Uso de Simulación de Monte Carlo, Optimización, Pronósticos y

Árboles de Decisión con Risk Simulator

 CONTENIDO
1. Fundamentación Estadística:
• Estadística Descriptiva
• Probabilidad y Variables Aleatorias
• Teorema Central del Límite (Conceptos Básicos)
• ¿Qué es la Simulación Montecarlo?
2. Introducción al Software:
• Aplicaciones Generales de Risk Simulator
• Manejo de los menús de Risk Simulator
3. Simulación de Monte Carlo:
• Simulación de Monte Carlo e Hipercubo Latino
• Correlaciones
• Ajuste de Distribución Automático
• Análisis Tornado y de Sensibilidad
• Ejemplo de Simulación de Ventas, Ajuste de Distribución de Producción,
Ingresos, Compras, Precios.
4. Introducción al Pronóstico:
• Introducción a la Econometría (Regresión , Series de Tiempo)
– Qué es Regresión?
– Qué son los Modelos de Series de Tiempo?
• Modelos Básicos de Pronóstico (Promedio Móvil Simple, Doble, Suavizamiento
Exponencial, Holt – Winters Estacionales)
• Modelos ARIMA
5. Introducción a la Optimización:
• Optimización con Variables Discretas
• Optimización con Variables Continuas
• Optimización de portafolios de Inversión con Simulación de Monte Carlo
• Optimización de Procesos de Producción

6. Herramientas Complementarias:
• Informes y Reportes
• Análisis de Escenarios
• Análisis de Estadísticas
7. Toma de decisiones usando Árboles de decisión

• Cómo construir un árbol de decisión?

• Diseño del árbol de decisión en Risk Simulator.
• Introduciendo incertidumbre a un árbol de decisión.
• Tomando decisiones usando árboles de decisión.
FUNDAMENTACIÓN
ESTADÍSTICA
 ESTADÍSTICA
En el área financiera, económica, de riesgos se
incluyen temas de aleatoriedad e
incertidumbre, para ello se pueden incluir
técnicas estadísticas que permiten capturar la
aleatoriedad de la realidad en la que se toman
decisiones de las organizaciones.
La estadística nos permitirá que a partir de un conjunto
de datos realizar análisis, inferencia, estimar
distribuciones de probabilidad, es decir, es un conjunto
de métodos que estudian la recolección, análisis e
interpretación de datos, ayudando en la toma de
decisiones o para explicar condiciones regulares o
irregulares de algún fenómeno o estudio aplicado, de
ocurrencia en forma aleatoria o condicional.
¿VARIABLES?
• Variable es una característica que al ser medida en
diferentes individuos es susceptible de adoptar
diferentes valores. Se tienen variables cualitativas
(expresan características, cualidades) y cuantitativas
(expresan cantidades numéricas)
Una variable aleatoria es una característica que
toma diferentes valores, cada uno con una
probabilidad previamente definida. Este valor es la
realización de la variable.
¿VARIABLES?
Una variable puede ser discreta en la cual su
conjunto de datos es finito o infinito y entre
dos números cercanos solo puede haber otro
número entre ellos como mínimo.

Una variable continua es la que puede tomar

infinitos valores en un intervalo.
La mayoría de las variables financieras son
continuas.
¿QUÉ ES EL RIESGO?
El riesgo es la EXPOSICIÓN a la INCERTIDUMBRE

Esta definición tiene dos componentes:

1. La existencia de hechos inciertos.

2. La exposición, que no es otra cosa que la

magnitud de cómo los hechos inciertos afectan a
las personas u organizaciones.
¿QUÉ ES EL RIESGO?

RIESGO

INCERTIDUMBRE EXPOSICIÓN
(?) ($)

Obj.: Medir la Incertidumbre Obj.: Medir la Exposición

- Aplicación del Cálculo Estocástico - Determinar las relaciones entre

las variables de riesgo.
- Análisis de Sensibilidad.
MEDICIÓN DE LA INCERTIDUMBRE
La medición de la incertidumbre parte de considerar como
aleatorio el comportamiento de las variables que son inciertas.
Por tanto, el componente aleatorio de este comportamiento
puede ser descrito a través de una función de frecuencia
probabilística.
F(X)= P(X)
X 1 P(X 1)
X 2 P(X2)
X 3 P(X 3)

