Actividad 6- Simulacién De Montecarlo. Robert Orlando Angarita German Mendoza Cruz Zulma Cristina Barrera Rincon Facultad de Ingenieria, Corporaci6n Universitaria Iberoamericana Modelamiento y Simul Gonzalo Mahecha 06 de abril de 20221. Conteste las siguientes preguntas con sus palabras, a. Qué es la simulacién de Montecarlo? la simulacién de Monte Carlo es una técnica que combina conceptos estadisticos (muestreo aleatorio) con la capacidad que tienen los ordenadores para generar niimeros pseudoaleatorios y automatizar céleulos. Los origenes de esta técnica estin ligados al trabajo desarrollado por Stan Ulam y John ‘Von Neumann a finales de los 40 en el laboratorio de Los Alamos, cuando investigaban el movimiento aleatorio de los neutrones [WI]. En afios posteriores, la simulacién de Monte Carlo se ha venido aplicando a una infinidad de ambitos como alternativa a los modelos matemiticos exactos o incluso como tinico medio de es imar soluciones para problemas complejos. Asi, en la actualidad es posible encontrar modelos que hacen uso de simulacién Monte Carlo en las reas informética, empresarial, econémica, industrial ¢ incluso social [5, 8]. En otras palabras, la simulacién de Monte Carlo esté presente en todos aquellos dmbitos en Jos que el comportamiento aleatorio 0 probabilistico desempeiia un papel fundamental -precisamente, el nombre de Monte Carlo proviene de la famosa ciudad de Ménaco, donde abundan los jinos de juego y donde el azar, la probabilidad y el comportamiento aleatorio conforman todo un estilo de vida. Son muchos los autores que han apostado por utilizar hojas de céleulo para realizar simulacién Monte Carlo [1, 6, 7]. La potencia de las hojas de calcul reside en su universalidad, en su facilidad de uso, en su capacidad para recalcular valores y, sobre todo, en las posibilidades que ofrece con respecto al anilisis de escenarios (“what-i anaylisis"). Las Gitimas versiones de Excel incorporan, ademis, un lenguaje de programacién propio, el Visual Basic for Applications, con el cual es posible crear auténticas aplicaciones de simulacién destinadas al usuario final. En el mercado existen de hecho varios complementos de Excel (Add-Ins) especfficamente disefiados para realizar simulacién Monte Carlo, siendo los mas conocidos.b, Para qué se utiliza la simulacién de Montecarlo? La simulacién Monte Carlo realiza el andlisis de riesgo con la creacién de modelos de posibles resultados mediante 1a sustitucién de un rango de valores —una distribucién de probabilidad— para cualquier factor con incertidumbre inherente. Luego, calcula los resultados una y otra vez, cada vez usando un grupo diferente de valores aleatorios de las funciones de probabilidad. Dependiendo del ntimero de incertidumbres y de los rangos especificados, para completar una simulacién Monte Carlo puede ser necesario realizar miles 0 decenas de miles de recilculos. La simulacién Monte Carlo produce distribuciones de valores de los resultados posibles. El andlisis de riesgo se puede realizar cualitativa y cuantitativamente, El andlisis de riesgo cualitativo generalmente incluye a evaluacién instintiva 0 “por corazonada” de una situacién, y se caracteriza por afirmaciones como “Eso parece muy arriesgado” o “Probablemente obtendremos buenos resultados”, El anlisis de riesgo cuantitativo trata de asignar valores numéricos a los riesgos, utilizando datos empfricos 0 cuantificando evaluaciones cualitativas, Vamos a concentrarnos en el andlisis de riesgo cuantitativo, Mediante el uso de distribuciones de probabilidad, las variables pueden generar diferentes probabilidades de que se produzcan diferentes resultados, Las distribuciones de probabilidad son una forma mucho més realista de describir la incertidumbre en las variables de un andlisis de riesgo. Las distribuciones de probabilidad més comunes son: Normal — © “curva de campana”. El usuario simplemente define la media o valor esperado y una desviacién esténdar para describir la variacin con respecto a la media. Los valores imtermedios cercanos a la media tienen mayor probabilidad de producirse. Es una istribucién simétrica y describe