a través de la inclusión explícita de incertidumbre
mediante simulación de Montecarlo.
Simulación de Monte Carlo

Genera una gran cantidad de posibles

combinaciones de circunstancias que pueden
ocurrir, si una alternativa es elegida.
En la simulación deben generarse con mayor
frecuencia las combinaciones de valores de las
variables inciertas más probables que las menos
probables.
Todo esto permite evaluar estadísticamente y de
forma muy completa, las consecuencias de las
alternativas.
 Y=f(X1,X2,…,Xn)

Variable X1

Variable X2

Y= Salida
del modelo

Variable Xn
¿Por qué hacer simulación MonteCarlo?
 » Para capturar el efecto de cambios
simultáneos en las variables de entrada
 • Contextos donde el análisis de sensibilidad
tradicional es débil
 • Cuando se desea cuantificar tanto la magnitud
como la probabilidad de ciertos resultados
 • Cuando existen más de dos variables inciertas
que deben ser simultáneamente modificadas y
con un número muy amplio de posibles
combinaciones
 • Cuando existen no linealidades en el modelo –
Funciones SI, MAX, MIN, etc.
Así, en el problema de la venta de pasajes, los
datos históricos permiten caracterizar
estadísticamente las variables inciertas. De ahí
se puede deducir que:
 El porcentaje de viajeros que llegan sigue
una normal con promedio 80% y desviación
10%
 Y se tienen los datos históricos del precio del
tiquete y de los costos de indemnización.
 Con esta información y simulación de
Montecarlo puede mejorar el análisis de
riesgo. (lo seguiremos en el taller)
Cómo funciona la generación de valores aleatorios de
las variables inciertas?
I) A partir de histogramas de frecuencias
Si se tiene información sobre cierto fenómeno, por
ejemplo, las ventas de un producto, y se estiman las
probabilidades de diferentes niveles de venta así:

Unidades Prob.
1000 10%
2000 25%
3000 40%
4000 25%
A cada nivel de ventas puede asignársele un conjunto de
valores aleatorios de 1 a 100 en número proporcional a su
probabilidad
Unidades Probabilidad Números
aleatorios
1000 10% 01-10
2000 25% 11-35
3000 40% 36-75
4000 25% 76-100
¿Cómo generar observaciones aleatorias a partir
de una distribución de probabilidad?
Se obtiene un número aleatorio de 1 a 100, y se elige
el valor de la variable correspondiente
Ejemplo: número aleatorio 62, demanda 3000
unidades
 II) A partir de funciones continuas
Cómo funciona la generación de valores aleatorios de las variables
inciertas continuas?

se genera un valor aleatorio uniforme k, entonces el valor de la variables es:

F 1

F-1(k)= Valor de la Variable X

variable
 Ejemplo Método de Monte Carlo
Supóngase una inversión de $4’375.000 en un sembrado cuyo
fruto es perecedero. El modelo de Ingresos es:
Ingreso bruto = unidades vendidas * precio unitario
De acuerdo con datos históricos la demanda se ha
comportado de la siguiente forma:
Demanda Frecuencia Números
Punto medio relativa (%) aleatorios
Frecuencia relativa
3125 4 01-04
100%
3250 16 05-20 80%
60%
3375 24 21-44 40%
20%

3500 36 45-80 0%
3125 3250 3375 3500 3625 3750
3625 16 81-96 Ventas

3750 4 97-100
 Supóngase que las cantidades producidas han variado de la
siguiente forma:

Producción Frecuencia Números Frecuencia relativa

Punto relativa (%) aleatorios
medio
100%
80%

3248 10 01-10 60%

40%
20%
3373 35 11-45 0%
3248 3373 3498 3623
3498 43 46-88 Ventas

3623 12 89-100

Si se supone que la demanda y la producción se

comportarán en la misma forma como lo han hecho
históricamente se puede generar una muestra aleatoria.
Simulando los valores de demanda y de la producción se
puede obtener una distribución de frecuencia de los
ingresos netos.
 El precio de venta de el artículo es $3000. Y el costo
unitario es de $1000.
Lo producido por encima de la demanda se considera
una pérdida de $1000 por unidad y las ventas no
realizadas no acarrean pérdida.
Modelo de Ingreso neto:

Si demanda> Un. producidas : Un. producidas * 2000

Si demanda< Un. producidas :

demanda * 2000 -(Un. Producidas – demanda )* 1000
Para simular una serie de n eventos de “ingreso neto”
Debo simular cada uno de esos eventos así:
1. Simular demanda.
No aleatorio  genera demanda,
Ejemplo: No aleatorio= 22, demanda 3375
2. Simular producción
No aleatorio  genera Producción
Ejemplo: No aleatorio= 85, Producción = 3498
3. Evento “ingreso neto”:
Como demanda < Un. producidas
Ingreso neto = 3375 * 2000 - (3498 – 3375)* 1000
= $6 627 000
Serie simulada

A partir de la
serie
simulada se
pueden
deducir otras
series como
TIR, B/C etc.
TIR (%) Frecuencia % Frecuencia relativa y acumulada
acumulado
35 3 3
100
80
40 2 5 60