Xi P(X i) 0>=P(X i) <= 1

S P(X i) = 1

Xn P(X n)

LA PROBABILIDAD DE
TODOS LOS VALORES DE LA OCURRENCIA DE CADA
VARIABLE ALEATORIA VALOR DE LA VARIABLE
ALEATORIA
 Medición de la Incertidumbre
Parámetros
de Decisión

Variables Variables
de MODELO de
Decisión Pronóstico

Variables
Aleatorias

• Cuando una variable aleatoria está en función de otras variables aleatorias, esta
relación está determinada por un modelo probabilístico.
• Conociendo las características aleatorias de las variables independientes, se puede
identificar las características aleatorias de la variable dependiente.
 Características de la Dist. de Probabilidad
Las distribuciones de probabilidad, se describen mediante 3 tipos de parámetros,
indicadores o “estadísticos”, que son valores que muestran alguna de sus
características:-
o Estadístico de Tendencia Central: Permiten localizar el centro de la
distribución, “El primer momento”, mide la tasa esperada de retornos sobre
un proyecto en particular, los estadísticos comunes incluyen a la media
(promedio), mediana (centro de la distribución) y moda (valor de ocurrencia
mas frecuente).
o Estadístico de Dispersión: “El segundo momento”, dan una idea de qué tan
aglomerado o disperso se pueden encontrar los valores alrededor del centro
de la distribución.
o Estadístico de Forma: Precisan otras características particulares de la
distribución, como puede ser:
 Su simetría (“tercer momento”)
 La importancia relativa de los valores extremos (“cuarto momento”)
 EL PRIMER MOMENTO – LOCACIÓN

• Media
– Promedio
• Mediana, es el valor que corresponde al
50% de los datos
– Punto medio
• Moda
– Lo que ocurre más
seguido
 MEDIA O VALOR ESPERADO

 Cuando se conocen las probabilidades se puede calcular la media

poblacional

 x  E ( x)   P( xi ) * xi i = valores posibles de la variable

i

Cuando se conocen solo algunas ocurrencias de la variable, la media

se estima con la media muestral que es el estimador de la media
poblacional
n xj
X  j = observaciones

j 1 n
17
ESTADÍSTICOS DE POSICIÓN CENTRAL EN
DISTRIBUCIONES
Moda
CONTINUAS Media,
Mediana y
Mediana Moda
Media

Bimodal
Media,
Media y Mediana Mediana y
Moda

18
 EL SEGUNDO MOMENTO - VARIABILIDAD
• Varianza
– Mide la dispersión de los datos alrededor del promedio
– Valores más pequeños indican menos incertidumbre o riesgo

• Desviación Estándar
– Es la distancia que tienen los datos con respecto a su media
– La desviación estándar es la raíz cuadrada de la varianza
– Para una distribución normal cerca del 68% de la probabilidad está dentro de +ó
– 1X de desviación estándar de la media (95% para 2X y 99% para 3X)
• Ancho de Rango
– La diferencia entre los resultados calculados mínimo y máximo, es decir los
extremos.
• Coeficiente de Variación
– Es la división entre la desviación estándar y la media muestral, permite
comparar variables, expresa la desviación estándar en proporción de la media,
en riesgo un menor CV indica una mejor relación riesgo – retorno.
 VARIANZA Y DESVIACIÓN ESTÁNDAR
Cuando se conoce la media poblacional
(x j  ) 2

  E( x   x )   
N
2 2
x
j N
x   2
x

Cuando se conocen solo algunas ocurrencias de la variable, la media

se estima con la media muestral
n x j  X  2

s 
2
sx  s 2
n 1
x x
j 1

20
 EL TERCER MOMENTO - ALARGAMIENTO
• El alargamiento es la medida de la asimetría de una
distribución.
• Una distribución normal no está alargada y tiene un
alargamiento de 0.
• En distribuciones alargadas, la diferencia entre el
resultado más probable y el promedio puede ser muy
significativa.
• Es importante conocer y estudiar las colas de la
distribución ya que nos van a indicar valores extremos,
si estudiamos rendimientos, la cola izquierda indica
pérdidas y la cola derecha ganancias.

