CURSO TALLER
Análisis de sensibilidad y
evaluación de riesgos en
proyectos de inversión privada
y pública con @RISK 8
INTRODUCCIÓN A LA SELECCIÓN DE
FUNCIONES DE DISTRIBUCIÓN
Funciones de Distribución Teóricas
Criterios Generales
Contexto Refinando la Selección
• Disponibilidad de datos? • Simétrica o Sesgada?
• Estandares de la Industria? • Rangos?:
• Pueden “min”/“max”
ocurrir?
Características Básicas
• Requerimientos a
• Discreta versus continua? capturar?
• Existe un valor más frecuente (most • Parametrización usando
likely value)? (si no, por qué?) percentiles?
Funciones de Distribución Teóricas
Distribución Normal
• Descripción
– La distribución más importante de todas pues
describe muchos fenómenos naturales como
el CI de las personas o su altura.
– Se utiliza en aplicaciones científicas y técnicas
en donde la variabilidad del fenómeno es
explicado por una sóla causa
• Ejemplos
– Variación de procesos
– Tasas de inflación Variables de entrada
– Precios de bienes • Media
– Errores de medición • Desviación estándar
– Muestreo de poblaciones • Min, max & shift (desplazamiento) (opcional)
– Pronósticos de volumen
– Programación de maquinarias
Funciones de Distribución Teóricas
Distribución Uniforme
Descripción
– Todos los valores ocurren entre un valor mínimo y un
máximo con igual probabilidad de ocurrencia
– Dada su forma, también se le conoce como
distribución rectangular
– Se utiliza cuando cualquier valor entre un máximo y
un mínimo posee la misma probabilidad de
ocurrencia.
– Ejemplos Variables de entrada
– Generación de números aleatorios (no enteros) •Valor mínimo esperado
– Muestras de tiempo tomadas en intervalos aleatorios • Valor máximo esperado
– Localización de una perforación en una llanta
Funciones de Distribución Teóricas
Distribución Triangular
Descripción
– Utilizada cuando se conocen los valores
mínimo, máximo y más probable
– Utilizadas cuando los límites superior e
inferior se encuentran a igual distancia
respecto del resultado esperado
– Es fácil de calcular y de generar, pero
posee una limitada capacidad para
modelar con precisión estimaciones de
Variables de entrada
la vida real.
• Valor más probable (moda)
Ejemplos • Valores máximo y mínimo
• Shift (desplazamiento) (opcional)
– Precio de productos
– Costos de manufacturación
Funciones de Distribución Teóricas
Distribución PERT
Descripción
– Alternativa a la Triangular
– Los mismos 3 parámetros, pero utiliza curvas
suavizadas para no enfatizar tanto las colas.
– Provee de un valor “más probable” en vez de
enfocarse hacia los valores extremos
– Describe el impacto de los eventos extremos de
una manera más realista
Examples Variables de entrada
– Precios de producto • Valor más probable (moda)
• Valores máximo y mínimo
– Costos de manufactura • Shift (desplazamiento) (opcional)
– Volumen de ventas
– Precios de materias primas
Funciones de Distribución Teóricas
Distribución Triangular vs. PERT
Comparación
– PERT refleja más cercanamente las distribuciones
de probabilidad de la vida real
– Provee de un ajuste cercano a una distribución
normal o lognormal
– Igual que la Triangular, enfatiza el valor más
probable por sobre los estimados máximo y mínimo
– A difrencia de la Triangular, provee de una curva
suave que enfatiza progresivamente los valores
cercanos al valor más probable en contraposición
con los valores hacia los extremos Elementos clave
– Se puede confiar en el valor del estimado del valor •Las distribuciones triangulares están bien para datos simétricos
más probable. Aún cuando no sea exactamente •PERT describe más precisamente distribuciones normales
preciso, será muy cercano •Utilice la PERT preferentemente al conocer el min, max y el valor más
– Produce una curva similar a la normal sin conocer probable
los parámetros precisos
Funciones de Distribución Teóricas
Distribución Binomial
Descripción
– RiskBinomial(n,p) = probabilidad de alcanzar
determinado número de éxitos en n pruebas
independientes, en donde la probabilidad de éxito
para cada prueba es de p, y cada una de las
pruebas posee sólo dos posibles resultados
(“éxito” o “fracaso”)
– Describe el resultado de una serie de pruebas que Variables de entrada
• n = número de pruebas
sólo puede ser o un éxito o un fracaso • p = probabilidad de ocurrencia de cada resultado
• Min, max & shift (opcional)
– A medida que se incrementa la media, el perfil
Ejemplos
converge hacia una distribución normal. Bajo – Lanzamiento de moneda
ciertas condiciones, se puede utilizar la – Muestras defectuosas en un lote
distribución normal como una aproximación.
