:: Imprimir Fuente: a a a < Cerrar

Artículo

Una Aplicación del Método de Monte Carlo

en el Análisis de Riesgo de Proyectos:
Su automatización a través de una planilla de cálculo

Marcelo Claudio Périssé

Director ejournal Técnica Administrativa
ejournal y editorial científica
Universidad Nacional de La Matanza
email: marcelo@cyta.com.a

María Laura Pepe

Directora ejournal Técnica Admistrativa
ejournal y editorial científica
Universidad Nacional de La Matanza
email: laura@cyta.com.a

Resumen
En este trabajo se presenta, a través de un caso práctico, la utilización de la planilla
electrónica en el análisis de rentabilidad de inversiones bajo riesgo. Específicamente se
describe como operar el producto Microsoft Excel, para llevar adelante la construcción del
método de Monte Carlo aplicado la evaluación de proyectos de inversión.

Palabras Clave: Análisis de Riesgo, Simulación, Método de Monte Carlo

An application of the Monte Carlo Method in the Risk Analysis of

Proyects: Its authomatization through an electronic spreadsheet

Abstract
This article presents, through a practical case, the utilization of the electronic spreadsheet in
the return analysis of investments under risk. Specifically , it is described how to operate the
Microsoft Excel product in order to develope the construction of the Monte Carlo method
applied to the evaluation of investment proyects.

Palabras Clave: Risk analysis , simulation, Monte Carlo Method

1.- Introducción
El método de Monte Carlo es una herramienta de investigación y planeamiento; básicamente
es una técnica de muestreo artificial, empleada para operar numéricamente sistemas
complejos que tengan componentes aleatorios.
Gracias a la constante evolución de las microcomputadoras, en lo que se refiere a su
capacidad de procesamiento de la información, el método de Monte Carlo es cada ves más
frecuentemente utilizado.
Esta metodología provee como resultado, incorporada a los modelos financieros,
aproximaciones para las distribuciones de probabilidades de los parámetros que están siendo
estudiados.
Para ello son realizadas diversas simulaciones donde, en cada una de ellas, son generados
valores aleatorios para el conjunto de variables de entrada y parámetros del modelo que están
sujetos a incertidumbre. Tales valores aleatorios generados siguen distribuciones de
probabilidades específicas que deben ser identificadas o estimadas previamente.
Vale destacar que el concepto de simulación, adoptado en este trabajo, es el descripto en los
estudios de Robert E. Shannon [1975] donde la Simulación es el proceso de diseñar y
desarrollar un modelo computarizado de un sistema o proceso y conducir experimentos con
este modelo, a fin de entender el comportamiento del sistema o evaluar varias estrategias con
las cuales se puede operar el sistema. El conjunto de resultados, producidos a lo largo de
todas las simulaciones, podrán ser analizados estadísticamente y proveer resultados en
términos de probabilidad. Esas informaciones serán útiles en la evaluación de la dispersión
total de las apreciaciones del modelo, causado por el efecto combinado de las incertidumbres
de los datos de entrada y en al evaluación de las probabilidades de ser violados los padrones
de las proyecciones financieras.
En lo que se refiere al uso de la computadora, podemos asegurar que los procedimiento a
desarrollar para obtener una visión clara de la variabilidad y el rédito de los proyectos bajo
análisis, requerirá de técnicas simples; como por ejemplo, y lo vamos a mostrar en este
trabajo, la planilla de cálculo puede emplearse para obtener valiosa información sobre la
sensibilidad del posible rendimiento frente a las variaciones de factores determinados, y sobre
la probabilidad de obtener diversos niveles de rendimiento.
Esta información será fundamental como respaldo de decisiones gerenciales; no pueden
quedar dudas que el conocimiento de la probabilidad de ocurrencia de toda la gama de
posibles rendimientos, brinda una cierta seguridad de que la información disponible ha sido
empleada con la máxima eficacia.
El ejercicio de razonar en base a la incertidumbre contribuye a mejorar la habilidad de elegir
las inversiones, porque comprender la incertidumbre y el riesgo equivale a comprender el
secreto de los negocios, y es la llave para abrir la puerta a la buenas oportunidades.

