You are on page 1of 13

Metodologa Montecarlo

Resumen

En la actualidad muchas personas no saben Qu es el Mtodo Montecarlo?

Cmo se aplica? Para qu sirve? No te parecera til poder determinar si la

planificacin de tu proyecto es factible antes de empezar este? Pues esto es

posible mediante el mtodo de Montecarlo

Entre otras interrogantes, pero sin saberlo muchos de ellos lo han aplicado en

diversas situaciones de la vida cotidiana.

El mtodo de Monte Carlo en s, es un mtodo no determinista o estadstico

numrico, usado para aproximar expresiones matemticas complejas y costosas

de evaluar con exactitud. El mtodo se llam as en referencia al Casino de

Monte Carlo (Principado de Mnaco) por ser la capital del juego de azar, al ser

la ruleta un generador simple de nmeros aleatorios. El nombre y el desarrollo

sistemtico de los mtodos de Monte Carlo datan aproximadamente de 1944 y

se mejoraron enormemente con el desarrollo de la computadora.

Qu es el mtodo de Montecarlo?

El mtodo de Montecarlo es un mtodo de simulacin que permite calcular

estadsticamente el valor final de una secuencia de sucesos no deterministas

(sujetos a variabilidad), como es el caso del plazo o el coste de un proyecto. Por

la complejidad de esta tarea, esta simulacin se realiza por computador con

alguno de los programas que se detallan al final de este artculo.


En la prctica este anlisis consiste en ejecutar varias veces los diferentes

sucesos variando aleatoriamente su valor en funcin de la funcin estadstica

que los define, dando como resultado un conjunto de valores finales. Este

conjunto de valores permite calcular el valor medio y la variabilidad para el

conjunto.

Utilidad del mtodo de Montecarlo en proyectos

Como se ve en los artculos y revistas, las estimaciones de plazo y coste que

hacemos durante la planificacin de un proyecto estn sujetas a variabilidad.

Esta variabilidad es debida tanto a la variabilidad intrnseca de las estimaciones,

una determinada tarea no cuesta o dura siempre lo mismo, como a los riesgos

asumidos, los cuales tienen una determinada probabilidad de ocurrir y un

impacto. A continuacin, se presenta las fuentes de incertidumbre ms comunes.

Fuentes de incertidumbres

Muchas cosas pueden hacer que una medicin tenga incertidumbre, y los

defectos en la medicin pueden ser visibles o invisibles, pues los procesos de

medicin reales nunca se realizan en perfectas condiciones y menos en entornos

industriales. Podemos distinguir varios tipos de errores:

a) Errores asociados con el instrumento de medida utilizado. El instrumento de

medida puede ser objeto de errores propios debido a cambios sufridos por

envejecimiento, desgaste, deriva, escasa legibilidad, ruido elctrico (para los

instrumentos elctricos), vibraciones y muchos otros problemas.

b) Errores relacionados con el dispositivo que est siendo medido. Pues puede

que dicho dispositivo no sea estable.


c) Errores debidos al procedimiento de medicin. Puede que el proceso de

medicin sea dificultoso de realizar.

d) Incertidumbres importadas. El instrumento con el que se van a realizar las

medidas tiene que estar calibrado. La calibracin del instrumento viene validada

por su correspondiente certificado de calibracin, en el que debe indicarse

claramente la incertidumbre de uso del instrumento de medida. Esto no es ni ms

ni menos que la primera de las incertidumbres que considerar en el resultado de

las medidas obtenidas en la prctica cuando se realice un proceso de medicin.

e) Errores del operador. Algunos tipos de medicin dependen en gran medida de

la experiencia y habilidades del operador. Una persona puede ser mejor que otra

a la hora de efectuar mediciones delicadas. Sin embargo, este tipo de errores no

se suelen considerar en el clculo de incertidumbres, pues se parte de la base

de que el personal encargado de realizar las medidas tiene la experiencia y

cualificacin adecuadas.

f) Problemas de muestreo. El muestreo utilizado para la toma de medidas tiene

que ser representativo de la magnitud que se quiere medir.

g) Errores debidos a las condiciones del entorno. La temperatura, la presin

atmosfrica, la humedad y muchas otras condiciones pueden afectar al

instrumento de medida o al propio mensurando.

Figura 1. Distribucin normal o de Gauss con porcentaje de confianza.


Por ello no es conceptualmente correcto dar un valor determinado para el coste

o la duracin del proyecto, aunque todos lo hacemos, ya que estos van a estar

sujetos a variabilidad. Por el contrario, lo ms correcto sera hablar de un valor

medio y una variabilidad para el coste y la duracin totales, los cuales pueden

determinarse mediante el anlisis de Montecarlo.

De esta forma el mtodo de Montecarlo permite calcular el valor de coste y plazo

del proyecto en base a un determinado grado de confianza, y as determinar en

qu medida nuestra planificacin es realista, y va a permitir conseguir los

objetivos del proyecto. Esto significa determinar en qu porcentaje de las

simulaciones realizadas, el plazo y el coste totales son menores a los objetivos

del proyecto.

Si este porcentaje es menor al grado de confianza que la organizacin define

como aceptable, podemos determinar que la planificacin no es factible, por lo

que deberemos modificar esta, o tendremos datos objetivos para defender


delante del sponsor o el comit de direccin del proyecto que una determinada

restriccin o peticin no es asumible.

