Manual de Risk Simulator en Espanol

SIMULADOR DE RIESGO
Manual de Usuario en Espaol
Johnathan Mun, Ph.D., MBA, MS, CFC, CRM, FRM, MIFC

RISK SIMULATOR 2011
Este manual, y el software descrito en l, son provistos bajo licencia y slo pueden ser usados o copiados bajo los
trminos del acuerdo de licencia del usuario final. La informacin en este documento se proporciona slo para
propsitos de informacin, est sujeto a cambio sin previo aviso y no representa una obligacin en cuanto a propsito
de comercializacin o conveniencia para un propsito particular por parte de Real Options Valuation, Inc.
Ninguna parte de este manual puede ser reproducido o transmitido en ninguna forma o medio, electrnico o mecnico,
incluyendo fotocopiado y grabacin, para ningn propsito sin permiso expresamente escrito de Real Options
Valuation, Inc.
Materiales basados en publicaciones registradas por el Dr. Johnathan Mun, Fundador y CEO de la empresa Real
Options Valuation, Inc.
Escrito por el Dr. Johnathan Mun.
Escrito, diseado, y publicado en los Estados Unidos de Amrica.
Para adquirir copias adicionales de este documento, contacte a Real Options Valuation, Inc. en el de correo electrnico:
Admin@RealOptionsValuation.com o visite www.realoptionsvaluation.com
2005-2011 por el Dr. Johnathan Mun. Todos los derechos reservados.
Microsoft es una marca registrada de Microsoft Corporation en los Estados Unidos y otros pases. Otros nombres de
productos mencionados aqu pueden ser marcas y/o marcas registradas de los respectivos titulares.
TABLA DE CONTENIDOS
1. INTRODUCCIN .................................................................................................................... 8
LO NUEVO EN LA VERSIN 2011......................................................................................... 13
2. SIMULACIN MONTE CARLO ......................................................................................... 19
Qu es una simulacin Monte Carlo?.................................................................................. 19

Comenzando con el Simulador de Riesgo ............................................................................ 20
Una Mirada de Alto Nivel del Software ......................................................................................... 20
Correr una Simulacin Monte Carlo ............................................................................................. 20
1. Empezando un Nuevo Perfil de Simulacin ................................................................................ 21
2. Definir Supuestos de Entrada .................................................................................................... 23
3. Definir Pronsticos de Salida .................................................................................................... 25
4. Correr una Simulacin .............................................................................................................. 27
5. Interpretar los Resultados de Pronstico ................................................................................... 27
Correlaciones y Control de Precisin.................................................................................. 34
Lo Bsico de las Correlaciones ..................................................................................................... 34
Aplicar Correlaciones en el Simulador de Riesgo .......................................................................... 36
Los Efectos de Correlaciones en la Simulacin de Monte Carlo ..................................................... 37
Control de Precisin y Error ......................................................................................................... 39
Entender las Estadsticas de Pronstico .............................................................................. 41
Medir el Centro de la Distribucinel Primer Momento............................................................... 41
Medir la Extensin de la Distribucinel Segundo Momento........................................................ 42
Medir la Desviacin de la Distribucinel Tercer Momento ........................................................ 43
Medir la Cola de Eventos Catastrficos en una Distribucinel Cuarto Momento ........................ 44
Entender las Distribuciones de Probabilidad para una Simulacin Monte Carlo ................. 46
Distribuciones Discretas ..................................................................................................... 49
Distribucin Bernoulli o Si/No ...................................................................................................... 49
Distribucin Binomial ................................................................................................................... 50
Distribucin Uniforme Discreta .................................................................................................... 50
Distribucin Geomtrica ............................................................................................................... 51
Distribucin Hipergeomtrica ....................................................................................................... 52
Distribucin Binomial Negativa .................................................................................................... 53
Distribucin Poisson ..................................................................................................................... 54
Manual de Usuario (Simulador de Riesgo) 3 2005-2011 Real Options Valuation, Inc.

