Simulacin Montecarlo.

En las prximas tres entregas, trataremos la ltima de las metodologas utilizadas para introducir
el riesgo en la evaluacin de proyectos.
Antes, un poco de historia. La primera vez que se menciona a la
Simulacin Montecarlo, es en el artculo Risk Analysis in Capital
Investment de David B. Hertz, publicado en la edicin enero-febrero de
1964 de la revista Harvard Business Review. Si gusta, puede encontrarlo
en este enlace.
En simple, esta metodologa, mezcla el anlisis de escenarios con la
tcnica de mediciones estadsticas (por lo que, le pido revisar las
entregas Anlisis de Sensibilidad parte 2 y Mediciones estadsticas del
riesgo en un proyecto partes 1 y 2); pero, y aqu est lo importante,
las variables crticas, es decir, aquellas cuya variacin impacta
fuertemente en la rentabilidad del proyecto, se insertan dentro de una
distribucin de probabilidades ad hoc para cada una de ellas. Y por
qu se denomina Simulacin Montecarlo? Pues, debido a que los valores
de cada una de las variables, se escogen de manera aleatoria, al igual
que los nmeros que se obtienen en una ruleta. No se preocupe que, en
un momento, le explico paso a paso esta tcnica.
Es importante notar que, en los primero 30 aos de su existencia, esta
tcnica no fue muy utilizada. Recin, a partir de la segunda mitad de
los 90, es que se vuelve popular entre los evaluadores de proyectos.
Razones?, bsicamente dos, la primera tiene que ver con el desarrollo
de hardware (capacidad de procesamiento); y, la segunda, con la
aparicin de software que corre en Excel y que facilita, grandemente,
su aplicacin. Probablemente, haya escuchado de alguno de ellos; los
ms conocidos son: el Crystall Ball y el Risksimulator.
La tcnica se desarrolla a travs de seis pasos, a saber: uno.
Elaboracin del modelo de pronstico; dos. Seleccin de las variables
de riesgo; tres. Asignacin de la distribucin de probabilidades a cada
variable; cuatro. Inclusin de condiciones de correlacin; cinco.
Simulacin; y seis. Anlisis de resultados. Empecemos a desarrollarlas:
1. Elaboracin del modelo de pronstico
No se asuste, no es nada del otro mundo, tiene el programa Excel?,
s?, entonces, lo nico que tiene que hacer, es proyectar el estado de
ganancias y prdidas y el flujo de caja del proyecto que est
analizando, incluya el indicador de rentabilidad correspondiente (VPN,
TIR, etc.). No se olvide de adicionar el panel de variables de entrada
en su hoja (revise por favor la entrega El riesgo en la evaluacin de
proyectos para recordar el porqu, esto ltimo, es tan importante).

Para el nuestro ya conocido caso de la mquina de SIPECA, el modelo sera el ya desarrollado en

entregas pasadas:

Note, como se linkean las ventas del ao 1, al panel de variables de entrada ventas (celda $B$4)
x precio (celda $B$5).
2. Seleccin de variables de riesgo
Una vez elaborado el modelo, el paso siguiente es seleccionar las
variables que impactan ms en la rentabilidad del modelo. Observe que,
anteriormente, ya lo hemos hecho (si no se acuerda, por favor revise la
entrega El anlisis de sensibilidad (parte 1). Le debe quedar claro,
que el concepto es el mismo, debemos escoger precio y cantidad de todas
maneras y, el resto de variables, dependiendo de las caractersticas
particulares del proyecto que estamos evaluando; y, en cuanto al
nmero, pues ni muchas ni pocas. Si quiere una mejor aproximacin,
escoja las variables que luego del anlisis de sensibilidad
unidimensional, son las que afectan, de manera importante, al VPN del
proyecto.