muchos fenémenos naturales, como puede ser la estatura de una poblacién, Ejemplos de variables que se pueden deseribir con distribuciones normales son los indices de inflacién y los precios de la energfa.Log normal — Los valores muestran una clara desviacién; no son simétricos como en la distribucién normal, Se utiliza para representar valores que no bajan del cero, pero tienen un potencial positivo ilimitado. Ejemplos de variables descritas por la distribucién log normal son los valores de las propiedades inmobiliarias y bienes raices, los precios de las acciones de bolsa y las reservas de petréleo. Uniform — Todos los valores tienen las mismas probabilidades de producirse; el usuario s6lo tiene que definir ef mfnimo y el méximo. Ejemplos de variables que se distribuyen de forma uniforme son los costos de manufacturacién o los ingresos por las ventas futuras de tun nuevo producto. Triangular — El usuario define los valores minimo, més probable y méximo. Los valores situados alrededor del valor més probable tienen més probabilidades de producirse. Las variables que se pueden describir con una distribucién triangular son el historial de ventas pasadas por unidad de tiempo y tos niveles de inventario. PERT ~ El usuario define los valores minimo, mis probable y méximo, como en la distribucién triangular. Los valores situados alrededor del mis probable tienen mas probabilidades de producirse. Sin embargo, los valores situados entre el ms probable y los extremos tienen més probabilidades de producirse que en la distribucién triangular; es decir, los extremos no tienen tanto peso. Un ejemplo de uso de la distribucién PERT es la descripcién de la duracién de una tarea en un modelo de gestién de un proyecto, Discrete — El usuario define los valores especificos que pueden ocurrir y la probabilidad de cada uno, Un ejemplo podria ser los resultados de una demanda legal: 20% de posibilidades de obtener un veredicto positive, 30% de posibilidades de obtener un veredicto negativo, 40% de posibilidades de llegar a un acuerdo, y 10% de posibilidades de que se repita el juicio. Durante una simulacién Monte Carlo, los valores se muestrean aleatoriamente a partir de las distribuciones de probabilidad introducidas. Cada grupo de muestras se denomina iteracién, y el resultado correspondiente de esa muestra queda registrado.La simulacién Monte Carlo realiza esta operacién cientos 0 miles de veces, y el resultado es una distribucién de probabilidad de posibles resultados. De esta forma, la simulacién Monte Carlo proporciona una visién mucho més completa de lo que puede suceder. Indica no s6lo lo que puede suceder, sino la probabilidad de que suceda cc, {Cudl es el uso de la generacién de ntimeros aleatorios en la simulacién de Montecarlo? Como ya sabemos, este método se basa en simular posibles escenarios, y lo hace generando niimeros completamente aleatorios. Ahora bien, es importante entender que la simulacién de Montecarlo es iitil cuando generamos una gran cantidad de escenarios (5000 0 10 000, por ejemplo), haciendo impensable que una persona pueda conseguir tantos_niimeros aleatorios sin gastar un tiempo excesivo. Por ello se han creado programas informédticos especializados que generan todos los niimeros, siguiendo una formula especifica que representa las variables aleatorias que podrfan darse en escenatios reales. d, {Cuiles son las Ventajas e inconvenientes de utilizar la simulacién de Montecarlo? Ventajas Resultados probabilisticos. Los resultados muestran no s6lo lo que puede suceder, sino lo probable que es un resultado. Resultados gréficos. Gracias a los datos que genera una simulacién Monte Carlo, es facil crear grificos de diferentes resultados y las posibilidades de que sucedan, Esto es importante para comunicar los resultados a otras personas interesadas. Anilisis de sensibilidad. Con s6lo unos pocos resultados, en los andlisis deterministas es mas dificil ver las variables que més afectan el resultado. En la simulacién Monte Carlo, resulta més facil ver qué variables introducidas tienen mayor influencia sobre los resultados finales.