UNIVERSIDAD ANDINA DEL CUSCO

FACULTAD DE CIENCIAS ECONOMICAS, ADMINISTRATIVAS Y CONTABLES

CARRERA PROFESIONAL DE FINANZAS

Simulación de Montecarlo

ASIGNATURA: Software Financiero

DOCENTE: Mg. Ing. Paula Benancia Sernaqué Fernández

INTEGRANTES:

Cano Llancay Priscila

Companocca Chullo Marco Antonio

Quispe Angulo Jhempiero Manuel

CUSCO – PERU
2023
 INDICE
1 INTRODUCCIÓN ..................................................................................................... 3

2 ASPECTOS GENERALES - SIMULACIÓN DE MONTECARLO ....................... 4

2.1 Historia ............................................................................................................... 4

2.2 Características .................................................................................................... 4

2.3 Ventajas y Desafíos ............................................................................................ 5

3 USOS - SIMULACIÓN DE MONTE CARLO ........................................................ 5

3.1 Casos de uso ....................................................................................................... 5

3.2 COMPONENTES .............................................................................................. 7

3.3 Procedimiento..................................................................................................... 8

4 APLICACIONES SIMILARES ................................................................................ 9

5 EJERCICIO DE APLICACIÓN – MS EXCEL ........................................................ 9

6 CONCLUSIÓN ....................................................................................................... 12

7 REFERENCIAS BIBLIOGRAFÍA ......................................................................... 13

1 INTRODUCCIÓN

La simulación de Montecarlo es una poderosa herramienta utilizada en diversas disciplinas para

modelar y analizar sistemas complejos mediante la generación de múltiples escenarios aleatorios.

Esta metodología utiliza la generación estos números aleatorios para modelar sistemas complejos,

permitiendo la exploración exhaustiva de una multitud de escenarios posibles

A lo largo de la monografía, desglosaremos las características fundamentales de la simulación de

Montecarlo, examinaremos sus aplicaciones en diversos contextos y destacaremos tanto sus

ventajas como sus desafíos, los casos de uso y componentes que tiene como; la media y la

desviación estándar, realizaremos los pasos a seguir y que otras aplicaciones cumplen el perfil

similar a la Simulación de Montecarlo.

Dentro de este contexto, exploraremos los componentes fundamentales y los pasos para realizar

la simulación de Montecarlo, para ilustrar la aplicación de la simulación de Montecarlo,

presentaremos un caso práctico en Microsoft Excel, donde modelaremos y analizaremos la oferta

y a demanda de un producto, utilizando funciones y herramientas disponibles en Excel,

demostraremos cómo la simulación de Montecarlo puede ser implementada para evaluar riesgos

y tomar decisiones informadas en el ámbito financiero.

.
2 ASPECTOS GENERALES - SIMULACIÓN DE MONTECARLO

2.1 Historia

Monte Carlo es el nombre del método estadístico numérico no determinístico que mediante la

utilización de números aleatorios permite aproximar expresiones matemáticas complejas. Este

método fue desarrollado por Stanislaw Ulam y John Von Neumann a mediados de los años 40

al desarrollar investigaciones para la creación de la bomba atómica en la segunda guerra

mundial y que se mejoró con el desarrollo de las computadoras (Liu and Chen, 1998).

Llamado así debido a que Nicholas Metropolis notó que Stan Ulam tenía un tío al que le gustaba

pedir prestado a sus parientes, justo cuando tenía que ir a jugar al casino de Monte Carlo en la

provincia de Mónaco (Cooper, 1989) además la ruleta es un continuo generador de números

aleatorios, necesario para que el método funcione. Actualmente se utiliza en varios campos de

finanzas y ciencias para dar respuesta a problemas que no tienen una solución analítica, o es

muy difícil encontrarla.

2.2 Características

Según (Córdova 2008), las características son:

a) Característica Distintiva: La generación de números aleatorios para representar

fenómenos aleatorios, transformando problemas deterministas en procesos

estocásticos. Esta característica fue central en sus aplicaciones iniciales en la física

nuclear.

b) Característica Destacada: La simulación de Montecarlo permite modelar sistemas

complejos al descomponerlos en elementos más simples y simular la interacción entre

estos elementos. Esta capacidad de manejar la complejidad es esencial en la resolución

de problemas del mundo real.

c) Característica Esencial: La simulación de Montecarlo se destaca por su flexibilidad

y aplicabilidad en la resolución de problemas complejos en finanzas y gestión de

 operaciones. Puede adaptarse a una amplia gama de escenarios y estructuras de

problemas.