En el caso de SIPECA, se escogieron: nmero de unidades vendidas, el precio de venta, los costos
variables y los costos fijos.
Esta es la segunda de tres entregas, en donde desarrollaremos la Simulacin Montecarlo. En la
entrega anterior, habamos determinado los seis pasos necesarios para llevar a cabo esta
metodologa. Repasmoslas: uno. Elaboracin del modelo de pronstico; dos. Seleccin de las
variables de riesgo; tres. Asignacin de la distribucin de probabilidades a cada variable; cuatro.
Inclusin de condiciones de correlacin; cinco. Simulacin; y, seis. Anlisis de resultados.
En esa misma entrega, explicamos las dos primeras. Toca ahora, hablar
sobre las dos siguientes; pero antes, no se olvide, que debemos haber
elaborado nuestro modelo de pronstico con un panel de variables de
entrada, que estn linkeadas con las proyecciones del estado de
ganancias y prdidas y el flujo de caja (paso 1) y seleccionado las
variables de riesgo, es decir, aquellas cuyas variaciones, a nuestro
juicio, impactan ms en la rentabilidad del proyecto (paso 2).
3. Asignacin de la distribucin de probabilidades:
Debemos tener en cuenta que las variables crticas (en realidad, todas
las variables del proyecto), son de naturaleza riesgosa, pues pueden
comportarse de manera diferente a lo esperado. Se ha abordado este
problema anteriormente, sea efectuando un anlisis unidimensional (por
variable), multidimensional (por escenario), hallando el punto de
equilibrio o mediante el anlisis estadstico; pero para, ejecutar la
Simulacin Montecarlo a cada una de las variables crticas, debe
asignrsele una distribucin de probabilidades.
Antes de continuar, definamos de manera simple este concepto. Una
distribucin de probabilidad es, esencialmente, la asignacin de
probabilidades de ocurrencia a una variable sobre un rango de valores
discretos o continuos. Un aparte, un valor discreto, es una variable
que se puede asociar a un nmero natural (por ejemplo, nmero de
unidades vendidas), en tanto que, una variable continua, es aquella
cuyo rango se encuentra dentro de un continuo de valores (i.e. monto de
las ventas en soles).
Las distribuciones de probabilidad, son utilizadas para regular la
probabilidad de seleccionar variables dentro de rangos definidos y
sirven, especficamente, para expresar cuantitativamente las creencias
y expectativas acerca del resultado de un evento futuro.

Se puede distinguir dos tipos de distribuciones, a la primera clase,

pertenecen las denominadas distribuciones simtricas. A esta categora,
corresponden la distribucin normal, la uniforme y la triangular, entre
otras. Sea cual sea la distribucin seleccionada, la asignacin de
probabilidades, se da a lo largo de un rango definido de valores, pero
con diversos grados de concentracin alrededor del promedio. Por otro
lado, tambin existen las distribuciones escalonadas y las sesgadas.
Con la primera clase, se puede definir intervalos en el rango de
valores de la variable, asignndole a cada uno de ellos, una
probabilidad de ocurrencia, de una manera escalonada.
Regresemos al tema que estamos tratando. No se desanime por favor, es
menos complicado de lo que cree. Siga usted estas simples reglas:
a) Si la variable de riesgo seleccionada tiene data histrica;
simplemente, utilice la herramienta que existe en cualquiera de los
programas que corren la Simulacin Montecarlo y que permite adecuar la
data a una distribucin de probabilidades especfica. Por ejemplo, en
el programa Riskease, el comando es el Fit User Data.
b) Si por otro lado, la variable no tiene data histrica, entonces,
busque la opinin de expertos, recurra a su experiencia o seleccione la
distribucin normal, pues el perfil de variacin de muchas de las
variables de un proyecto, puede ser adecuadamente descrito a travs de
su utilizacin. Tambin, puede usar una distribucin triangular si
considera que la variable puede tomar pocos valores o, en su defecto,
una distribucin uniforme, si espera que todos los valores, tengan la
misma probabilidad de ocurrencia. Por ltimo, la distribucin
escalonada es, especialmente til, si se cuenta con abundante opinin
de expertos.
En el caso de SIPECA, vea el grfico por favor, las variables crticas
consideradas, eran el nmero de unidades vendidas (ventas), el precio,
los costos variables unitarios y los costos fijos. A cada una de estas
variables, se le ha asignado una distribucin de probabilidades. As
por ejemplo, a las ventas y al precio, se les ha asignado una
distribucin normal, a los costos variables una uniforme y, a los
costos fijos, una distribucin triangular. Por si acaso, los valores
que estn dentro del recuadro, son los que se tomaron en cuenta para
las proyecciones del escenario base.