%
40
45 9 14 20

50 26 40 0
35 40 45 50 55 60 65 70
55 38 78 TIR
60 21 99
65 0 99 TIR media= $51.49
70 1 100 Ingreso neto medio= $6 602 850,
Si se hubiera trabajado solo con promedios (sin
simulación):
E[Vendidas]=3445
E[Producidas]=3445
E[Ingreso]= $2000*3445=$6 890 000
E[TIR]=57.43%
 De la serie simulada “Ingreso neto” :
Ingreso neto medio= $6 602 850,
Varianza = 77831440000

Ya se pueden responder preguntas como: ¿Qué probabilidad hay

de que el ingreso neto supere los $6 400 000?
De la gráfica:
P(x $6 400 000)=0.245, por lo que:
P(x > $6 400 000)=1-0.245=0.755
 Simulando flujos de caja

Una empresa trata de introducir en el mercado un

producto nuevo. Esto requiere un desembolso de
70 millones de pesos, cuya cantidad se puede
hacer frente al coste de adquisición de las nuevas
máquinas, publicidad y lanzamiento.

La capacidad de las nuevas instalaciones es de

20000 unidades de producto por año, cantidad
que el mercado puede absorber perfectamente.
La vida más probable del producto se estima en 5
años con la siguiente distribución de probabilidad:

Años de vida Probabilidad

3 0.10
4 0.20
5 0.40
6 0.20
7 0.10
El precio de venta del producto tampoco se sabe
con certeza: se dispone de la siguiente
distribución de probabilidad:

Precio $ Probabilidad
2500 0.25
3000 0.50
3500 0.25
El coste variable unitario no puede conocerse con
exactitud, dado que la actual coyuntura económica
es muy cambiante y los precios de los inputs
necesarios para producir el nuevo producto
pueden cambiar con bastante facilidad.

Costo variable Probabilidad

unitario $
1200 0.2
1400 0.2
1600 0.2
1800 0.2
2000 0.2
 Para el problema y dada la situación del mercado
financiero se considera aceptable una tasa de
descuento de 5%.
Se requiere conocer el valor medio del VPN y de
la TIR, así como su correspondiente desviación
estándar.

Hacer 10 simulaciones de flujo de caja,

suponiendo que tanto las ventas como los gastos
se efectúan al contado, por lo que el flujo neto
de caja de cada año se obtiene como:

producción anual * (precio de venta - coste variable unitario )

Asignación de números de la ruleta

Años de vida Probabilidad números

3 0.10 00 - 09
4 0.20 10 - 29
5 0.40 30 - 69
6 0.20 70 - 89
7 0.10 89 -99

Precio $ Probabilidad números

2500 0.25 00 - 24
3000 0.50 25 - 74
3500 0.25 75 –99
Se asumirá que no cambia durante la vida útil
El costo variable unitario sigue una distribución pert con valor
más probable $1600, mínimo de $1200 y máximo de $2000.

Se asumirá que cambia durante la vida útil según costos de

materia prima

Tenga en cuenta la inflación de 4% tanto en costo como en

precios
Ejemplo: evento i de la simulación:

24 36 28 24

0 0 0

Ejemplo año 1= ingresos = 20000*(3000-1800)

=$24 000 000

-70

VPN = $29 440 000

TIR = 22%
 Las 10 simulaciones:
Simulación Número Número Precio de Número Costo Variable Valor Presente
Número Aleatorio Años de Vida Aleatorio Venta Aleatorio Unitario Neto
1 0.1153 4 0.3253 3000 0.6658 1800 15 102 812
2 0.8767 6 0.2619 3000 0.2497 1400 92 422 146
3 0.6401 5 0.7862 4000 0.0505 1200 172 450 694
4 0.8373 6 0.2777 3000 0.0199 1200 112 724 914
5 0.4504 5 0.7082 3000 0.1578 1200 85 861 160
6 0.0633 3 0.9947 4000 0.6028 1800 49 822 913
7 0.0565 3 0.6222 3000 0.9691 2000 -15 535 039
8 0.6075 5 0.0271 2500 0.4761 1600 7 930 580
9 0.2771 4 0.4828 3000 0.8858 2000 919 010
10 0.6416 5 0.6583 3000 0.5597 1600 51 225 347
E(VPN)= 57 292 454
DESV(VPN)= 58 855 206
Retomemos el problema de la
sobreventa
 Suponga que el porcentaje de viajeros que
llegan sigue una normal con promedio 80% y
desviación 10%
 Haga 1000 simulaciones de Montecarlo y
responda las siguientes preguntas:
 ¿Cuál es el valor esperado de los beneficios
netos?
 ¿Cuál es la desviación estándar de los beneficios
netos?
 ¿Cuál es la probabilidad de que los beneficios
netos excedan $40.000?
 Otras preguntas que podrían
hacerse
 ¿Qué factores tienen una mayor influencia
en el éxito del proyecto?

 ¿Interesa más el crecimiento del mercado

que el momento de entrada de los
competidores?
 Análisis de sensibilidad
Una análisis adicional que debe hacerse es ¿qué
factores tienen la mayor influencia en el éxito de un
proyecto?