• A, asimétrica a la derecha o positiva

• B, asimétrica a la izquierda o negativa
• Se usa el coeficiente de asimetría, que permite
determinar el signo de la asimetría.
 EL CUARTO MOMENTO - KURTOSIS

• La curtosis mide la forma de una distribución

• Una distribución normal tiene una kurtosis de 3
• Distribuciones más picudas tienen valores de
curtosis más altos, generalmente se calcula el
exceso de curtosis haciendo referencia a la
normal.
• Una distribución más picuda que la normal se
denomina leptocúrtica (A).
• Una distribución más aplanada se denomina
platicúrtica (B), la normal es mesocúrtica
 DISTRIBUCIÓN NORMAL
• La distribución Normal o Gausiana es la distribución
de probabilidad más empleada y común, tiene la
característica de ser acampanada, simétrica,
concentrando la mayor parte de la probabilidad en
su media, y no en sus colas (extremos).
• Ejemplos de variables con distribuciones normales
son los índices de inflación y los precios de la
energía.
 MÉTODO ESTADÍSTICO
• Las distribuciones normales
se caracterizan por :

• La probabilidad de que el valor de la

variable esté en el rango de la media
menos 2 desviaciones estándar y más 2
desviaciones estándar es del 95%
• La probabilidad de que el valor de la
variable esté en el rango de la media
menos 3 desviaciones estándar y más 3
desviaciones estándar es del 99.7%

26
 DISTRIBUCIÓN NORMAL
• Curva de campana (Cantidades que ocurren normalmente)
• 3 condiciones:
– El valor más esperado
– Simetría
– Más posiblemente cerca del promedio que lejos
• Ejemplos:
– Retorno de un portafolio
de inversiones
– Peso y altura
Ej: realizar 500 números aleatorios, con media 1000 y
desviación estándar 10
 DISTRIBUCIÓN LOG NORMAL
• La distribución Log Normal, no puede tomar valores
negativos, esto la hace una distribución adecuada
para algunas variables financieras, como el precio de
los activos, tasas de cambio, tasa de interés, etc.

• Esta distribución no es simétrica, ej. son los valores

de las propiedades inmobiliarias y bienes raíces, los
precios de las acciones de bolsa y las reservas de
petróleo.
 DISTRIBUCIÓN LOGNORMAL
• Alargada positivamente
• 3 condiciones:
– No puede ir debajo de cero, pero puede
llegar hasta + infinito
– El log natural da una curva normal
– Alargada positivamente
Ejemplos:
– Precio de acciones
– Tiempo de reparación
 TEOREMA DEL LÍMITE CENTRAL
• El teorema del límite central implica que si se suman un
número grande de variables independientes la suma sigue un
comportamiento aproximadamente normal. (asumiendo que
coexista un número amplio de efectos que actúan de forma
aditiva).
• En el caso que sea multiplicativo, W = Y1*Y2*…*Yn, al aplicar
logaritmo, tenemos que Ln(W) = Ln(y1) + Ln(y2) +…+Ln(Yn),
por lo tanto que el LnW sigue una distribución normal, pero
W sigue una distribución Log normal.
• Ejemplo, los precios son lognormal, pero el rendimiento es
normal.
 DISTRIBUCIÓN TRIANGULAR
• Extremadamente flexible, pero menos precisa que la
distribución normal
• 3 condiciones:
– Fijar el mínimo
– Fijar el máximo
– Fijar el valor
más probable
• Es la mejor en ausencia de datos, los valores situados
alrededor del valor más probable tienen más probabilidades
de producirse.
• Ej. Historial de ventas, niveles de inventario, precios de
mercado.
 DISTRIBUCIÓN UNIFORME
• Todos los valores tienen las mismas probabilidades de
producirse;
• Es mejor cuando faltan datos
• 2 condiciones:
– Fijar el valor mínimo
– Fijar el valor máximo
Ejemplos:
– Costos de producción
– Ingresos futuros por ventas
 DISTRIBUCIÓN PERT
• 3 condiciones:
– Fijar el mínimo
– Fijar el máximo
– Fijar el valor
más probable
• Los valores situados entre el más probable y los extremos
tienen más probabilidades de producirse que en la
distribución triangular; es decir, los extremos no tienen tanto
peso
Ej: Variables en el proceso de evaluación de un proyecto de
inversión
 DISTRIBUCIÓN BERNOULLI
• La Distribución Bernoulli es una distribución diversificada con
dos resultados ([Link]., cara o cruz, éxito o fracaso), por lo que
también se conoce simplemente como distribución Sí/No.