Funciones de Distribución Teóricas
Distribución Lognormal
Descripción
– Utilizada cuando los valores están positivamente
sesgados
– Sirve para modelar la vida útil de unidades cuyos
modos de falla son de una naturaleza que se fatiga
ante el estrés, incluyendo a muchos sistemas
mecánicos
Ejemplos
– Precios de acciones Variables de entrada
– Valores de bienes inmobiiarios • Media
• Desviación estándar
– Análisis de fallas • Min, max & shift (desplazamiento) (opcional)
– Tasas de interés
Funciones de Distribución Teóricas
Distribuciones Estandar en la Industria: Ejemplos
Finanzas y Seguros
Petróleos y Gas
• Normal para modelar cambios en precios de un
periodo al siguiente (para periodos cortos; • Normal: Porosidad (%), % de
lognormal para periodos largos) minerales abundantes, elementos
quimicos o oxidos en rocas
• Poisson para modelar la ocurrencia de eventos
(crashes en el mercado, # reclamos de seguro, • Lognormal: Estimados de reservas
terremotos,…) en campos, permeabilidad
• Seguros: Pareto (o Lognormal) para modelar
distribuciones de severidad/ magnitud de eventos
AJUSTE DE
DISTRIBUCIÓN DE
PROBABILIDAD
Ajuste de Distribuciones de los Datos (Información
Histórica)
• Sólo se utilizan en las versiones industrial y professional.
• Muestreo directo desde datos históricos
• Ventajas:
• No requiere matemáticas
• No requiere de la estimación de distribuciones de probabilidad o sus parámetros
• Desventajas:
• El set de datos históricos necesita ser suficientemente amplio para representar todos
los efectos que se tratan de capturar. (Muestra Vs Población)
• Asume que el futuro se comporta igual que el pasado pero en un orden distinto; los
datos podrían ser ajustados si fuera necesario
• No detectará ninguna auto-correlación serial de los datos
Ajuste de Distribuciones de los Datos (Información
Histórica)
• Tests utilizados:
• Maximo Probable Estimador (Maximum likelihood estimation)
• Chi-square
• Anderson Darling
• Komolgorov Smirinov
• Root Mean Square
• Medidas Estadísticas
• Bondad de la regresión
• Ranking
Ajuste de Distribuciones de los Datos (Información
Histórica)
Ajuste de Distribuciones de los Datos (Resultados de
Ajustes)
Ajuste de Distribuciones de los Datos (Gráficos de
Probabilidad-Probabilidad (P-P))
• Grafican la distribución de los datos
de entrada (valor de frecuencia
relativa acumulada para cada
intervalor) versus F(xi) para la
distribución ajustada.
• Si el ajuste es “bueno”, el gráfico
sera casi todo lineal.
• Los gráficos P-P sólo están
disponibles para los ajustes a datos
muestrales.
Ajuste de Distribuciones de los Datos (Gráficos
Cuartil-Cuartil (Q-Q))
• Grafican los valores de percentil
del resultado (F-1(Pi)).
• Si el ajuste es “bueno”, el gráfico
será mayormente lineal.
• Los gráficos Q-Q sólo están
disponibles para los ajustes a
datos muestrales.
Tipo de Muestreo
Monte Carlo es estrictamente aleatoria, por lo que un valor en una serie puede estar
cerca o muy lejos del valor anterior en la misma serie.
Latin Hypercube es un enfoque estratificado para seleccionar los números aleatorios
para los cálculos en los que es más probable que la selección coincida con la
distribución de entrada, particularmente en la selección que representa los valores en
las colas de las distribuciones. Obtenemos más precisión para el mismo número de
iteraciones o podemos obtener la misma precisión con menos iteraciones comparado
con la selección de datos de Monte Carlo estrictamente aleatoria
Ejemplo 2: Muestreo Monte Carlo Vs Latino
Hipercubico
(*) Recomendamos (Palisade, Javier Ordoñez, James Murtha, David Hulett)
utilizar Latino Hipercúbico
MAKEINPUT
Ing. Eco. Miguel Torralba
MSC. - CRM
Simtable
Ing. Eco. Miguel Torralba
MSC. - CRM
Semilla Inicial
Hacer que el @RISK use la misma semilla para cada simulación. Cuando usted introduce un
valor semilla fijo distinto de cero para el generador de números aleatorios, se repetirá
exactamente la misma secuencia de números aleatorios, simulación tras simulación. Los
números aleatorios se utilizarán para generar las muestras desde las funciones de distribución.
El mismo número aleatorio siempre retornará el mismo valor muestreado, de una función de
distribución dada. El valor semilla debe ser un número entero entre 1 y 2147483647.
VARIABLES ALEATORIAS CORRELACIONADAS
EN @RISK
VARIABLES ALEATORIAS CORRELACIONADAS EN
@RISK
Es el grado de relación lineal entre dos variables.
La correlación ocurre cuando una o más
distribuciones de entrada están relacionadas.
El coeficiente de correlación es una estadística
que mide el grado en el que dos variables se
mueven en una relación lineal entre sí. El
coeficiente de correlación es representado por un
valor entre -1 y 1
VARIABLES ALEATORIAS CORRELACIONADAS
EN @RISK
CORRELACIÓN POSITIVA PERFECTA (+1)
VARIABLES ALEATORIAS CORRELACIONADAS
EN @RISK
CORRELACIÓN NEGATIVA IMPERFECTA (-1)
VARIABLES ALEATORIAS CORRELACIONADAS
EN @RISK
CORRELACIÓN CERO (0)