Por ejemplo, en el caos de la venta de tiquetes ¿es

más importante el porcentaje de pasajeros que llegan
o el costo de indemnización?

Existen dos herramientas que nos permiten hacer

esto

• Tornado
• Análisis de escenarios 13-38
Tornado
Jerarquiza la sensibilidad de una variable de salida respecto a
las variables de ingreso

Puede estimarse mediante dos indicadores:

• Regresión - Efecto en el resultado dado el cambio en una

variable de ingreso en una desviación estándar

Por ejemplo: Un incremento de una desviación estándar en la

participación de mercado en el Año 1 aumenta el VPN en un
0.895 de desviación estándar.
· Un incremento de una desviación estándar en los
competidores que entran en el Año 1 disminuye el VAN en un
0.387 de desviación estándar.
13-39
• Correlación – Grado de Correlación (-1 a 1)
Estas correlaciones son “correlaciones de jerarquía” de
las variables. Esto significa que, por ejemplo se ordenan
los valores de la participación de mercado en el Año 1 y el
VPN, según el valor de cada iteración. Luego se
correlaciona el orden relativo de las variables y no los
valores mismos

13-40
Análisis de escenarios
Por ejemplo, para un escenario especifico como seria la
agrupación de únicamente los resultados de VPN que se
encuentren en el 10% superior, se identifican las variables
aleatorias cuyos valores difieren en forma significativa de sus
medianas.

En @risk, en la ventana de resultados, escogiendo el botón

de “Scenarios” se puede escoger el escenario de interés que
se encuentra en la lista de escenarios.

13-41
Por ejemplo, en la figura, dentro del escenario que agrupa todas las
iteraciones en que el VPN se encontró en el 10% superior, las
siguientes variables difieren significativamente de sus valores
medianos generales:

· La participación en el año 1 tiene un valor medio de 0.59, lo cual se

encuentra a 1.58 sigmas sobre el promedio (en todas las iteraciones).

· La variable de nuevos competidores del Año 2 tiene un valor

medio de 0, lo cual se encuentra a 1.35 sigmas por debajo de su
promedio.

13-42
 Modelación de relaciones
de dependencia
Hasta ahora se ha asumido que las funciones de
probabilidad son independientes.
Es posible que el valor de algunas variables
dependa de los valores de otras.
Por ejemplo es posible que los costos de
mantenimiento estén relacionados con las
ventas, ya que altas ventas implican altos
niveles de producción y por lo tanto alto uso de
las máquinas.
13b-43
 Algunos patrones de Dependencia

12=-1
Variable 2

Variable 2
12=1

Variable 1 Variable 1
Dependencia positiva total Dependencia negativa total

12<0 12=0
Variable 2
Variable 2

Variable 1
Variable 1
Independencia 13b-44
Dependencia negativa difusa
 Simulación de dependencia total

Dos variables con dependencia positiva total

(12=1) deben ser simuladas con el mismo
número aleatorio

Dos variables con dependencia negativa total

(12=-1) deben ser simuladas, una con un
número aleatorio y la otra con 1 - ese número
aleatorio
13b-45
Generaciòn de numeros aleatorios con correlacion 
Existen varias tècnicas. Una de ellas es la siguiente:
•Generar dos secuencias x1 y x2 de numeros normales no
correlacionados.
•Generar una secuencia Y1, tal que:
•La secuencia Y1 tendra una correlacion  con x1* . Estas dos
secuencias se usan para la simulación de las variables
corrrelacionadas.

* por descomposición de Cholesky 46

Ventajas de la simulación de Montecarlo

 Es una herramienta sencilla y flexible, especialmente

debido a los avances de softwares.

 Puede usarse para analizar situaciones cotidianas

grandes y complejas que no pueden resolverse
mediante modelos convencionales de análisis
cuantitativo.

 Permite las preguntas del tipo Que pasaría si?

 No interfieren con el sistema real

 Ventajas de la simulación de Montecarlo

 Permite el estudio del efecto interactivo de componentes

individuales y determinar cuales son más importantes

 Es posible realizar un “comprensión del tiempo”. Se puede

obtener el efecto de ordenar, o aplicar políticas a lo largo de
muchos días, o meses, o años, en pocos minutos.

 Permite incluir complejidades que en la mayoría de modelos

cuantitativos no se puede. Por ejemplo algunos modelos de
colas requieren distribuciones exponenciales o de Poisson, o
algunos de inventarios requieren normalidad. La simulación
puede incorporar cualquier distribución.

48
 Desventajas de la simulación de
Montecarlo
 Los buenos modelos puede ser caros. Generalmente el
desarrollo de un modelo es un proceso largo y complejo.
Por ejemplo se puede emplear meses para el desarrollo
de un modelo de planeación corporativa

 No genera soluciones óptimas. Es un enfoque de prueba

y error. Por si mismo no produce respuesta alguna

 Cada modelo de simulación es único. Sus soluciones e

inferencias generalmente no son transferibles a otros
problemas.

49
Softwares comerciales para
simulación de Montecarlo

 @RISK
 Crystall Ball
 RiskSim

Entre otros…