Otra utilidad, si planificamos por el mtodo de cadena crtica, es usar este

anlisis para determinar el valor de la proteccin en cada grupo de tareas y del

conjunto del proyecto. Esto se realiza de la misma forma que con el proyecto

completo, pero ejecutando el anlisis en el grupo de tareas que queremos

estudiar.

Una vez hemos completado la planificacin del proyecto, el anlisis de

Montecarlo sigue siendo til para estudiar los efectos de los cambios o de las

contramedidas sobre el proyecto.

Cmo realizamos el mtodo de Montecarlo?

Debido al tamao y complejidad de los proyectos que justifican el uso de este

anlisis, en los pequeos no se usa, este se realiza mediante computador,

siendo totalmente inviable hacerlo a mano. De todas formas es recomendable

entender el mtodo de clculo que hay detrs de estos programas de simulacin.

En cualquier proyecto hay dos elementos que tienen un comportamiento no

determinista:
Las tareas. Las cuales tienen un valor medio y una variabilidad de

acuerdo a una distribucin estadstica, que permite relacionar un

determinado valor de plazo o coste a un porcentaje de representatividad.

Los riesgos; sujetos a una probabilidad de ocurrencia y a un impacto. Si

tenemos un riesgo con una probabilidad de ocurrencia del 15%, y un

impacto de 1000 y 1 da, diremos que el 15% de las veces que se ejecute

el proyecto, este va a durar un da ms y costar 1000 ms, el 85% de las

veces restantes no.


Teniendo definidas las distribuciones estadsticas de todas las tareas y riesgos,

es posible calcular un valor determinado para cada tarea o riesgo mediante la

generacin de mltiples nmeros aleatorios de 0 a 100, asemejando el nmero

aleatorio al porcentaje de representatividad del valor de la tarea, o a la

probabilidad de ocurrencia del riesgo. Al final, esto permite calcular una duracin

o coste total del proyecto para cada valor aleatorio.

Pasos en la simulacin de Montecarlo

Paso 1: Elaboracin Paso 2: Identificar y Paso 4: Inclusin de


Paso 3: Asignacin de
del modelo de seleccionar las condiciones de
la distribucin de
pronstico variables de riesgo correlacin entre las
probabilidades
variables crticas

Paso 5: Ejecucin de Paso 6: Anlisis de los


la simulacin: resultados:

Paso 1: Creacin de un modelo pronstico del sistema


La cuantificacin de los escenarios futuros es, para los profesionales, un ejercicio

que les aporta claridad hacia el futuro deseado, especialmente en situaciones en

las que el nivel de complejidad es considerable.

Qu es un modelo matemtico?

Un modelo matemtico es producto de una abstraccin de un sistema real:

eliminando las complejidades y haciendo suposiciones pertinentes, se aplica una

tcnica matemtica y se obtiene una representacin simblica del mismo

logrando que este sistema complejo sea dividido en subsistemas ms simples.


Proceso de un modelo matemtico

Problema en
el mundo real

Predicciones
Modelo
matemtico Sistema en el mundo
real

Conclusiones
matemticas

Un modelo matemtico consta de 3 conjuntos de elementos como mnimo

Variables de decisin y parmetros: Variables de decisin son incgnitas

que deben ser determinadas a partir de la solucin del modelo. Los

parmetros representan los valores conocidas en el sistema o bien que

se pueda controlar.

Restricciones: Las restricciones son las relaciones entre las variables de

decisin y magnitudes que dan sentido a la solucin de problema y las

acotan a valores factibles. Por ejemplo, si una de las variables de decisin


representa el nmero de personas en una planta industrial, este nmero

no puede ser negativo.

Funcin objetivo: la funcin objetivo es una relacin matemtica entre las

variables de decisin, parmetros y una magnitud que representa el

objetivo o producto del sistema. Por ejemplo, si el objetivo es aumentar la

productividad, la funcin objetivo debe expresar la relacin entre el costo

y las ventas (variable de decisin).

Una vez tenido la referencia de nuestro modelo matemtico para la

elaboracin del proyecto 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).

Paso 2: Identificar y seleccionar las 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. 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.
Paso 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.

Una distribucin de probabilidad es, esencialmente, la asignacin de

probabilidades de ocurrencia a una variable sobre un rango de valores

discretos o continuos. 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.

Discretas Continuas

Una variable aleatoria representada Una variable aleatoria representada


mediante una distribucin discreta de mediante una distribucin continua de
probabilidad puede tomar un valor de probabilidad puede tomar cualquier
entre un conjunto de valores, cada uno valor dentro de un rango determinado.
de los cuales tiene asignada una Ejemplos: Normal, Lognormal, Uniforme,
determinada probabilidad de ocurrencia. Triangular, Histograma.
Ejemplos: Binomial, Geomtrica, Poisson,
Discreta.

Distribucin de
probabilidad

Paramtricas No paramtricas

Las pruebas paramtricas asumen Estas no deben ajustarse a ninguna


distribuciones estadsticas subyacentes a distribucin. Pueden por tanto aplicarse
los datos. Por tanto, deben cumplirse incluso aunque no se cumplan las
algunas condiciones de validez, de modo condiciones de validez paramtricas.
que el resultado de la prueba paramtrica Ejemplos: Triangular, Histograma,
sea fiable. General, Uniforme, Acumulada.
Ejemplos: Normal, Lognormal, Exponencial, Recordar: son vlidas en un rango ms
Beta. amplio de situaciones
Recordar: tiene ms potencia estadstica
que la no paramtrica.

Paso 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.

5. Ejecucin de la simulacin:

Esto, lo hace el programa que haya elegido (riskease, risk simulator, @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.).

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|