• La distribución Bernoulli es la distribución binaria con una

prueba. . La probabilidad de éxito (p) es el único parámetro de
distribución.
 MEDICIÓN DE LA FRECUENCIA

 La frecuencia de cierto evento (riesgo) se

refiere a la periodicidad en que se presente
determinado fallo.
 Las funciones de distribución más aplicadas
a estos fenómenos:
1. Binomial
2. Poisson
3. Binomial Negativa
4. Hipergeométrica.
 DISTRIBUCIÓN BINOMIAL

• Un experimento binomial tiene las características siguientes:

1. Está conformado por n pruebas idénticas
2. Cada prueba tiene 2 resultados posibles; se llaman Éxito y
Fracaso
3. La probabilidad de resultar éxito en un prueba es p; la
probabilidad de resultar fracaso es q = 1- p
4. Las pruebas son independientes
5. La variable binomial Y es el número de éxitos despues de
n pruebas
 BINOMIAL
La Distribución Binomial describe el número de veces que un evento en
particular ocurre dentro de un número fijo de pruebas, tal y como es el
número de caras o sellos que puedan resultar al lanzar 10 veces una
moneda o el número de artículos defectuosos dentro de una muestra de
50 artículos seleccionados. En cada prueba, sólo es posible tener dos
resultados que sean mutuamente excluyentes.
 DISTRIBUCIÓN DE POISSON

 Condiciones:
1. Número de ocurrencias en un intervalo de tiempo limitado
2. Los eventos son independientes entre si.
3. El promedio de ocurrencias en un intervalo se mantiene
4. La distribución describe el número de eventos que ocurre
en un intervalo
 DISTRIBUCIÓN DE POISSON

Distribución de Poisson con parámetro de 8 ocurrencias promedio

en el intervalo
 DISTRIBUCIÓN GEOMÉTRICA

• Las condiciones de esta función son:

1. Está conformado por n pruebas idénticas
2. Cada prueba tiene 2 resultados posibles; se llaman
Éxito y Fracaso
3. La probabilidad de resultar éxito en un prueba es p;
la probabilidad de resultar fracaso es q = 1- p
4. Las pruebas son independientes
5. La variable geométrica Y es el número de la prueba n
la que ocurre el primer éxito
 DISTRIBUCIÓN GEOMÉTRICA
La Distribución Geométrica describe el número de pruebas
necesarias para obtener el primer evento exitoso, como puede ser
el número de veces que se necesita girar una ruleta antes de ganar.
El número de pruebas no es fijo, las pruebas continúan hasta
obtener el primer resultado, y la probabilidad de éxito es la misma
en cada prueba.
 DISTRIBUCIÓN HIPERGEOMÉTRICA

Se parece a la distribución binomial, pero los

eventos no son independientes, no hay
reemplazo.
Dada una población fija de la que se conoce
la probabilidad de un fenómeno.
Se toma una muestra de la población.
En al medida en la cual el número de
ensayos se incrementa la probabilidad varía
 DISTRIBUCIÓN HIPERGEOMÉTRICA

Distribución Hipergeométrica con parámetros tasa de éxito 30,

tamaño de la muestra 20 de la población 40
 DISTRIBUCIÓN BINOMIAL NEGATIVA

 Condiciones:
– Un número de ensayos no fijo
– Las pruebas continúan hasta alcanzar el r-ésimo éxito
– La probabilidad de éxito se mantiene a lo largo de los
ensayos
– La variable aleatoria Y binomial negativa mide el número
de ensayos hasta obtener el r-ésimo éxito
La Distribución Binaria Negativa es útil para encontrar la distribución
relativa al número de pruebas adicionales requeridas dado un número
de acontecimientos exitosos requeridos (R). Por ejemplo, para cerrar
un total de 10 oportunidades de ventas, ¿Cuántas llamadas extras de
venta necesitarías para realizar más de 10 llamadas dando algo de
probabilidad de éxito a cada llamada?
 ANÁLISIS
• Con los estimadores puntuales, es difícil poder tomar
decisiones definitivas, por ello es posible utilizar
intervalos de confianza (se obtiene un rango de valores
probables) o pruebas de hipótesis (evalúan si
estadísticamente el valor X se aleja de su valor
poblacional) para acercarnos a la realidad.