2.- Automatización del Modelo de Monte Carlo

De forma simplificada, se puede aplicar el Modelo de Monte Carlo en el Excel de la siguiente
forma:

1. Estimar la escala de valores que podría alcanzar cada factor, y la probabilidad de

ocurrencia asociada a cada valor.
2. Elegir, aleatoriamente, uno de los valores de cada factor, y dependiendo de la
combinación seleccionada, computar la tasa de rendimiento resultante.
3. Repetir el mismo proceso una y otra ves, la cantidad de veces que sea necesaria,
que permita definir y evaluar la probabilidad de ocurrencia de cada posible tasa de
rendimiento. Como existen millones de posibles combinaciones de factores,
necesitamos efectuar un número de pruebas suficientemente grande para que
pueda apreciarse la posibilidad de ocurrencia de las varias tasas de rendimiento. El
resultado al que se llegará será una lista de distintas tasas de rendimiento que
podrían lograrse, que puede variar desde una pérdida (si los factores son adversos)
hasta la ganancia máxima que sea posible lograr conforme con los pronósticos que
se hayan efectuado.
4. Se calcula la tasa media esperada, que es el promedio ponderado de todas las
tasas resultantes de las sucesivas pruebas realizadas, siendo la base de
ponderación la probabilidad de ocurrencia de cada una.
5. También se determina la variabilidad de los valores respecto del promedio, lo que
es importante porque a igualdad de otros factores, la empresa presumiblemente
preferirá los proyectos de menor variabilidad.

Dependiendo de la política de decisión, el proceso lo podremos aplicar a la tasa interna de

retorno o al valor actual neto. Los ejercicios aquí presentados trabajan en base al valor actual
neto.

3.- Ejercicios
Se presentan dos problemas de selección de inversiones mediante los criterios del Valor Actual
Neto (VAN); ambos problemas contienen la determinación de una estimación de los flujos de
caja pesimista, más probable y optimista que genera la inversión en un período de tiempo.
El modelo del Valor Actual Neto (VAN) se aplica para valorar todos los rendimientos del
proyectos de inversión al momento de su inicio, y obedece a la fórmula:
donde A es es desembolso inicial del proyecto; T su duración; Qt, t=1,..., T, el flujo de caja
producido en el período t; y rs, s=1,...,t, la tasa de descuento aplicable en dicho período.

Para distribuciones discretas

Bastaría colocar la distribución discreta basada en la función de probabilidad acumulada (entre
0% y 100%), generar un número aleatorio y a través de una función de búsqueda y
referencia, como la función buscar, identificar el valor correspondiente.
Aplicando conjuntamente las funciones "buscar" y "aleatorio", se puede asegurar la
aleatoriedad de los posibles Valores Actuales Netos (VAN) obtenidos, y que luego de "n"
simulaciones ("n" no debería ser menor a 1.000) , permitiría calcular el promedio y el desvío
de la distribución, que para nuestro caso de estudio financiero estaría asociado al riesgo de la
inversión.
Veamos un ejemplo

A B C
1 Valor Actual Neto Probabilidad Acumulada
2 VAN P(f) P(f)ac
3 100 0,3 0,0
4 200 0,6 0,3
5 300 0,1 0,9
6
7 VAN (1)
8 Riesgo (2)

(1)=BUSCAR(ALEATORIO();C3:C5;A3:A5)
(2)=SUMAPRODUCTO((A3:A5-SUMAPRODUCTO(A3:A5;B3:B5))^2;B3:B5)^(1/2)
Tabla 1. Flujos de caja pesimista, más probable y optimista

Si hacemos mil simulaciones encontraremos que el promedio y el riesgo tienden a

estabilizarse próximos a los valores poblacionales anteriormente calculados. Recuerde que
para activar la fórmula aleatorio debe presionar la tecla F9.

A B C
10 VAN Promedio Desvío
11 300 300 #¡DIV/0!
12 200 250 70,7107
13 100 200 100,0000
En la celda A11 corresponde =BUSCAR(ALEATORIO();$C$3:$C$5;$A$3:$A$5)
En la celda B11 corresponde =PROMEDIO($A$11:A11)
En la celda C11 corresponde =DESVEST($A$11:A11)
Tabla 2. Función buscar combinada con función aleatorio e identificación del VAN correspondiente

Ploteando el gráfico de los números de simulaciones con los valores del promedio y el desvío,
puede percibirse que próximo a las 200 simulaciones, los valores se tienden a estabilizar.
 Figura 1. Representación del promedio y del desvío correspondiente a la Tabla 1.