‘+ Andlisis de escenario, En los modelos deterministas resulta muy dificil modelar diferentes combinaciones de valores de diferentes valores de entrada, con el fin de ver los efectos de situaciones verdaderamente diferentes. Usando la simulacién Monte Carlo, los analistas pueden ver exactamente los valores que tienen cada variable cuando se producen ciertos resultados. Esto resulta muy valioso para profundizar en los andlisis. + Correlacién de variables de entrada, En la simulacién Monte Carlo es posible modelar relaciones interdependientes entre diferentes variables de entrada, Esto es importante para averiguar con precisién la raz6n real por la que, cuando algunos factores suben, otros suben 0 bajan paralelamente. Una ventaja de la simulacién Monte Carlo es el uso del muestreo Latino Hipercubo, que ‘muestrea con mayor precisi6n a partir de un rango completo de funciones de distribucién. Inconvenientes iaciGn + Sil sistema opera con datos que no se han Hegado a actualizar con respecto a la si actual, puede que las conclusiones que saquemos no sean correctas. + En casos donde la relacién entre variables pueda modificar el resultado final del proyecto © inversi6n, la simulacién de Montecarlo no nos va a ser de ayuda, ya que no tiene en cuenta la dependencia entre los datos. + En muestras poco representativas no tiene sentido aplicarlo, ya que los resultados finales serdn tan poco fiables como la muestra inicial. 2.Realice una linea de tiempo que describa los orfgenes del método y sus principales aportes hasta la fecha de la simulacién de Montecarlo, urce=shareyourdesignpanel3, Realice un diagrama de flujo utilizando la simbologia ANSI que permita describir el procedimiento (paso a paso) que se debe realizar para realizar la simulacién de Montecarlo. TE he4, Investigue como a través de la simulacién de Montecarlo puedo realizar el célculo de pi (x) de cualquier circulo, Después de ello realice una descripcién detallada del proceso. Calculando el valor de Pi, con la ayuda del Método Monte Carlo. Lo primero construir el entomo de trabajo. Este serfa: + Construiremos un cuadrado de lado 4. Légicamente su drea sera 16. + Construimos un cfrculo inscrito en el cuadrado, que tiene de centro, el centro del cuadrado y de radio 2. Su rea serd. + Generaremos puntos al azar dentro del cuadrado, Para entenderlo mejor es como Janzar dardos sobre una diana con los ojos vendados, de tal forma que siempre acertamos dentro de Ios limites de ese cuadrado. Aplicamos ahora el Método Monte Carlo: + Contaremos el total de puntos generados. + Contaremos el total de puntos que cayeron dentro del circulo, + Realizaremos el siguiente razonamiento: Area del—circalo _ Numero ~ de — patos ~ dentro dl credo = 2 Area ~ del - cundrado “Numero ~ de — pntos totalesConclusién. El Método Monte Carlo es un método matem: ‘0 muy interesante, tanto por su historia como por la potencialidad. Nos permite estudiar soluciones de ecuaciones, estimar el valor de y estimar el valor de una integral definida. En este mismo libro de GeoGebra encontrards tuna actividad elaborada por mi que lo explica. Dejo aqui un video que explica como construir Ia actividad que acabamos de ver. 5, Realice una investigacién de c6mo se realiza el andlisis de riesgos utilizando la simulacién de Montecarlo, Elmétodo de simulacién de Montecarloenel andlisisderiesgoen proyecto de inversion EL uso del método de Montecarlo es bastante conocido en la evaluacién de proyectos productivos y muy poco se ha utilizado para evaluar la viabilidad de la inversiGn en el sector social como educacién. Botteon también sefala que para introducir riesgo en los proyectos de inversién debemos diferenciar que el método de andlisis de sensibilidad no incluye la probabilidad de ocurrencia, en cambio el método de simulacién de Montecarlo incluye la probabilidad de ocurrencia en la evaluacién social de proyectos de inversién piblica. Asimismo, es preciso. mencionar que estas dos metodologias se complementan y ayudan a que las decisiones de ejecutar el proyecto sean las més convenientes. Por consiguiente, existen coincidencias en los estudios realizados sobre la utilidad del método