• En un intervalo de confianza del 100(1-α)% de cada 100

muestras que se generen de la misma población en
100(1-α) veces el valor real estará dentro del intervalo
INTRODUCCIÓN A RISK
SIMULATOR
 HERRAMIENTAS

REAL OPTIONS VALUATIONS tiene

para usted una solución integral, que
le permitirá tomar decisiones
estratégicas con las mejores
herramientas existentes en el
mercado:

• Son flexibles
• Son adaptables
• Son amigables
• Son estables
• Son robustas
• Vanguardia técnica y teórica
 REAL OPTIONS VALUATION

Real Options Valuation Inc. es una firma

consultora, productora de software y ofrece
entrenamientos especializados en las ultimas
herramientas y técnicas para análisis de riesgo y
toma de decisiones tales como Real Option
Analysis, simulación Monte Carlo, predicción,
optimización, estadística y modelación de riesgo.
HERRAMIENTAS
Sistemas que le ayudarán a
realizar:

• Modelación De Riesgo
• Pronósticos
• Optimización
• Opciones Reales
• Análisis y reportes
• Toma de decisiones
• Gestión del riesgo
SOFTWARE
IMPORTANCIA DE UNA HERRAMIENTA COMO RS

Deben aportar en:

- Procesar gran cantidad de información
- Reducir costos
- Reducir tiempos
- Fácil manipulación
- Realización de pronósticos
- Presentación de resultados
- Incluir excelentes métodos teóricos que apoyen la
toma de decisiones
RISK SIMULATOR

Herramienta que incluye :

- Simulación TODO
- Modelación INTERACTUANDO
- Estadística EN EXCEL
- Econometría
 RISK SIMULATOR
• Complemento de Excel
• Utiliza los Modelos matemáticos de la
Hoja de calculo
• Utiliza las funciones de Microsoft
Excel
• Contiene Herramientas de Simulación,
proyección de datos y optimización
RISK SIMULATOR
RISK SIMULATOR es un complemento
de Excel que le ayudará a identificar,
cuantificar y valorar el riesgo de sus
proyectos o sus decisiones .
Está integrado con el Software Real
Options Super Lattice Solver, que
puede utilizar para resolver opciones
estratégicas, financieras y de Recursos
Humanos

POR MEDIO DE RISK SIMULATOR ES

POSIBLE:
• Modelación De Riesgo
• Pronósticos
• Optimización
• Opciones Reales
• Análisis y Reportes
ALGUNAS HERRAMIENTAS CON RISK
SIMULATOR
 HERRAMIENTAS BÁSICAS Y
AVANZADAS...

Análisis de
Análisis de Araña para
distribuciones escenarios

Herramientas
Econométricas
de Pronóstico

Análisis
Tornado de
Análisis de Sensibilidad
Opciones Reales
y Financieras
 Herramientas de Análisis:
• Bootstrapping
• Importación y exportación de datos
• Estadísticos descriptivos
• Análisis y ajuste de distribuciones
• Pruebas de hipótesis
• Análisis de Sensibilidad y Escenarios
• Gráficas sobrepuestas, Tornado y Araña
Modelos de Pronóstico Simulación de Montecarlo

• Modelos ARIMA y Auto-ARIMA • 42 simulaciones estadísticas y una distribución

• Modelación Econométrica Básica personalizable, no paramétrica y empírica
• Predicción Spline Cúbico • Integración completa con Excel (Conexión
• Curvas-J Exponenciales y Curvas-S dinámica, macros VBA)
Logísticas • Simulación comprensiva y reportes analíticos para
• Predicción de volatilidad GARCH cada funcionalidad
• Predicción de cadenas de MARKOV • Simulación correlacionada con truncamiento
distribucional
• Modelos de Máxima Verosimilitud (Datos
Transversales) • Simulación multi-dimensional con parámetros de
entrada de incertidumbre
• Análisis de múltiples regresiones
• Perfil de simulación para análisis de escenarios
• Extrapolación e interpolación no lineal en simulación
 DESCRIPCIÓN DEL SOFTWARE RISK SIMULATOR
El Simulador de Riesgo (Risk Simulator), es un software de Simulación de
Monte Carlo, Pronóstico y Optimización. El software está escrito en Microsoft
.NET C# y funciona junto con MS Excel como un complemento.