Distribuciones Continuas:
En nuestro modelo de simulación estocástico, existen varias variables aleatorias
intercatuando. Y estas variables, siguen distribuciones de probabilidad teóricas o empíricas
distintas a la distribución uniforme. Por esta razón, para simular este tipo de variables, es
necesario contar con un generador de números uniformes y una función que a través de un
método específico, transforme estos números en valores de distribución normal.
Existen varios procedimientos para lograr este objetivo, en este trabajo se adoptó el siguiente
procedimiento especial para generar números al azar que sigan la distribución de probabilidad.
Para cada tipo de distribución continua, se puede montar una función estocástica; en nuestro
caso, una distribución normal puede ser expresado por:

para expresar la distribución acumulada de la distribución normal en forma explícita,

utilizamos el teorema del límite central, el cual establece que la suma de n variables aleatorias
independientes se aproxima a una distribución normal a medida que n se aproxima a infinito.
Que expresado en forma de teorema sería:
Si x1,x2,.......xn es una secuencia de n variables aleatorias independientes con E(x)=µi y var
(x)= ð2i (ambas finitas) y Y= a1x1+a2x2+.....+anxn, entonces bajo ciertas condiciones
generales:

Tiene una distribución normal estándar a medida que n se aproxima a infinito. Si las variables
que se están sumando son uniformes en el intervalo (0;1) entonces:

donde R es un número aleatorio.

Tiene una distribución normal estándar. Puesto que la normal estándar de una variable
aleatoria x distribuida normalmente se obtiene como:

entonces, la simulación de la variable aleatoria x se haría de acuerdo a la siguiente expresión:

Finalmente, utilizando un valor de n=12, la confiabilidad de los valores simulados es bastante

aceptable. Y utilizando un valor de n=12, la última expresión se simplifica a:

Para hacer esta operación en el Excel, se debe usar la función =aleatorio().

=((((ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+
ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO())-6)*Desvío
+ Promedio))
Una alternativa a este modelo es aplicar la función, de la planilla electrónica Excel,
DISTR.NORM.INV, que devuelve el inverso de la distribución acumulativa normal para la media
y desviación estándar especificadas.
A continuación se presenta un ejemplo de la utilización del método de Monte Carlo en la
planilla de Microsoft Excel. Estos son los datos del Ejercicio:

A B C D
1
2
3 Inversión Inicial 900000
4 Vida Útil 20 años
5 Costos Variables 60% sobre las Vtas
6 Costos Fijos 172000 supuestas e iguales
7 Impuesto 35% a las ganancias
8 Amortización 45000 lineal para los 20 años
9 Costo del Capital 14%
10 Política de precios unitarios
11 Gaseosas
12 precio en $ prob_cola prob_lima prob_naranja
13 20 0,12 0,10 0,30
14 30 0,63 0,60 0,45
15 40 0,25 0,30 0,25
16 Pronóstico de Ventas en unidades
17 Cola Lima Naranja
18 Media 16000 8000 6500
19 Sigma 1500 750 610

Tabla 3. Datos del Proyecto de Inversión

Luego se comienza a construir el Modelo.

Para cada tipo de gaseosa se calcula:
El Acumulando de las probabilidades.
El promedio y el riesgo.
Se aplican las funciones: aleatrorio y buscar
Se aplica la función estocástica para determinar la cantidad.
 A B C D
21 Cola Lima Naranja
22 Probacum Probacum Probacum
23 0,00 0,00 0,00
24 0,12 0,10 0,30
25 0,75 0,70 0,75
26Promedio(1)
27Desvío (2)
28Precio (3)
29Cantidad (4)
(1) =SUMAPRODUCTO(B13:B15;$A$13:$A$15)
(2) =SUMAPRODUCTO(($A$13:$A$15-SUMAPRODUCTO(B13:B15;$A$13:$A$15))^2;B13:B15)^(1/2)
(3) =BUSCAR(ALEATORIO();B23:B25;$A$13:$A$15)
(4) =ENTERO(((((ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+
ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+ALEATORIO()+
ALEATORIO()+ALEATORIO()+ALEATORIO())-6)*B19+B18)))

o bien en (4) puede utilizar =DISTR.NORM.INV(ALEATORIO();B18;B19)

Se repite el proceso para cada producto restante

Tabla 4. Cálculo de las probabilidades acumuladas para cada producto

Luego y en función de estos valores se procede al cálculo del Valor Actual Neto, utilizando la
función predeterminada del Excel VNA; recuerde que la inversión inicial correspondiente al
momento 0, va leteando a esta función.

