5.5.
MODELO MULTIDIMENSIONAL DE SENSIBILIDAD DEL VAN,
SIMULACIÓN MONTE CARLO.
5.5. MODELO MULTIDIMENSIONAL DE SENSIBILIDAD DEL VAN,
SIMULACIÓN MONTE CARLO.
5.5. MODELO MULTIDIMENSIONAL DE SENSIBILIDAD DEL VAN,
SIMULACIÓN MONTE CARLO.
5.5. MODELO MULTIDIMENSIONAL DE SENSIBILIDAD DEL VAN,
SIMULACIÓN MONTE CARLO.
De acuerdo con (Pérez, 2017) El método se llamó así en referencia al Casino de
Monte Carlo (Principado de Mónaco) por ser “la capital del juego de azar”, al ser la
ruleta un generador simple de números aleatorios. El nombre y el desarrollo
sistemático de los métodos de Monte Carlo datan aproximadamente de 1944 y se
mejoraron enormemente con el desarrollo de la computadora.
La invención del método de Monte Carlo se asigna a Stanislaw Ulam y a John von
Neumann. Ulam ha explicado cómo se le ocurrió la idea mientras jugaba un
solitario durante una enfermedad en 1946. Advirtió que resulta mucho más simple
tener una idea del resultado general del solitario haciendo pruebas múltiples con
las cartas y contando las proporciones de los resultados que computar todas las
posibilidades de combinación formalmente. Se le ocurrió que esta misma
observación debía aplicarse a su trabajo de Los Álamos sobre difusión de
neutrones, para la cual resulta prácticamente imposible solucionar las ecuaciones
íntegro-diferenciales que gobiernan la dispersión, la absorción y la fisión. “La idea
consistía en probar con experimentos mentales los miles de posibilidades, y en
cada etapa, determinar por casualidad, por un número aleatorio distribuido según
las probabilidades, qué sucedería y totalizar todas las posibilidades y tener una
idea de la conducta del proceso físico”.
El uso de los métodos de Monte Carlo como herramienta de investigación,
proviene del trabajo realizado en el desarrollo de la bomba atómica durante la
Segunda Guerra Mundial en el Laboratorio Nacional de Los Álamos en EE. UU.
Este trabajo conllevaba la simulación de problemas probabilísticos de
hidrodinámica concernientes a la difusión de neutrones en el material de fisión.
Esta difusión posee un comportamiento eminentemente aleatorio. En la actualidad
es parte fundamental de los algoritmos de Raytracing para la generación de
imágenes 3D.
5.5. MODELO MULTIDIMENSIONAL DE SENSIBILIDAD DEL VAN,
SIMULACIÓN MONTE CARLO.
¿Qué es el modelo de Montecarlo?
Menciona (Parra, 2019) que el modelo de simulación de Montecarlo genera
numerosos resultados que puede tomar el VAN del proyecto si a cada factor que
condiciona el flujo de caja se le asigna, aleatoriamente, un valor probable de
ocurrencia. Al aplicar repetidas veces la selección de valores aleatorios para cada
uno de los factores, dentro de su propia distribución de probabilidad, se logra
obtener un número suficiente de resultados como para pronosticar la forma de la
distribución del comportamiento probabilístico del VAN.
El modelo de Montecarlo simula los resultados que puede asumir el VAN del
proyecto, mediante la asignación aleatoria de un valor a cada variable pertinente
del flujo de caja. La selección de valores aleatorios5 otorga la posibilidad de que,
al aplicarlos repetidas veces a las variables relevantes, se obtengan suficientes
resultados de prueba para que se aproxime a la forma de distribución estimada.
Cada variable asume individualmente valores aleatorios concordantes con una
distribución de probabilidades propia para cada una de ellas.
El modelo de simulación de Montecarlo se diferencia del análisis de sensibilidad
de Hertz en que, mientras en este último los valores de las variables son definidos
sobre la base del criterio del evaluador y de acuerdo con lo que él estima
pesimista u optimista, en el primero se asignan en función a la distribución de
probabilidades que se estime para cada uno y dentro de un intervalo determinado
por el evaluador. En otras palabras, la simulación permite experimentar para
observar los resultados que va mostrando el VAN, especialmente cuando existen
dudas del comportamiento de más de una variable a la vez, pero no es un
instrumento que busca su optimización.