de simulacién de Montecarlo para realizar un mejor andlisis de riesgo en la evaluacién de proyectos de inversién, ademas de ser un modelo estadistico que permite definir valores esperados de las variables no conocidas. Asimismo, como una técnica de simulacién de situaciones inciertas, rubrics numerosos resultados que pueden tomar el VAN de un proyecto, si a cada factor que condiciona el flujo de caja se le asigna aleatoriamente un valor probable deocurrencia .Con la simulacién de Montecarlo las variables criticas de un proyecto pueden generar diferentes distribuciones de probabilidad, las cuales pueden producir diferentes resultados de distribuciones de probabilidad” Para Aparacio y Duran“ La si iulacién de Montecarlo puede incluir todas las combinaciones posibles de las variables que afectan los resultados de un proyecto”, Sin proscripcién, para medir el nivel de riesgo necesitamos hallar el coeficiente de variabilidad que ilidad mide el grado de tunidad de rendimiento esperado, mientras que el coeficiente de variacién (CV) indica cudntas es un valor aproximado del riesgo. El coeficiente de vi persién por unidades de riesgo (unidades monetarias del VAN) se estén tomando por cada unidad obtenida del VAN esperado. ‘Sanchez en su estudio mide el impacto de aversiGn al riesgo de los tomadores de decisiones en tuna situacién en la cual los recursos son escasos, existe alta incertidumbre y escasas alternativas de eleccién, El autor utilizé el método de simulacién de Montecarlo para calcular la probabilidad de los valores positivos en el VAN, a un nivel de confianza del 95 La probabilidad de que el VAN ocean mayor a cero es del 84 y de que el VAN ocean menor que cero es del 16, procura minimizar las pérdidas econémicas por la ocurrencia de riesgos para las empresas de Colombia Yy utiliza la simulacién de Montecarlo a través del programa Threat Simulator. Asi, obtiene una probabilidad del para obtener una rentabilidad de Ia inversién favorable, como metodologfa para identificar los gos financieros en proyectos de inversién de las empresas. aplican la técnica de simulacién de Montecarlo para tomar mejores decisiones al momento de invertir en proyectos de inversion, determinar la distribucién de probabilidad del VANE con la aplicacién del software Asi, calculan una probabilidad del para que el VANE ocean mayor. El andlisis de riesgo ayuda a enfrentar con éxito las situaciones cambiantes de las variables de riesgo y a tomar buenas decisiones de inversi6n utiliza herramientas para la evaluaci6n de proyectos que nos permiten administrar el riesgo de una manera efectiva y eficiente, Para analizar el riesgo realiza simulaciones mediante el método de Montecarlo con el programa Risk y Crystall Ball. En el proyecto laboratorios Visidn Research, a un nivel de certeza del 100, se estima una probabilidad del para obtener un beneficio positivo y una probabilidad para obtener un beneficiodesfavorable. Otros estudios encontrados referidos al andlisis de riesgo en proyectos de inversién, como el de Alvarado y Galvez estén orientados a servicios de hotelerfa. Ellos realizan la evaluacién de tun proyecto de hoteles en San Salvador, utilizando el software Crystal Ball para el andlisis de riesgo. Con 10 000 escenarios de simulacién a un 95 de confiabilidad, obtienen un 80 de probabilidad del VAN de que el proyecto es rentable y un 80 de probabilidad de la TIR. Por otra parte, en su estudio evaltia el riesgo en los indicadores de rentabilidad social mediante la metodologia de analisis costo-beneficio, para lo cual utiliza la simulacién de Montecarlo, Asi, calcul6 una probabilidad del de que el rate beneficio/ costo seria mayor al flujo de caja de 10 afios, y una probabilidad de flujo de caja de 11 afios, sobre la cobertura universal de los servicios de agua drinkable. En la misma perspectiva se tiene a Zevallos quien realiza el andlisis de riesgo para un proyecto de inversién publica de instalacién del sistema de agua drinkable. Mediante la prueba de Montecarlo, realiza 1 000 iteraciones con el software Crystal Ball; supone una distribucién normal para sus variables de riesgo