2.3 Ventajas y Desafíos

Ventajas Desafíos

Toma grandes cantidades de tiempo para procesar

Herramienta poderosa para entender y cuantificar los todos los datos (Williams, 2003). Depende
efectos de los riesgos de una empresa. mucho del nivel de complejidad y la cantidad de
actividades que se procesen.

Simulación de Monte Carlo maneja miles de datos y

Falta de Conocimiento de los Software hace difícil
por lo tanto miles de caminos que
de incorporar en la industria.
pueden ser analizados (Kwak et al., 2007).

Muestra distribución de probabilidades de los Alto escepticismo en la industria por falta de

resultados. conocimiento

3 USOS - SIMULACIÓN DE MONTE CARLO

3.1 Casos de uso

Para (IBM, 2016) Las empresas utilizan el método de Monte Carlo para evaluar los riesgos y realizar

predicciones precisas a largo plazo. A continuación, se presentan algunos ejemplos de casos de uso.

FINANZAS

Los analistas financieros normalmente realizan previsiones a largo plazo sobre los precios de las

acciones y luego asesoran a los clientes respecto a qué estrategias son las más adecuadas. Al hacerlo,

deben tener en cuenta los factores del mercado que podrían provocar cambios drásticos en el valor de

la inversión. Por ello, utilizan las simulaciones de Monte Carlo para predecir los resultados probables

y respaldar sus estrategias.

La simulación de Monte Carlo en las Finanzas se usa de muchas maneras y algunas de ellas son:
 Análisis de riesgo financiero: La simulación se utiliza para evaluar los riesgos financieros al

analizar múltiples factores de riesgo y obtener la probabilidad de cada resultado posible. Esto

permite a los analistas financieros tomar decisiones informadas sobre inversiones, préstamos,

seguros y otros aspectos relacionados con las finanzas.

Proyección de resultados financieros: La simulación de Monte Carlo se utiliza para proyectar

resultados financieros a largo plazo. A medida que se aumenta el número de entradas en la

simulación, se obtiene un rango de resultados posibles con la probabilidad de que ocurra cada

resultado.

Cálculo de rentabilidades y riesgos: Usamos la simulación para calcular las rentabilidades y

los riesgos en diversos escenarios financieros. Esto ayuda a las empresas a evaluar la viabilidad

de proyectos de inversión, estimar el rendimiento de carteras de inversión y evaluar el impacto

de diferentes estrategias financieras.

LOS NEGOCIOS

Los líderes empresariales utilizan este método de Monte Carlo para proyectar escenarios realistas a la

hora de tomar decisiones. Por ejemplo, un profesional del marketing tiene que decidir si es viable

aumentar el presupuesto de publicidad para un curso en línea. Podría utilizar el modelo matemático

de Monte Carlo sobre factores o variables inciertas, como las siguientes:

• Tarifa de suscripción

• Costo de publicidad

• Tasa de registro

• Retención

La simulación predeciría entonces el impacto de los cambios en estos factores para indicar si la decisión

es rentable o no para la empresa.

JUEGOS EN LINEA

El sector de los juegos y las apuestas en línea está sujeto a regulaciones estrictas. Los clientes

esperan que el software de juego sea justo e imite las características de los juegos de azar

presenciales. Por ello, los programadores de juegos utilizan el método de Monte Carlo para simular

los resultados y garantizar una experiencia de juego justa.

INGENIERIA

Los ingenieros deben garantizar la fiabilidad y solidez de cada producto y sistema que crean antes de

ponerlo a disposición del público. Utilizan métodos de Monte Carlo para simular la tasa de fallos

probable de un producto en función de las variables existentes. Por ejemplo, los ingenieros mecánicos

utilizan las simulaciones de Monte Carlo para calcular la durabilidad de un motor cuando funciona en

diversas condiciones.