Barra de Iconos de Herramientas del Simulador de Riesgo en Excel 2007

DESCRIPCIÓN DEL SOFTWARE RISK SIMULATOR
DESCRIPCIÓN DEL SOFTWARE RISK SIMULATOR
Es el ícono principal de RS ya que permite acceder a todas las
funcionalidad del software por medio de un menú de opciones, son las
mismas funcionalidades de los demás íconos pero en un solo listado.
Crea un nuevo perfil de simulación para almacenar todos los supuestos de
entrada y pronósticos de salida. Puede tener múltiples perfiles en un solo
modelo
Permite seleccionar, eliminar o duplicar entre varios perfiles activos uno
para realizar la simulación.

Edita las preferencias del perfil activo, como son número de iteraciones,
valor semilla de simulación, activación de correlaciones y el nombre del
perfil.
Establece en la celda activa un supuesto de entrada de distribución. La
celda debe contener un valor y no una función.
Establece en la celda activa como pronóstico de salida. La celda debe
contener una función o ecuación.
Copia un supuesto de simulación, la variable de pronóstico o de
decisión con sus parámetros o vínculos a celdas correspondientes.

Pega las celdas copiadas con el ícono Copiar, supuestos de simulación,

variables de pronóstico o decisión. Si después de dar Copiar se da ESC se
copian los parámetros pero no los valores de la celda copiada.
Quita el supuesto de simulación, variable de pronóstico o decisión.

Corre la simulación a una velocidad regular (útil en modelos pequeños o

cuando la súper velocidad no puede ser aplicada debido a errores en el
modelo.
La simulación se ejecuta a súper velocidad primero examinando el
modelo y luego convirtiéndolo a código puro. No todos los modelos
pueden correr a súper velocidad, por ejemplo cuando se tienen datos
externos o funciones VBA.
Corre la simulación paso a paso. Esto es muy útil para pronóstico de
ilustración o para revisar si una celda de supuesto o pronóstico esta
cambiando correctamente.
Restablece la simulación a su estado inicial.

El ícono Pronóstico emerge el listado de las opciones de pronóstico

disponibles en el programa
Ejecuta optimizaciones estáticas, estocásticas y dinámicas, crea un reporte
si elige la optimización estocástica, lo anterior si se ha definido
correctamente los supuestos, las variables de decisión y objetivo.
Objetivo: Establece la celda la cual se maximizará o minimizará la
optimización
Decisión: Establece la celda la cual está relacionada con la celda objetivo
Restricción: Son las restricciones generadas por las variables de decisión o
de objetivo.
El ícono emerge el listado de todas las herramientas analíticas disponibles
en el simulador de riesgo, por ejemplo análisis estadístico, econométrico,
distribución, etc.
Cambia las opciones del programa como idioma, colores en los supuestos,
pronósticos o decisión y permite que Risk Simulator inicie o no
automáticamente con Excel.
Permite obtener ayuda en línea sobre el programa, manual
de usuario, modelos de ejemplo, información de contacto y
otras fuentes de información

Permite la administración de la licencia del software

(instalación y actualización)

Despliega diferentes íconos de Risk Simulator para las

opciones de Simulación, Pronóstico, Optimización y
Herramientas de Análisis.
 RISK SIMULATOR

PRONÓSTICOS SIMULACIÓN DE MONTECARLO

OPTIMIZACIÓN HERRAMIENTAS DE ANÁLISIS

ESTADÍSTICO

BIZ STATS
SIMULACIÓN DE MONTECARLO
 ¿QUÉ ES SIMULACIÓN?
Es un modelo matemático o lógico, representativo de un sistema o
un problema de decisión, con el que se obtienen resultados acerca
del desempeño de las variables de interés para asistir al proceso
de toma de decisiones.

La idea básica de la simulación es la construcción de un dispositivo

experimental, o Simulador, que actuará como el sistema de interés
de manera rápida y redituable.
 ¿QUÉ ES UN MODELO?
• Es una representación simplificada de la realidad diseñada
para representar, conocer o predecir propiedades del
objeto real
• los modelos se construyen con una finalidad: estudiar el
objeto real con más facilidad y deducir propiedades
difíciles de observar en la realidad:
– eliminando o simplificando componentes
– cambiando las escalas espacial o temporal
– variando las condiciones del entorno
– evitando la actuación sobre el objeto real
• modelos pueden representar objetos o procesos
(simulación)
 ¿TIPOS DE MODELOS?
• MODELO ESTÁTICO
Se interpreta la realidad en un instante de tiempo
concreto.