operaci6n y mantenimiento, inversion y ben ios; obtiene una probabilidad del de que el VAN ocean mayor a cero y una probabilidad del de que su VAN ocean menor a cero: y finalmente, segtin el andlisis de sensibilidad, a variable de riesgo mas importante son los beneficios sociales del proyecto, puesto que afectan en un sobre la variabilidad del VAN. Se puede egar a varias simulaciones de Montecarlo para obtener una mejor aproximacién, Cuando los resultados producidos se hayan vuelto estables significa que ya no deben realizar nuevas simulaciones (Beltran y Cueva, 2005). Los supuestos de entrada se deben aplicar a las variables explicativas o independientes. La simulacién de Montecarlo permite obtener resultados més precisos bajo un conjunto de supuestos y restricciones. Al respecto. modelo de simulacién de Montecarlo es un método que considera la probabilidad deocurrencia, Con esta técnica obtenemos la distribucién probabilistica del VAN, por medio de la seleccién aleatoria de valores de las variables criticas que afectan en el VAN, en funcién a la distribucién de probabilidades de cada variable critica. Con este método podemos conocer el VAN esperado, la desviacién esténdar, cantidad de VAN superiores e inferiores al valor Tipo de investigacién Esta investigacin es de tipo descripivo y corelaconal, Pura el manual caso se detallan y describen las carateristicas de la natualeza del proyecto de inversién y, para la parte de asociaién de variables, se estiman las relaciones de variables explicativas y de resultado (Hemindez, Fernéndez y Baptista, En el estudio se realizé la estimacin de beneficios monearios, un anéiss costo beneficio y un andisis de riesgo para un proyecto de inversién, del sector educacin, Método Para realizar el andlisis de riesgo en los proyectos de inversiGn del sector educacién se aplicé el método de simulacién de Montecarlo mediante el programa informético Risk Simulator y Crystal Ball. La técnica de simulacién de Montecarlo El método de simulacién de Montecarlo produce ntimeros aleatorios con base en la ley de probabilidad teérica para estimar el comportamiento de las variables y asf determinar la distribucién de probabilidades que més se aproximen a lo real.Se puede llegar a varias sit ulaciones de Montecarlo para obtener una mejor aproximacin. Cuando los resultados producidos se hayan vuelto estables fica que ya no deben realizar ‘nuevas simulaciones. los supuestos de entrada se deben aplicar a las variables explicativas 0 independientes. La simulacién de Montecarlo permite obtener resultados mas precisos bajo un conjunto de supuestos y restricciones al respecto, Botteon también sefiala que [El modelo de simulaci6n de Montecarlo es un método que considera la probabilidad de ocurrencia, Con esta técnica obtenemos la distribucién probabilistica del VAN, por medio de la seleccién aleatoria de valores de las variables criticas que afectan en el VAN, en funcién a la distribucién de probabilidades de cada variable critica. Con este método podemos conocer el VAN esperado, la desviacién estinda -antidad de VAN superiores e inferiores al valor. Procedimiento del método de simulacién de MortecarloCon el prop6sito de establecer un modelo que respondiera a la dindmica real del proyecto de inyersi6n, vinculada al sector se inserts el efecto de las incertidumbres presentes en el mismo contexto, utilizando como herramientas los programas Risk Simulator y Crystal Ball, ‘mediante el uso de Simulacién de Montecarlo. Este proceso permitié observar la asignacién de una distribucién determinada, visualizando el efecto de las fuentes de incertidumbre identificadas en el proceso de anélisis de datos. Por tanto, para el presente estudio, el proceso metodolégico que se siguié para realizar el andlisis de riesgo en proyecto de inversién piiblica del sector educacién fue como sigue PASO 01: Procesar el flujo de fondos del proyecto € indicadores de rentabilidad social del proyecto de acuerdo al siguiente detalle: © Costos de inversion * Costos de operacién y mantenimiento * Beneficios sociales * _Indicadores de rentabilidad social del proyecto ‘© Andlisis de