3.2 COMPONENTES

Según Mamani (2019), “Un análisis de Monte Carlo consta de variables de entrada, variables de
salida y un modelo matemático. El sistema de computación introduce variables independientes en un
modelo matemático, las simula y produce variables dependientes.

1. Variables de entrada
Las variables de entrada son valores aleatorios que afectan la salida de la simulación de
Monte Carlo. Por ejemplo, la calidad de fabricación y la temperatura son variables de entrada
que influyen en la durabilidad de un teléfono inteligente. Las variables de entrada se pueden
expresar como un rango de muestras de valores aleatorios de modo que el método de Monte
Carlo pueda simular los resultados con valores de entrada aleatorios.
2. Variable de salida

La variable de salida es el resultado del análisis de Monte Carlo. Por ejemplo, la vida útil de

un dispositivo electrónico es una variable de salida, que se expresa en un valor de tiempo,

como 6 meses o 2 años.

 3. Modelo matemático

Un modelo matemático es una ecuación que describe la relación entre las variables de salida y

de entrada en forma matemática. Por ejemplo, el modelo matemático de rentabilidad es

(Beneficio = Ingresos – Gastos)

La simulación de Monte Carlo se puede ejecutar durante horas cuando el modelo matemático involucra

muchas variables aleatorias.

3.3 Procedimiento
Paso1.- Establecer el modelo matemático

Definir una ecuación que reúna las variables de salida y de entrada, desde fórmulas empresariales

básicas hasta complejas ecuaciones científicas.

Paso 2 .- Determinar los valores de entrada

Elegir entre los diferentes tipos de distribuciones de probabilidad para representar los valores de

entrada..

Paso 3 .- Crear un conjunto de datos de muestra

Crear un gran conjunto de datos de muestras aleatorias según la distribución de probabilidad elegida.

El tamaño de la muestra debe ser del orden de 100 000 para obtener resultados precisos.

Paso 4 .- Configurar el software de simulación de Monte Carlo

Utilizar las muestras de entrada y el modelo matemático para configurar y ejecutar el software de

simulación de Monte Carlo.

Paso 5 .- Analizar los resultados

Comprobar los resultados simulados para averiguar cómo se distribuye la salida en el histograma.

Utilizar herramientas estadísticas para calcular parámetros, como el valor medio, la desviación

estándar y la variante, y así determinar si el resultado está dentro de las expectativas.

4 APLICACIONES SIMILARES
• Método de Box Muller

Recogiendo las ideas de Papuolis (1991), este método resulta de utilizar un método basado en

coordenadas polares para generar variables aleatorias con distribución normal estándar.

Es ampliamente utilizado en el muestreo estadístico y es una forma elegante y fácil de

ejecutar de generar un modelo normal estándar . De hecho, dado que se puede usar para

generar números aleatorios normalmente distribuidos, se desarrolló originalmente como

una alternativa mejor y más eficiente desde el punto de vista computacional al muestreo

inverso .

5 EJERCICIO DE APLICACIÓN – MS EXCEL

Para ilustrar su aplicabilidad, presentaremos un caso práctico de pedido de cantidad, oferta y demanda

en Microsoft Excel, a través de esta demostración, destacaremos cómo la Simulación de Montecarlo

puede ser implementada simular el beneficio máximo de la empresa a analizar.

CASO CANTIDAD DE PEDIDO: OFERTA Y DEMANDA

El volumen semanal de ventas de un producto para la salud depende de su precio de venta. Este

volumen de ventas se asume que tiene una distribución normal, tomando la parte entera. Los precios

de veta, las probabilidades de que ocurra cada precio de venta, así como la media y desviación estándar

asociado a cada precio de venta se muestra en la siguiente tabla:

Precio de Venta S/ Probabilidad Volumen Ventas (Media) Desv. Estándar

70 0.15 380 55

72 0.35 420 65

75 0.25 430 70

77 0.15 400 65

80 0.1 350 55
Se sabe que el precio de compra es de S/ 45.00 y el valor de rescate (remate) es de S/ 25.00. A su vez
se tiene un costo de penalidad o perdida por no atender la demanda el cual es de S/ 15.00. Se desea
saber qué cantidad se debe pedir cada semana, buscando maximizar el beneficio. Las cantidades para
pedir puede ser 350, 360,370... hasta 450 unidades.