El siguiente paso es especificar el nivel de variacin posible para

cada variable crtica. Esto se lleva a cabo mediante la fijacin de
lmites (valores mximos y mnimos) dentro del rango de valores
asignado a cada una de ellas. Cuando hay data histrica la definicin
de los lmites se obtiene como subproducto de procesar los datos para
asignar una distribucin de probabilidad a la variable crtica
seleccionada. En el caso que no exista informacin disponible
usualmente se confa en el juicio de expertos o del evaluador del
proyecto.
Para el caso de SIPECA, hemos procedido a asignar valores a cada una de las variables crticas:

As por ejemplo, las ventas se distribuyen de manera normal en el rango

que va desde 23,000 a 27,000 unidades, teniendo como valor base 25,000
y una desviacin estndar de 2,500. La misma explicacin alcanza a la
variable precio. A los costos variables se le asign una distribucin
uniforme, lo que implica que todos los valores dentro del rango tiene
una similar probabilidad de ocurrencia. Por ltimo, los costos fijos de
distribuye de manera triangular, es decir que existen 3 valores: un
mximo, un mnimo y el promedio.

4. Inclusin de condiciones de correlacin entre las variables crticas

Se dice que dos variables estn correlacionadas cuando varan,
conjuntamente, de manera sistemtica. Cumplir este paso es de vital
importancia, si se quiere completar exitosamente la Simulacin
Montecarlo. La razn es simple de entender, y la comprender mejor,
cuando desarrolle los dos ltimos pasos en la prxima entrega. Por el
momento, establezcamos que hay una correlacin negativa entre ventas y
precio. Obviamente, si el precio sube, las ventas disminuyen. Por lo
tanto, la correlacin es negativa (o inversa); pero debemos tener
claro, tambin la intensidad del movimiento conjunto. Si tiene data
histrica de ambas variables puede hacer el anlisis correspondiente,
sino, nuevamente, la cifra depender de la opinin de expertos o de su
experiencia como evaluador. Supongamos que en este caso hay un
coeficiente de correlacin de -0.30.

Ejecucin de la simulacin:
Esto, lo hace el programa que haya elegido (riskease, risksimulator,
@risk, crystall ball, etc.); pero eso no quita que entendamos la lgica
detrs de la ejecucin.
En realidad, debemos tener claro, que el proceso es aleatorio (y de ah
el nombre Montecarlo, por el juego de ruleta), escogiendo al azar, un
dato por cada variable de riesgo seleccionada y procediendo a
reemplazarlos en el panel de variables de entrada. Dada la vinculacin
entre este, las proyecciones y el indicador de rentabilidad (en este
caso el VPN), automticamente, se recalcular todo el modelo de
pronstico, incluyendo el VPN y, a este valor, le llamaremos VPN1.
Inmediatamente despus, se seleccionar otro dato por cada una de las
variables de riesgo, se reemplazar en el panel de variables de
entrada, se recalcular el modelo y se obtendr un nuevo VPN, al que
llamaremos VPN2. Este proceso se repite hasta que contemos con tantos
VPN, como simulaciones hayamos pedido que ejecute al programa (100,
500, 1,000, 10,000 etc.).