sensibilidad ante cambios porcentuales en las variables criticas PASO 02: Definirlas variables de entrada y distribucién de probabilidades © Variable costos de operacién y mantenimiento © Variable beneficios sociales PASO 03: Definir las variables de salida © Valor actual neto VAN © Tasa interna de retormoTIR PASO 04: Aplicarla simulacién del modelo de Montecarlo* Simulacién del modelo de Montecarlo parael VAN * Simulacién del modelo de Montecarlo parala TIR PASO 05: Identificar la probabilidad de no viabilidad del proyecto de inversi6n publica PASO 06: Identificar la probabilidad de que la TIR sea mayor que la tasa social de descuento (8 %). PASO 07: Realizar el andlisis de sensibilidad del proyecto Objeto de estudio Para el caso de estudio se toms un proyecto de inversiGn. Se trata de Mejoramiento del servicio educativo en la DEPARTAMENTAL DE PTO BOYACA con jornada escolar completa, con costo de inversién total de S/. 17528 438,42. En la actualidad, este proyecto se encuentra viable en los aplicativos informéticos Disefio de la investigacién El tipo de disefto de la investigacién es transversal y no experimental. Segin Heméndez, en investigaciones no experimentales las variables no son manipuladas de forma deliberada por el investigador. Esto permite explorar la problemética en su mbito natural para luego analizarlo, més el investigador no posee el control sobre las variables objeto de estudio, Para estimar los beneficios sociales monetarios se calcularon los indicadores de rentabilidad VAN y TIR mediante la rmetodologia costo! beneficio, y se procedi6 a analizar las variables de entrada y el impacto de los aumentos y reducciones de las variables eriticas en el VAN y la TIR sociales.Medicién del riesgo Segiin Belirin y Cueva, para estimar el riesgo en la evaluacién de un proyecto de inversién piblica se debe tener en cuenta que el objetivo principal es maximizar el VAN y la TIR. Para calcular el riesgo se supone que la principal fuente est generada por la variabilidad de los flujos de caja pronosticados. Ademis, se supone que las otras variables (vida stil, Costo de Oportunidad det Capital (COK], inversién, etc.) son verdaderas y ciertas, Por lo tanto, primero se debe calcular el valor esperado o promedio del flujo de caja de cada periodo mediante 1a siguiente ecuacién. E@CD=E* FC ax Pi Foij :FCdelperiodo (t)sisedieraelresultado (i) 'S :N&merode posibles resultados del FCy Pj, : Probabilidad de ocurrencia del resultado (i EVAN] = E[-nv + Sa] EIVAN] = El-lo] +E [Sea] EVAN] = nv + DoyoDonde: nl: Niimero de perfodos Fr: Tasa de descuento Si el VAN esperado del proyecto es positivo, es decir, mayor a cero, se deberfa invertir en el proyecto. Estimar el riesgo de un proyecto de inversién esti relacionado con los cambios 0 variabilidad de los flujos calculados para cada periodo: por consiguiente, el riesgo est vinculado con la dispersién de los flujos. Con estas variaciones de los flujos podremos calcular las variaciones del VAN, y finalmente calcular y finalmente calcular el nivel del riesgo. Para calcular la dispersi alculamos la varianza del flujo de caja: VOFC,) = of = Shs(FCy-E(FC)) XR (Ecuaciéns) ‘V(FC,): Varianza del FC, Luego calculamos variacién estindar. Pero el objetivo de esta metodologia es calcular la desviacién estindar del VAN, para lo cual primero calculamos la variacién del VAN:VIVAN] = V[-Inv + DE] FEC) FE) V[VAN] Gen? +--+ oe + 2CovCPC FCs) 4 4 2CowFCy—yPCs) sry ae Luego reducimos la ecuacién de la varianza del VAN, para lo cual debemos estimar la dependencia entre flujos de caja, es decir, si la varabilidad del flujo de caja explica o no la variabilidad de los otros flujos de caja, Para ello vamos a suponer que los flujos de caja son independientes en los periodos restantes, en este sentido la covarianza sera igual a cero, Por lo tanto, la ecuacién para calcular la varianza del VAN seria la siguiente. vivan] = V[-Inv + 52.22] VIVAN] = @FC,) , (FC) Rn) ~ to ay +. Por lo tanto, la ecuaciGn para calcular la desviacién estindar de la VAN seria: osivanl = [re 222 Con as ecuaciones anteriores podemos calcular el coeficiente de variabilidad para que