Riesgos Financieros

Ensayo Mtodo Montecarlo-Modelos Logit y Probit

Miguel Ricardo Prez Canchila ID 000371765

Tutor: Romn Andrs Agudelo Chavarro

Universidad Minuto de Dios virtual y distancia

Ciencias Empresariales.
Programa Administracin Financiera Bogot D.C Octubre 01 de 2.016

Mtodo Montecarlo y los modelos Logit y Probit

El mtodo Montecarlo es un mtodo numrico que permite resolver

problemas fsicos y matemticos mediante la simulacin de variables aleatorias.
Lo vamos a considerar aqu desde un punto de vista didctico para resolver un
problema del que conocemos tanto su solucin analtica como numrica. El
mtodo Montecarlo fue bautizado as por su clara analoga con los juegos de
ruleta de los casinos, el ms clebre de los cuales es el de Montecarlo, casino
cuya construccin fue propuesta en 1856 por el prncipe Carlos III de Mnaco,
siendo inaugurado en 1861.
La importancia actual del mtodo Montecarlo se basa en la existencia de
problemas que tienen difcil solucin por mtodos exclusivamente analticos o
numricos, pero que dependen de factores aleatorios o se pueden asociar a un
modelo probabilstico artificial (resolucin de integrales de muchas variables,
minimizacin de funciones, etc.). Gracias al avance en diseo de los ordenadores,
clculos Montecarlo que en otro tiempo hubieran sido inconcebibles, hoy en da se
presentan como asequibles para la resolucin de ciertos problemas. En estos
mtodos el error ~ 1/N, donde N es el nmero de pruebas y, por tanto, ganar una
cifra decimal en la precisin implica aumentar N en 100 veces. La base es la
generacin de nmeros aleatorios de los que nos serviremos para calcular
probabilidades. Conseguir un buen generador de estos nmeros, as como un
conjunto estadstico adecuado sobre el que trabajar son las primeras dificultades
con la nos vamos a encontrar a la hora de utilizar este mtodo. En el caso que
presentamos hemos hecho uso de la funcin random() incluida en la
clase Math que la mquina virtual Java trae por defecto como generador. Las
pruebas realizadas, algunas de las cuales se propondrn como ejercicio, verifican
su calidad a la hora de calcular nmeros aleatorios sin tendencia aparente a la
repeticin ordenada.
Como se ha puesto de relevancia, el modelo lineal de probabilidad presenta
importantes inconvenientes que desaconsejan su uso ante variables dependientes
binarias y crea la necesidad de recurrir a otros tipos de modelos. Las regresiones

Probit y Logit son modelos de regresin no lineales diseados especficamente

para variables dependientes binarias. Se trata de adoptar una formulacin no
lineal que obligue a que los valores estimados estndar entre 0 y 1 ya que, como
hemos visto, la regresin con una variable binaria dependiente Y modeliza la
probabilidad de que Y = 1. La regresin Logit utiliza una funcin de distribucin
logstica, mientras que la regresin Probit utiliza una funcin de distribucin normal
estndar. Ambas funciones de distribucin de probabilidad dan lugar a
probabilidades ente 0 y 1, y presentan un crecimiento no lineal (con mayores
incrementos en la parte central). De esta forma se resuelven dos de los problemas
anteriormente sealados.
Los modelos logit y probit comparten prcticamente las mismas caractersticas:
son modelos no lineales que son estimados por los mtodos estudiados en el
tema anterior (mnimos cuadrados no lineales o mxima verosimilitud), donde la
interpretacin de los coeficientes no es tan inmediata como en el modelo lineal de
probabilidad. Adems, en ambos casos hay que buscar una medida alternativa al
coeficiente de determinacin para medir la bondad del ajuste realizado. La nica
diferencia entre ambos modelos es que la funcin logstica (curva azul) tiene
colas ms anchas, por lo que la probabilidad de xito ser mayor en los extremos
cuando se use el modelo logit
acumulada sobre la probabilidad.
Los requisitos para la construccin de un modelo logit o probit son:
Contar con una muestra representativa de clientes cumplidos e
incumplidos, cuyo tamao mnimo se establece va criterios estadsticos.
Contar con suficiente informacin de los clientes contenida en sus
solicitudes de crdito o expedientes.
Seleccionar las posibles variables explicativas de la probabilidad de default
de los clientes, en base al conocimiento o experiencia previa y a
procedimientos estadsticos (test de significancia individual).
Escoger el modelo ms apropiado en base a tests estadsticos sobre la
"bondad de ajuste" o "calidad predictiva" del modelo.

Bibliografa
En lnea.
https://www.uam.es/personal_pdi/ciencias/carlosp/html/pid/montecarlo.html
Consultado el 01 Octubre de 2016.
En lnea. https://todoeconometria.files.wordpress.com/2014/03/capitulo-iiieconometria-i.pdf. Consultado el 01 Octubre 2016.
En lnea.http://www.ugr.es/~romansg/material/WebEco/Eco2-Discreta.pdf.
htmlConsultado el 01 Octubre de 2016.