• MODELO DINÁMICO
Representan procesos continuos en diferentes
momentos del tiempo, relacionando objetos y
procesos de cambio en diferentes momentos del
tiempo
 MODELOS DINÁMICOS
• MODELO DINÁMICO DETERMINISTA
El resultado es el mismo después del tiempo, esto ocurre si se
tienen los mismos valores iniciales y se generan n escenarios
idénticos, es decir presenta el mismo algoritmo de simulación.

• MODELO DINÁMICO ESTOCÁSTICO

El generador de escenarios presenta un ruido, estos modelos
presentan mayor información que un determinista.
 ¿QUÉ ES SIMULACIÓN DE MONTE CARLO?
• El MÉTODO DE MONTE CARLO (propuesto por J. Von Neumann
y S. Ulam) es una técnica de selección de números aleatorios a
través de una o más distribuciones de probabilidad, para
utilizarlas en una simulación.

• En un Monte Carlo, el muestreo artificial o simulado trata de

crear un universo teórico descrito completamente por una LEY
DE PROBABILIDAD que se supone conocida o adecuada.
Posteriormente, de este universo se obtiene una MUESTRA
aleatoria mediante una sucesión de números aleatorios.
.
 ¿QUÉ ES SIMULACIÓN DE MONTE CARLO?
Es un método no determinístico o estadístico numérico usado para
aproximar expresiones matemáticas complejas y costosas de
evaluar con exactitud.

Su nombre se debe al Casino de Montecarlo (Principado de

Mónaco) por ser “la capital del juego de azar”, y el experimento le
debe al nombre a la ruleta que es un generador simple de
números aleatorios.
 ¿QUÉ ES SIMULACIÓN DE MONTE CARLO?
El método de Monte Carlo usa una metodología de generación de
números aleatorios, denominada pseudoaleatorio.

Este nombre se debe a que se toma un valor inicial o semilla

(seed), y a partir de este número se generan n números aleatorios.
Al momento de partir del mismo valor inicial los resultados de la
simulación serán los mismos.
 SIMULACIÓN DE MONTE CARLO
La Simulación de Monte Carlo (SMC) es usada y aplicada en
diferentes áreas y sectores, como evaluación de proyectos,
seguros, petróleo, gas, transporte, medio ambiente, energía,
finanzas, economía, entre otros.

Le permite al usuario saber con qué probabilidad un evento puede

ocurrir, ver la probabilidad de eventos catastróficos, extremos,
esto lo hace sustituyendo los valores iniciales por un valor
determinado, luego calcula los valores finales, produciendo
distribuciones de valores de los resultados posibles.
 RISK SIMULATOR (RS)
para Simulación de Monte Carlo

RS es un complemento de Excel que brinda facilidades para:

– Construir modelos de simulación de Monte Carlo.
– Ejecutar las simulaciones en forma completamente
automática.
– Interpretar y analizar los resultados.
COMPONENTES DEL PROCESO DE SIMULACIÓN DE MONTE
CARLO
La simulación de Montecarlo consta de:

• Un procedimiento de generación de números aleatorios

• Un procedimiento de extracción de valores de las
variables aleatorias
• Un procedimiento de cálculo de las variables a
pronosticar (el modelo)
• Un procedimiento de acumulación de los resultados
• Un procedimiento de repetición del experimento
SIMULACIÓN DE MONTE CARLO
Y ANÁLISIS DE RIESGO

• Dado un conjunto de valores para las variables

de decisión, un estudio de simulación permite
estimar cual es la distribución probabilística que
siguen los resultados, junto a sus probabilidades
de ocurrencia.