Distribuciones Continuas .................................................................................................... 55
Distribucin Arcoseno................................................................................................................... 55
Distribucin Beta .......................................................................................................................... 55
Distribucin Multiplicativa de Beta3, Beta 4 Desplazado............................................................... 56
Distribucin Cauchy o Distribucin Lorentziana o Distribucin Breit-Wigner ............................... 57
Distribucin Chi-Cuadrado........................................................................................................... 57
Distribucin Coseno ..................................................................................................................... 58
Distribucin de Doble Logaritmo .................................................................................................. 58
Distribucin de Erlang .................................................................................................................. 59
Distribucin Exponencial .............................................................................................................. 60
Distribucin Exponencial Desplazada ........................................................................................... 61
Distribucin de Valor Extremo o Distribucin Gumbel .................................................................. 61
Distribucin F o Distribucin Fisher-Snedecor ............................................................................. 62
Distribucin Gamma (Distribucin Erlang)................................................................................... 62
Distribucin de Laplace ................................................................................................................ 64
Distribucin Logstica................................................................................................................... 64
Distribucin Lognormal ................................................................................................................ 65
Distribucin Lognormal Desplazada ............................................................................................. 66
Distribucin Normal ..................................................................................................................... 67
Distribucin Parablica ................................................................................................................ 67
Distribucin de Pareto .................................................................................................................. 68
Distribucin Pascal....................................................................................................................... 69
Distribucin de Pearson V ............................................................................................................ 69
Distribucin de Pearson VI ........................................................................................................... 70
Distribucin de PERT ................................................................................................................... 71
Distribucin Potencia ................................................................................................................... 72
Distribucin Multiplicativa de Potencia Desplazado...................................................................... 72
Distribucin T -Student ................................................................................................................. 73
Distribucin Triangular ................................................................................................................ 73
Distribucin Uniforme .................................................................................................................. 74
Distribucin Weibull (Distribucin Rayleigh) ................................................................................ 75
Distribucin Multiplicativa de Weibull y Rayleigh Desplazado ...................................................... 76
3. PRONSTICO ....................................................................................................................... 77
Diferentes Tipos de Tcnicas de Pronstico ........................................................................ 77

Correr la Herramienta de Pronstico en el Simulador de Riesgo......................................... 78
Anlisis de Serie de Tiempo ................................................................................................ 79

Regresin Mltiple.............................................................................................................. 83
Pronstico Estocstico........................................................................................................ 88
Extrapolacin No Lineal ..................................................................................................... 91
Serie de Tiempo Avanzada Box-Jenkins ARIMA .................................................................. 93
AUTO ARIMA (Series de Tiempo Avanzada Box-Jenkins ARIMA) ....................................... 99
Econometra Bsica .......................................................................................................... 100
Curvas J-S ........................................................................................................................ 101
GARCH Pronstico de Volatilidad .................................................................................... 102
La Cadena de Markov ....................................................................................................... 105
Modelo de Probabilidad Mxima (MLE): Logit, Probit, Tobit ........................................... 106
Spline Cbico (Interpolacin y Extrapolacin) .................................................................. 109
4. OPTIMIZACIN ................................................................................................................. 111
Metodologas de Optimizacin .......................................................................................... 111

Optimizacin con Variables de Decisin Continua ............................................................ 113
Optimizacin con Variables Discretas Enteras .................................................................. 119
Frontera Eficiente y Tcnicas Avanzadas de Optimizacin ................................................ 124
5. HERRAMIENTAS ANALTICAS DEL SIMULADOR DE RIESGO .............................. 127
Herramientas de Tornado y Sensibilidad en la Simulacin ................................................ 127

Anlisis de Sensibilidad .................................................................................................... 134
Ajuste de Distribucin: Variable nica y Variables Mltiples ........................................... 138
Simulacin de Ajuste (Bootstrap) ...................................................................................... 142
Prueba de Hiptesis .......................................................................................................... 144
Extraccin de Datos y Guardar Resultados de Simulacin ................................................ 146
Crear Reporte ................................................................................................................... 148
Herramienta de Diagnstico para Pronstico y Regresin ................................................ 149
Herramienta de Anlisis Estadstico................................................................................. 158
Herramienta de Anlisis Distribucional ............................................................................ 164
Herramienta de Anlisis de Escenarios ............................................................................. 168
Herramienta Agrupacin y de Segmentacin ..................................................................... 170
Simulador de Riesgo 2011 Nuevas Herramientas .................................................................... 171
Generador de Nmeros Aleatorios, Monte Carlo versus Hipercubo Latino, y Mtodos Cpula
de Correlacin .................................................................................................................. 171