el inyersionista book decisiones para minimizar el riesgo y escenarios mas seguros para su eleccién. El riesgo se aproxima al coeficiente de variabilidad, es decir que se puede medir el riesgo a través del coeficiente de variabilidad. Beltrin y Cueva afirman que “ el grado de dispersién de un valor csperado cuantifica el coeficiente de variabilidad; para Contreras “ el coeficiente de variacién (CV) indica cuantas unidades de riesgo ($ del VAN) se estén tomando por cada unidad obtenida del VANesperado, Este coeficiente es una medida relativa de riesgo para elegir el proyecto el coeficiente de variabilidad debe ser menor. CV=0(VAN)E(VAN) (Ecuacién 13) En la tabla 1, se observan los parimetros de sensibilidad del VAN. Los resultados nos indican que el porcentaje méximo de variacién de los costos de inversi6n con respecto al VAN es del. Esto significa que este porcentaje es el valor maximo que puede incidir en forma negativa para que el VAN ocean igual a cero. A aumentos entre 5 a 10 de los costos de inversién el VAN del proyecto de inversion publica se va haciendo negativo (-562 y-681), y a reducciones porcentuales de- a 10 de los costos de inversidn los resultados del VAN serdn positivos (1 532 y 2 270). En nuestro caso se fij6 un rango de variaciones porcentuales entre-25 a 25, tanto para reducciones como aumentos de la inversion Tabla Senile del VAN respecto aa varia de los ston de ier. Contios nia ‘erin Los as rasa a0 344.90 “220 374696050 2463635 =a 3s 824387 30 a0. 227031740 W022 19 45 ass 25209585 1476043100 ‘ao 73487430 154985255 ‘ans sae7s 1623647410 ‘0 esi 820 16974005, ass, "ais 19035 72S. a0 2157190 AW SO3875, as 25 BAS Los resultados de la evaluacién social del proyecto muestran que el VAN es de S/. 735 994,72 y la TIR de 9,56 %, por tanto, el proyecto es aceptable debido a sus indicadores de rentabilidad muy elevados (tabla 2). ¢Qué tipo de distribucién de probabilidad usar para caracterizar a las variables deriesgo? Una manera de solucionar el inconveniente de definir una distribuci6n para las variables aleatorias es ajustar una distribuci6n teérica a la informacién disponible y luego verificar la validez del ajuste estadisticamente, mediante la prueba de Kolmogorov-Smimov (Calatayud y Arpi, 2012). Las variables de entrada son los ingresos anuales promedio y Ia cantidad de alumnos nuevos. Hemos visto por conveniente utilizar la prueba de Kolmogorov-Smimnov para ajustar la distribucién de probabilidades para cada variable riesgosa en funcién a sus datos histéricos. Asignamos las distribuciones de probabilidad para cada variable critica analizada Alternativa dnica Indicador Precios privados Precios sociales Inversién (5/.) $/.17 528 438,40 | S/. 14 760431,14 Tasa de descuento 8% 8x social Valor actual neto (VAN) 1853 429,12 735 994,72 Tasa interna de R) 11,29% 9,56% Fuente: elaboracion propia con base en los datos de MEF, Invierte pe. Variable ingresos anuales promedio Para la estimacién de las probabilidades de las variables se tom6 en cuenta la evoluci6n del ingreso promedio anual del departamento de Puno. La simulacién facilita la estimacién de los procesos cuantitativos para Ia toma de decisiones mediante la experimentacién con el modelo Montecarlo. Esto con el propésito de crear un entorno favorable para la obtencién de Ia informacién sobre posibles alternativas.‘Aiio Ingreso promedio | Ingreso promedio mensual (5/.) ‘anual (S/.) 72007 4127 49524 2008) 65,6 5587.2 2009) 507.5 6090 72010 588.3 70586 2011 6318 75816 2012, 7207 8648.4 2013 806.4 96768 2014 8799 105588 2015) 7995 9594 2016 856.8 102816 Fuente: laboracién propia con base en datos de INEL Con Jos datos del ingreso promedio anual se ajustan a una distribucién PERT con un valor minimo de -3 005,58, Likely de 8 641,23 y un valor maximo de 0,0001 168333, con un nivel de confianza de 199,98 % de acuerdo con la prueba de Kolmogorov-Smimov. Figura 1 Distrbucin PERT variable ingreso promedio anu ! I Las variables de s La simulacién Montecarlo trabaja basicamente con un muestreo experimental, con la finalidad de estimar las distribuciones de las variables de salida. Es decir, cuantas més iteraciones se hagan, mis precisos serdn los resultados, El nimero de iteraciones dependerd de la complejidad del modelo propuesto. Para el caso de estudio, las variables de salida consideradas son el VAN y la TIR.