• La simulación ayuda en el análisis del riesgo

para tomar una decisión.
 Variables Aleatorias
independientes (X)

Las constantes (K) EL MODELO Variables pronóstico

Variables de Para el logro de este resultado se

requiere un modelo; es decir, una
decisión (D) relación funcional que vincule las
variables que determinan la variable
a pronosticar.
SIMULACIÓN DE MONTECARLO
Empieza aquí: Genera un
número al azar (entre 0 y 1)

Convierte el número
al azar en un valor de Transforma la
muestra Distribución de
Probabilidad a
Distribución de
Probabilidad
Genera el siguiente número al
Acumulada
azar (entre 0 y 1 )

Introduce el valor de
muestra al modelo
de transformación

PRODUCT PROFORMA
Unit Sales 10
Sales Price $ 10.00
Recalcula el modelo y Total Revenue $ 100.00
registra el resultado de la Variable Cost/Unit $ 5.50
simulación para este Total Variable Cost $ 55.00
intento Total Fixed Cost $ 20.00
Total Cost $ 75.00
Net Revenue $ 25.00
RISK SIMULATOR
Pasos para efectuar una Simulación:
1. Desarrollo de un perfil de simulación en Excel con RS
2. Definición de suposiciones para las variables
aleatorias.
3. Definición de las variables de decisión (optimización).
4. Definición de las celdas de predicción, esto es, las
variables de salida de interés.
5. Correr la simulación.
6. Interpretar y analizar los resultados.
 POTENCIA DE LA SIMULACIÓN DE MONTE CARLO
• Además de la función estimada, otro resultado de la
simulación es una medida del error entre la función
calculada a partir de la muestra y la de la población.

• En efecto, la desviación estándar de la muestra permite

tener una medida de la calidad del estimativo, pero
también de la mejora en este estimativo a medida que
se incrementa el número de experimentos.

• Así, la potencia del método de simulación de Monte

Carlo descansa en su capacidad de entregar
estimaciones muy cercanas a la de la población
 VENTAJAS DE LA SIMULACIÓN CON RS

• Muy barata para evaluar decisiones antes de su

implementación
• Revela los componentes críticos del sistema
• Excelente herramienta para vender la necesidad del
cambio
• Los modernos hardware y software hacen que la
simulación sea muy fácil de realizar
• Risk Simulator le ayuda a enfocarse en las preguntas
correctas
 DESVENTAJAS DE LA SIMULACIÓN

• Los resultados son sensibles a la exactitud de los

datos de entrada.
• Si no puede usted modelarlo en Excel ®, no puede
utilizar Risk Simulator para simularlo.
• La simulación por sí sola no resuelve el problema
• La simulación no provee respuestas fáciles para
problemas complejos.
 EJERCICIO 1
• Realice un modelo de Ingresos – Costos = Utilidad siguiendo
las condiciones:

1. La variable Ingresos tiene un mínimo de 1000 u., un máximo

de 2000 y como valor más probable 1400
2. La variable Costos tiene un valor mínimo de 800 y un valor
máximo de 1500
3. Entre qué valores se encuentra la Utilidad con un 80%, 90% y
95% de confianza?
 TORNADO

• El Gráfico del tornado analiza

Individualmente el impacto de cada
variable del modelo en un resultado del
objetivo.
• Permite evaluar la variación de la variable
de salida ante un cambio en la/las
variable de decisión y/o la/las Variables
aleatorias.
 GRÁFICA TORNADO

• Analiza individualmente el impacto de cada entrada a un

modelo sobre los resultados esperados
• Tornado vs. Sensibilidad
– La gráfica tornado puede crearse antes de definir los
supuestos
– Tornado evalúa el impacto de cada entrada independiente
de las otras
• Salidas de Tornado
– Gráfica Tornado
– Gráfica Araña
 TORNADO

• Tornado Chart:El gráfico del tornado ilustra el

columpio entre el máximo y mínimos de los valores de
pronóstico para cada variable, colocando la variable que
causa el columpio más grande por encima y la variable
que causa el columpio más pequeño en el fondo.
• Spider Chart: El gráfico de la araña ilustra las
diferencias entre el mínimo y máximos de valores del
pronóstico, con una curva que representa el valor
pronosticado de la variable de salida para determinados
puntos de las variables de entrada.
 ANÁLISIS DE ESCENARIOS

Cuadro Escenario: Presenta el abanico de

posibilidades de combinaciones de las
variables de salida y las variables
aleatorias permitiendo la comparación de
las alternativas de pronósticos
considerando los percentiles de la
variable de salida.
HERRAMIENTAS DE ANÁLISIS Y REPORTES

En el menú de herramientas de
Risk Simulator, podemos encontrar
desde la creación de un reporte,
hasta métodos mas avanzados de
análisis como: Pruebas de
hipótesis, Análisis de tornado, y
análisis de escenarios entre otros,
los cuales pueden ayudar a obtener
una correcta construcción del
modelo y una posterior
interpretación de este.