A B C
31 1 2
32 cantidad cola =$B$29
33 precio cola =$B$28
34 ingreso cola =B32*B33
35 cantidad lima =$C$29
36 precio lima =$C$28
37 ingreso lima =B35*B36
38 cantidad naranja =$D$29
39 precio naranja =$D$28
40 ingreso naranja =B38*B39
41 Ingresos =B34+B37+B40
42 costo variable total =$B$5*B41
43 amortización =$B$8
44 costos fijos =$B$6
45 ganancia operativa =B41-(B42+B43+B44)
46 impuestos =B45*$B$7
47 ganancia neta =B45-B46
48 flujo neto =B47+B43
49
50 VAN =VNA($B$9;B48:U48)-$B$3
51
52
53
54
Las ecuaciones para el primer período se repiten para los 19 períodos restantes
Tabla 5. Representación del Flujo de Fondos y cálculo del Valor Actual Neto del proyecto

Una vez que se tiene la estructura para el cálculo del Valor Actual Neto, se puede realizar una
macro que valla acumulando los registros de cada valor puntual que correspondan al Valor
Actual Neto, a medida que se activa la función aleatoria para cada simulación. Además se
puede ir calculando los valores correspondientes del promedio y del desvío, a fin de poder
estudiar el comportamiento del modelo.

A B C D
1 Fila Juego VAN PROMEDIO DESVÍO
2 1 -385966,92=PROMEDIO($B$2:B2) =DESVEST($B$2:B2)
3 2 784623,72=PROMEDIO($B$2:B3) =DESVEST($B$2:B3)
4 3 -35313,22=PROMEDIO($B$2:B4) =DESVEST($B$2:B4)
5 ...
6 1000 -147485,21=PROMEDIO($B$2:B1001) =DESVEST($B$2:B1001)

Tabla 6. Simulación de Monte Carlo

La macro para realizar este proceso puede tener las siguientes instrucciones:
Esta macro requiere que:

El nombre de la hoja donde se ejecute el proceso se denomine: "Jugadas"

El nombre de la hoja donde se encuentra el resultado del VAN (ver Tabla 5.) se
denomine: "Hoja1"

Sub montecarlo()
' imprime un contador de 1 a 1000
' imprime una lista de 1000 valores resultantes de Monte Carlo

For Fila_Juego = 1 To 1000 'comentario: Fila_Juego representa la Fila 1

Juego = Juego + 1
' Juego representa una constante que acumula
' el valor anterior y suma uno
' y se posiciona en la celda (Cells(Fila_Juego + 1, 1))
' indicada por "Fila_Juego+1" que indica la fila y
' la columna 1 o "A"
Worksheets("jugadas").Cells(Fila_Juego + 1, 1) = Juego
Next Fila_Juego

For Fila_van = 1 To 1000

van = Worksheets("Hoja1").Range("B50")
' la variable van asume el valor de la celda "B50" de la Hoja1
Worksheets("jugadas").Cells(Fila_van + 1, 2) = van
' la variable se registra en la segunda columna
Next Fila_van

For Fila_Promedio = 1 To 1000

Promedio = "=AVERAGE(R2C2:RC[-1])"
' calcula el promedio del van fila 2 columna 2(R2C2) y
' lo acumula RC[-1], es lo mismo que $B$2:B2
Worksheets("jugadas").Cells(Fila_Promedio + 1, 3) = Promedio
Next Fila_Promedio

For Fila_Desvio = 1 To 1000

Desvio = "=STDEV(R2C2:RC[-2])"
Worksheets("jugadas").Cells(Fila_Desvio + 1, 4) = Desvio
Next Fila_Desvio

End Sub

TAbla 7. Procedimiento en Microsoft Visual Basic 6.3

Se puede construir el Histograma correspondiente a los valores del Valor Actual Neto, para ello
se recurre a la opción Histograma localizada en el Análisis del datos, que se encuentra en
Herramientas del asistente; utilizando la función de Análisis de datos.
 Figura 2. Uso de la Herramienta Análisis de datos, Histograma

Al construir el Histograma se cuenta con la opción de realizar el gráfico automáticamente y

además adicionar el porcentaje acumulado.
Con los datos de la tabla que se encuentran el promedio y el riesgo del Valor Actual Neto, se
construye el gráfico del Promedio y del desvío muestral por número de simulaciones.
También de forma muy simple se puede construir, en la misma hoja donde se realizó la
simulación de Monte Carlo, un sistema una estructura de análisis que contenga el promedio, el
desvío, un intervalo de confianza y realizar una distribución de frecuencia; al aplicar la función
frecuencia del Excel hay que recordar que ésta es del tipo matricial por lo que requiere que
primero se realice la primera función (en el ejemplo está en la celdaI2) luego se marca el
rango de celdas al que se va a copiar, posicionaos en la celda I2 se edita con la tecla F2 y por
último se ejecuta simultaneamente las teclas ctrl+Shift+Enter.