Regresemos al caso de SIPECA. Observe cuidadosamente la ilustracin siguiente:

Hemos pedido que el programa corra n simulaciones. En la primera

simulacin, el programa escogi al azar, un valor para cada una de las
variables crticas. As para las ventas seleccion 23,000 unidades,
para el precio S/.42, en el caso de los costos variables y costos fijos
asumi S/.18.66 y $311,540, respectivamente. Posteriormente, reemplaz
esa data en el panel de variables de entrada y recalcul la
rentabilidad del proyecto, obteniendo un VPN de $320,486.51. Luego,
procedi a escoger otros cuatro valores, calcul el VPN respectivo
($77,114.68) y, as sucesivamente, hasta completar las n simulaciones
solicitadas.
Es importante que tenga en cuenta que, si bien la seleccin hecha es al
azar, sta se encuadra dentro de las distribuciones de probabilidad
seleccionadas para cada variable, respetando los rangos asignados y
las condiciones de correlacin entre variables. As, en el caso de las
ventas, escogi un valor (23,000 unidades) que se encontraba dentro de
la distribucin e intervalo asignado (distribucin normal y de 23,000
como mnimo, a 27,000 como mximo) y as lo hizo con las otras
variables. Las condiciones de correlacin son importantes de respetar,
pues as, se elimina la posibilidad que el programa arroje resultados
inconsistentes. En el caso de SIPECA, introdujimos una condicin que
declaraba que haba una correlacin negativa (-0.30) entre precio y
cantidad. Con esta restriccin, estbamos dicindole al programa que
cuando seleccione un dato de precio y este es alto, entonces escoja un
valor de ventas bajo y viceversa. La inconsistencia de la que hablaba,
poda darse al tener seleccionadas ventas y precios altos o bajos a la
vez.
6. Anlisis de los resultados:

Se acuerda que le dije en la entrega La Simulacin Montecarlo (parte

1) del 30.05.2011, que en realidad, este mtodo era una mezcla del
anlisis de escenarios con el de mediciones estadsticas?, pues ahora,
le explicar el porqu. Sin embargo, antes le pido que le d una
revisada a las entregas del 31.03, 29.04 y 13.05, donde se tratan estas
tcnicas.
Al final del proceso, se cuentan con n escenarios y n VPN. La
probabilidad de ocurrencia de cada escenario, es 1/n. Es decir, cada
VPN obtenido, tiene la probabilidad de 1/n de ocurrir. Luego, es fcil
de deducir, que tenemos los insumos para poder hallar, entre otros
datos a los siguientes:
VPNE = VPNi x Prob.i
2 = (VPNi VPNE)2 * Prob.i
= ( (VPNi VPNE)2 * Prob.i) 0.5
cv =| / VPNE|
En el caso de SIPECA, para hallar el VPNE del proyecto, tendramos que hacer este clculo:

Y as sucesivamente para la 2, la , el coeficiente de variacin, etc.

No se preocupe pues, cualquier programa que utilice, le dar un cuadro
resumen, que le evitar hacer los clculos. As, por ejemplo, para el
caso que estamos analizando, el risksimulator, el cual ha corrido 1,000
simulaciones, le presentar un resumen de este tipo:

Esta data, se interpreta de la misma manera como lo expliqu en anteriores entregas.

Sin embargo, quiero resaltar, que le quede claro, que cualquier mtodo
que se emplee para medir el riesgo en un proyecto, tiene componentes
subjetivos y, ms an, la prueba cida es la propensin o aversin al
riesgo de los inversionistas. Pues, le aseguro que este mismo set de
datos, puede ser interpretado de manera diferente por cada inversor.
Acurdese que cada uno es dueo de sus propios miedos.
Con esto, hemos terminado de explicar el segundo pilar en las tcnicas
de evaluacin de proyectos. Antes de pasar al tercer pilar
(Determinacin de la tasa de descuento), desarrollar en las prximas
entregas, casos especiales que enfrentamos cuando evaluamos proyectos,
por ejemplo, proyectos con vidas tiles diferentes o el tratamiento de
la inflacin en los proyectos, entre otros.