SIMULADOR DE PRECIO DE VENTA

Precio de Venta Probabilidad Volumen Venas Desv. Lim Limite
Acumulada
S/ (Media) Estándar inferior Superior
70 0.15 380 55 0.15 0 0.15
72 0.35 420 65 0.5 0.15 0.5
75 0.25 430 70 0.75 0.5 0.75
77 0.15 400 65 0.9 0.75 0.9
80 0.1 350 55 1 0.9 1
Aleatorio P. Venta 0.928290432
P Venta 80 (simulando P Venta)
Aleatorio Volumen 0.583575351
Media 350
Desv. Estandar 55
Volumen ( (simulando la
Demanda) 361 demanda)
Cantidad de
Pedido 380 (Valor arbitrario)
Venta real 361
Sobra 19
Falta 0

Beneficio Semanal S/ 12,255.00

Cuadro resumen:
Beneficio Máximo
Pedido Beneficio
S/ 10,400.00
350 S/ 8,821.04
360 S/ 10,200.00
S/ 9,089.04
370 S/ 9,362.43
S/ 10,000.00
380 S/ 9,539.95
S/ 9,800.00
390 S/ 9,766.10
S/ 9,600.00
400 S/ 9,901.69
410 S/ 9,400.00
S/ 10,019.74
420 S/ 10,134.20
S/ 9,200.00
430 S/ 10,213.10
S/ 9,000.00
440 S/ 10,198.56
S/ 8,800.00
450 S/ 10,189.58
S/ 8,600.00
350 360 370 380 390 400 410 420 430 440 450
Máx. Beneficio S/ 10,213.10
Cant. Pedido 430.00
 Fuente: Elaboración propia

En el gráfico se puede observar que con una cantidad de pedido de 430, el beneficio máximo de la

empresa será de S/ 10,213.10, por lo cual podemos decir que a mayor cantidad de pedido mayor será

el beneficio que se obtendrá.

6 CONCLUSIÓN

En conclusión, la Simulación de Montecarlo es una herramienta esencial para enfrentar la

complejidad y la incertidumbre en la toma de decisiones estratégicas, especialmente en el análisis

de la interacción entre oferta y demanda.

Al modelar la variabilidad en los mercados, la simulación de Montecarlo ofrece una visión más

precisa de los posibles resultados y riesgos asociados. Esto es particularmente valioso en un

entorno económico dinámico y cambiante, donde la incertidumbre puede tener un impacto

significativo en las decisiones comerciales. Gracias a la capacidad de Montecarlo para simular

diferentes escenarios y evaluar la probabilidad de diversos resultados, los empresarios pueden

tomar decisiones más informadas, anticipando posibles desafíos y aprovechando oportunidades

emergentes.

En última instancia, la simulación de Montecarlo no solo se presenta como una herramienta

analítica avanzada, sino como un aliado estratégico para los empresarios que buscan navegar por

la complejidad de los mercados. Proporciona una plataforma sólida para la planificación

estratégica sobre la dinámica de oferta y demanda, permitiendo así la adopción de estrategias más

sólidas y adaptativas en la toma de decisiones empresariales.

7 REFERENCIAS BIBLIOGRAFÍA

CÓRDOVA, E. I. C. (2008). Análisis y medición de incertidumbre en redes de actividades. De

Finanzas, 11(39), 6

COOPER, N. G., ECKHARDT, R., & SHERA, N. (1989). From cardinals to chaos: Reflections

on the life and legacy of Stanislaw Ulam: CUP Archive.

LIU, J. S., & CHEN, R. (1998). Sequential Monte Carlo methods for dynamic systems.

Journal of the American statistical association, 93(443), 1032-1044.

Amazon.com. Retrieved December 12, 2023, from https://aws.amazon.com/es/what-

is/monte-carlo-simulation/ Recuperado el 12 de diciembre de 2023 de
http://file:///C:/Users/HP/Downloads/Dialnet-
AnalisisDeRiesgoMedianteElMetodoDeSimulacionDeMont-7437386.pdf
WILLIAMS, T. (2003). La contribución del modelado matemático a la práctica de
gestión de proyectos. Revista IMA de Matemáticas de Gestión, 14(1), 3-30.