La definición de la distribución de probabilidades asignada a la ocurrencia de cada
uno de los factores se denomina supuesto de entrada. Cuando se selecciona un
valor para cada factor, se obtiene una proyección para el VAN (o la variable que
se desee simular), la que se denomina supuesto de salida o pronóstico. Al realizar
muchas pruebas probabilísticamente posibles, se puede observar la probabilidad
con que se repite un VAN o la probabilidad de que su resultado sea negativo o
positivo.
5.5. MODELO MULTIDIMENSIONAL DE SENSIBILIDAD DEL VAN,
SIMULACIÓN MONTE CARLO.
El Gráfico representa la forma que asume el supuesto de salida después de
múltiples pruebas aleatorias, pero probabilísticamente posibles con base en su
propia distribución, de cada supuesto de entrada. Mientras más comportamientos
favorables (fx) haya, mayor será la probabilidad de un VAN alto, y viceversa. El
punto donde la línea del VAN cruza el eje, o sea, donde asume el valor 0, muestra
el área (hacia la izquierda) de escenarios negativos, y, hacia la derecha, positivos.
El modelo de Montecarlo busca definir el porcentaje de escenarios observados ya
sea hacia la izquierda o derecha de ese punto.
De acuerdo con (Meneses., s. f.) existen Ventajas y desventajas del método de las
cuales se mencionan las siguientes
Ventajas:
Es un método directo y flexible.
Existe un amplio abanico de programas y lenguajes destinados a simular.
Cuando el modelo matemático es demasiado complicado la simulación permite
obtener una aproximación.
La simulación nos permite formular condiciones extremas con riesgos nulos.
La simulación no interfiere con el mundo real.
Permite experimentar. Permite estudiar la interacción entre las diferentes
variables del problema.
Mediante la simulación podemos “influir en el tiempo” de los procesos.
La simulación permite resolver problemas que no tienen solución analítica.
Desventajas:
Una buena simulación puede resultar muy complicada, gran número de
variables.
La simulación no genera soluciones Óptimas globales. ´
No proporciona la decisión a tomar, sino que resuelve el problema mediante
aproximación para unas condiciones iniciales.
Cada simulación es única, interviene el azar.
5.5. MODELO MULTIDIMENSIONAL DE SENSIBILIDAD DEL VAN,
SIMULACIÓN MONTE CARLO.
Modelo Multidimensional (Modelos de Montecarlo)
Menciona (Palisade, s. f.) que, a diferencia del enfoque tradicional, el Modelo
multidimensional permite considerar una gran cantidad de variables y
combinaciones a introducir en las proyecciones financieras.
Se basa en la simulación de distintos escenarios inciertos, los que permiten
estimar los valores esperados de las variables no controlables. Esto brinda mayor
utilidad en el proceso de toma de decisiones, formulación de estrategias y planes
de acción.
Para valorar el efecto de la incertidumbre sobre los flujos de efectivo de una
empresa, existen en el mercado varias aplicaciones que utilizan herramientas la
simulación Monte Carlo, sobre los modelos de planificación financiera elaborados
en planillas electrónicas.
Una de las herramientas más utilizada es el @Risk desarrollado por la empresa
Palisade, con la que se puede realizar análisis de riesgos utilizando la simulación
para mostrar múltiples resultados posibles, determinando la probabilidad de que
los mismos se produzcan.
Pare ello, se asignan distribuciones de probabilidad a las variables relevantes del
modelo, como, por ejemplo, el comportamiento de las ventas, el porcentaje de
incobrables, los días estimados de cobranzas. A su vez, se definen las variables
de salida, ejemplo de estas son: el saldo mensual de caja, la rentabilidad prevista,
el déficit presupuestal.