- Valor Actual Neto (VAN) Una variable de salida para el modelo es el Valor Actual Neto (VAN) que permite pronosticar la probabilidad de ocurrencia de la variable dependiente, + Tasa Intema de Retomo (TIR) ‘También considerada como variable de salida a la Tasa Interna de Retorno (TIR), la cual pronostica a probabilidad de ocurrencia de la variable dependiente, La simulaci6n de modelo de Montecatlo Para la simulacién del modelo de Montecarlo y para las variables de salida (VAN y la TIR) se establece el nivel de precisin del pronéstico para determinar el mimero de intentos de simulacién a comer mediante el control de precisién y error, aplicando el programa Risk Simulator. Los resultados del pronéstico tienen un nivel de certeza del 100 % . La ventaja de la incorporacién del andlisis de riesgo en los proyectos de inversién es que permite observar la probabilidad de cocurrencia de viabilidad y no viabitidad de un proyecto de inversion Figura 3. Resultados de la simulacién de Montecarlo para e! Fuente: elaboracin propia con base en el programa Risk Simulator. En principio, los resultados obtenidos nos ayudan a comprender mejor el potencial de utilidad o de érdida. Al observar la simulacién se obtiene més informacién, lo cual nos facilita un andlisis mejor de riesgo, ademas de proporcionar los valores de mayor utilidad. Los resultados del pronésticotienen un nivel de certeza del 100 % Los resultados mostrados més arriba corroboran la importancia del modelo Montecarlo para la estimaci6n de la rentabilidad econémica y social de los proyectos en un escenario de riesgo. Al respecto, Castro (2011) evidencia lo afirmado con sus estimaciones encontradas al identificar la relacin entre el riesgo y la rentabilidad de un proyecto de inversi6n y las caracteristicas del negocio aeroportuario. Utilizando el software Crystal Ball para la simulacidn de Montecarlo, con 10 000 ensayos a un nivel de confianza del 95 %, obtiene una probabilidad del 100 % que el VAN sea positive, y una probabilidad del 100 % que la TIR sea mayor al 20 % (tasa de oportunidad det proyecto). Ademis del andlisis de sensibilidad, se puede afirmar que la variable que mas impacta favorablemente es el ingreso por salidas de pasajeros internacionales con un 63,1 %, y Iuego la tasa de salida de pasajeros nacionales con un 16,1 %. Finalmente, es importante precisar que, all implementar el andlisis de riesgo de sensibilidad en las evaluaciones de proyectos de inversién social, particularmente en el sector educacién, la simulacién del modelo de Montecarlo es una alternativa mas robusta en la evaluacién econdmica de los proyectos de inversi6n.CONCLUSIONES: La utilizacién de la simulacién del modelo de Montecarlo en ta evaluacién econdmica del proyecto de inversi6n para el sector educaciGn muestra una consistencia interna positiva y es de importancia para la toma de decisiones para la implementaciGn de proyectos en este sector. Los resultados que se obtuvieron con a investigacién son estadisticamente positivos, es decir, la probabilidad de que el VAN sea mayor a cero (positivo) es de 67,10 9. En este contexto se puede apreciar que el Estado peruano puede invertir con toda seguridad y confianza en proyectos del sector educacién puesto que su rentabilidad social esté segura. REFERENCIAS BIBLIOGRAFICAS ‘Taibo, A. (2002). Investigacién de operaciones para los no matemiticos. México: InstitutoPolitéenico Nacional Recuperado de hitps://elibro.neves/Ic/biblioiberotitulos/74048 Aparacio, M. y Duran, D. (2012). Analisis de Gestién de Riesgos de un Proyecto de Inversién Pablica de Sol y Playa Durante su Fase de Inversidn: El Caso del Proyecto Acondicionamiento ‘Turistico de la Playa de Centro Méncora (Tesis de Maestria Hernéndez, R., Femnéndez, C. y Baptista, P. (2010) Metodologfa de la Investig: Editorial. McGRAW-HILL / Interamericana Editores, S.A. Huamani, S. A. (2017). Estimacin de la rentabilidad social.