F G H I
1 Clases Frecuencia
2 Promedio (1) (8) (15)
3 Desvío (2) (9) (15)
4 Mínimo (3) (10) (15)
5 Máximo (4) (11) (15)
6 Confianza 0,95 (5) (12) (15)
7- (6) (13) (15)
8+ (7) (14) (15)
9
(1)=PROMEDIO(B2:B1001)
(2)=DESVEST(B2:B1001)
(3)=MIN(B2:B1001)
(4)=MAX(B2:B1001)
(5)=INTERVALO.CONFIANZA(0,05;G3;CONTAR(B2:B1001))
(6)=G2-G6
(7)=G6+G2
(8)=$G$2+(-3*$G$3)
(9)=$G$2+(-2*$G$3)
(10)=$G$2+(-1*$G$3)
(11)=$G$2+(0*$G$3)
(12)=$G$2+(1*$G$3)
(13)=$G$2+(2*$G$3)
(14)=$G$2+(3*$G$3)
(15)=FRECUENCIA(B2:B1001;H2:H8)

Tabla 8. Análisis estadístico de la simulación de Monte Carlo

Por último con un gráfico del tipo XY (Dispersión), con puntos de datos conectados por líneas
suavizadas, se representa la serie Frecuencia.

Figura 9. Representación gráfica de la distribución de frecuencia

4.- Conclusión.

Cuando se parte de un modelo simple, se cuentan con las herramientas necesarias y se posee
el suficiente conocimiento como para poder utilizarlas; el administrador tiene en sus manos
todos los elementos que se requieren para poder crear buenos Sistemas de Soporte de
Decisiones. En este artículo también se deja demostrando, que no se precisan ni grandes
recursos, ni grandes equipos de trabajo para llevar adelante un Proyecto Informático.

5.- Bibliografía
BRUNI, Adriano Leal; FAMÁ, Rubens; DE OLIVEIRA SIQUEIRA, José. Análise Do Risco Na
Avaliaçao De Projetos De Investimento: Uma Aplicaçao Do Método De Monte Carlo. Caderno
de Pesquisas em Administraçao. 1998, vol. 1, núm. 6.
FAULÍN, Javier, et al. "Simulación de Monte Carlo con Excel". Proyecto e-Math.
HERRERÍAS PLEGUEZUELO, Rafael; FERNANDEZ, Herminia Calvete. "Una ley de problabilidad
para el estudio de los flujos de caja de una inversión". Programación, Selección y Control de
Proyectos en Ambiente de Incertidumbre. Granada: Rafael Herrerías Pleguezuelo, 2001.
Disponible en World Wide Web:
<http://www.cyta.com.ar/biblioteca/bddoc/bdlibros/pert_van/INDICE.pdf>.
HERTZ, David B."La incertidumbre y el riesgo en la evaluación de proyectos de inversión".
Harvard Business Review. 1964, enero-febrero , pág. 95.
NARVÁEZ, Jorge Luis. El lado Oscuro de la Estrategia, Buenos Aires: C&C, 1996
PÉRISSÉ, Marcelo Claudio. "Sistema para el Soporte de Decisiones - Una Metodología para su
Desarrollo". Aplicación Tributaria Revista Informate, Noviembre 2000.
PÉRISSÉ, Marcelo Claudio. "Sistema para el Soporte de Decisiones - Una Metodología para su
Desarrollo". Aplicación Tributaria Revista Informate, Noviembre 2000.
RAUIL, Coss Bu. Simulación Un enfoque práctico. México : Editorial Limusa, 1995
SEILA, Andrew F. y BANKS, Jerry. Spreadsheer Risk Analysis Using Simulation. 1990.
SHANNON, Robert E. la Simulación de los Sistemas: El Arte y Ciencia, los Precipicios de
Englewood, N.J.: Prentice-Hall, 1975
1988 Informe Nº 1 Análisis de la rentabilidad de inversiones en la empresa argentina:
Federación Argentina de Consejos Profesionales en Ciencias Económicas, Área Administración.
Buenos Aires: Ediciones Macchi.

6.- Agradecimientos
Ing. Ricardo Luis Marini. Investigador del Centro de Investigaciones Aplicadas (CIA), Córdoba
Argentina

7.- Download archivos Microsoft Excel 97

Para distribuciones discretas - 1_montecarlo_discreta.xls
Para distribuciones continuas - 2_montecarlo_continua.xls
Técnica Administrativa, Buenos Aires Volumen: 05
ISSN 1666-1680 Número: 04
http://www.cyta.com.ar - octubre / diciembre 2006
Recibido el:10-07-2006 ; Aprobado el:11-08-2006