El sistema calcula y controla objetivamente un gran número de escenarios futuros
posibles, y luego indica las probabilidades y riesgos asociados con cada uno,
permitiendo que los responsables de la planificación puedan decidir qué riesgos
desean tomar y cuáles prefieren evitar, tomando la mejor decisión en situaciones
de incertidumbre.
La simulación permite experimentar para observar los resultados que va
mostrando el VAN, especialmente cuando existen dudas del comportamiento de
más de una variable a la vez; aunque no es un instrumento que busca su
optimización, sí cuenta con una herramienta de optimización y simulación
simultánea que permite obtener resultados más precisos bajo un conjunto de
restricciones.
Para aplicar la simulación de Montecarlo, se debe seguir un procedimiento que
consta de las siguientes etapas:
1. Construir el flujo de caja referenciando las celdas a aquellas sobre las cuales
se aplicará la simulación. Cualquier software de simulación requiere que todos
los valores del flujo, que dependan del valor que asume aleatoriamente cada
5.5. MODELO MULTIDIMENSIONAL DE SENSIBILIDAD DEL VAN,
SIMULACIÓN MONTE CARLO.
factor que servirá para hacer la prueba, se modifiquen automáticamente en
función del valor obtenido.
Por ejemplo, si la prueba define un nuevo valor para las unidades a vender, en
forma automática deberán modificarse los ingresos proyectados para cada
periodo, los costos (no solo en función del cambio en la cantidad, sino también
por las economías y des economías de escala) o los impuestos, entre otros, y
obviamente el VAN.
2. Definir el modelo para cada supuesto de entrada (elegir la distribución de
probabilidades que mejor represente el comportamiento probabilístico de las
variables elegidas).
3. Definir el pronóstico de salida (el VAN u otro resultado que se quiera observar,
y el número de pruebas o, alternativamente, el nivel de confianza deseado).
4. Ejecutar la simulación.
5. Analizar la información gráfica y numérica resultante.
Enfoque multidimensional
De acuerdo con (Proaño, s. f.) el enfoque multidimensional incluye en su modelo
de proyecciones base, distribuciones de probabilidad a las siguientes variables
consideradas claves:
Ventas proyectadas (utilizando las ventas históricas mensuales de los últimos 5
años)
Porcentaje de ventas contado
Meses de cobranza de créditos
Porcentaje de incobrabilidad
Porcentaje de variación de egresos operativos
5.5. MODELO MULTIDIMENSIONAL DE SENSIBILIDAD DEL VAN,
SIMULACIÓN MONTE CARLO.
REFERENCIAS BIBLIOGRÁFICAS
Meneses., A. (s. f.). Corporación Universitaria del Meta- Simulación. BlogSpoth.
Recuperado 16 de diciembre de 2020, de http://unimeta-simulacion-
alejandra-meneses.blogspot.com/2012/08/metodo-origen-el-de-montecarlo-
un-no.html#:~:text=%2D%20La%20simulaci%C3%B3n%20nos%20permite
%20formular%20condiciones%20extremas%20con%20riesgos
%20nulos.&text=%2D%20La%20simulaci%C3%B3n%20permite
%20resolver%20problemas,complicada%2C%20gran%20numero%20de
%20variables.
Palisade. (s. f.). Simulación de Monte Carlo - Palisade. SlideShare. Recuperado 17
de diciembre de 2020, de https://www.palisade-
lta.com/risk/simulacion_monte_carlo.asp
Parra, F. G. (2019, 9 enero). Riesgo e incertidumbre en proyectos. SlideShare.
https://es.slideshare.net/FranciscoGParra/riesgo-e-incertidumbre-en-
proyectos
Pérez, I. C. M. (2017, 8 noviembre). Método Montecarlo | ZonaEconomica. Zona
Economica. https://www.zonaeconomica.com/metodo-monte-carlo
Proaño, X. (s. f.). La consideración del riesgo en la planificación financiera.
AcaEdu. Recuperado 17 de diciembre de 2020, de
https://www.academia.edu/16234766/La_consideraci
%C3%B3n_del_riesgo_en_la_planificaci%C3%B3n_financiera