Desestacionalizacin y Eliminacin de tendencias en Datos.............................................. 172
Anlisis de Componentes Principales ................................................................................ 174
Anlisis de Cambio Estructural ......................................................................................... 175
Pronsticos de lneas de tendencia .................................................................................... 176
Herramienta de Verificacin del Modelo........................................................................... 177
Herramienta de Ajuste de Distribucin Percentil .............................................................. 179
Tablas y Grficos de Distribucin: Herramienta de Distribucin de Probabilidad ............ 180
ROV BizStats .................................................................................................................... 184
Metodologas de Pronstico mediante Redes Neuronales y Lgica Difusa Combinatoria .. 189
Optimizador de Bsqueda Objetivo ................................................................................... 193
Optimizador de Una Sola Variable.................................................................................... 193
Algoritmo Gentico de Optimizacin................................................................................. 194
Ayudas y Tcnicas Valiosas...................................................................................................... 196
Consejos: Supuestos (Interfaz del Usuario para establecer supuestos) ......................................... 196
Consejos: Copiar y Pegar ........................................................................................................... 196
Consejos: Correlaciones ............................................................................................................. 197
Consejos: Diagnsticos de Datos y Anlisis Estadsticos ............................................................. 197
Consejos: Anlisis de Distribucin, Grficos y Tablas de Probabilidad ....................................... 198
Consejos: Frontera Eficiente ....................................................................................................... 198
Consejos: Celdas de Pronstico .................................................................................................. 198
Consejos: Grficos de Pronstico ............................................................................................... 198
Consejos: Pronstico .................................................................................................................. 199
Consejos: Pronstico: ARIMA..................................................................................................... 199
Consejos: Pronstico: Econometra Bsica ................................................................................. 199
Consejos: Pronsticos: Logit, Probit y Tobit ............................................................................... 199
Consejos: Pronsticos: Procesos Estocsticos............................................................................. 200
Consejos: Pronstico: Lneas de Tendencias ............................................................................... 200
Consejos: Instalando Funciones .................................................................................................. 200
Consejos: Empezar los Ejercicios y los Videos ............................................................................ 200
Consejos: La identificacin del Hardware ................................................................................... 201
Consejos: Modelo de Hipercubo Latino (LHS) vs. Simulacin de Montecarlo (MCS) ................... 201
Consejos: Recursos en lnea ........................................................................................................ 201
Consejos: Optimizacin: ............................................................................................................. 201
Consejos: Perfiles ....................................................................................................................... 202
Consejos: Clic derecho y otras teclas de acceso directo ............................................................... 202

Consejos: Salvar ......................................................................................................................... 202
Consejos: Tcnicas de Modelaje y Simulacin ............................................................................. 203
Consejos: Kit de Desarrollo del Software (SDK) y las bibliotecas (DLL) ..................................... 203
Consejos: Iniciar el Simulador de Riesgo con Excel..................................................................... 203
Consejos: Simulacin de Sper Velocidad ................................................................................... 203
Consejos: Anlisis Tornado......................................................................................................... 204
Consejos: Solucionador de Problemas - Troubleshooter .............................................................. 205

1. INTRODUCCIN
Bienvenido al Software SIMULADOR DE RIESGO
El Simulador de Riesgo (Risk Simulator) es un software de simulacin Monte Carlo, Pronstico,

y Optimizacin. El software est escrito en Microsoft .NET C# y funciona junto con Excel como
un complemento. Este software tambin es compatible y a menudo usado con el software Super
Lattice Solver (SLS) y el software Employee Stock Options Valuation Toolkit (ESOV), ROV
Compiler, ROV Extractor and Evaluator, ROV Dashboard, ROV BizStats, ROV Modeler, ROV
Optimizer y ROV Valuator tambin desarrollado por Real Options Valuation, Inc. Ntese que
aunque se intent ser detallado, el manual no es en lo absoluto un substituto del DVD de
entrenamiento, los cursos de entrenamiento en vivo y los libros escritos por el creador del
software (por ejemplo, Dr. Johnathan Mun, Real Options Analysis, 2nd Edition, Wiley Finance
2005; Modeling Risk: Applying Monte Carlo Simulation, Real Options Analysis, Forecasting, and
Optimization, 2nd Edition, Wiley 2010; and Valuing Employee Stock Options (2004 FAS 123R),
Wiley Finance, 2004). Por favor visite nuestra pgina web en www.realoptionsvaluation.com
para ms informacin de estos productos.
El software Simulador de Riesgo tiene los siguientes mdulos:
Simulacin Monte Carlo (corre simulaciones paramtricas y no paramtricas de 42

distribuciones de probabilidad con diferentes perfiles de simulacin, simulaciones
truncadas o correlacionadas, distribuciones personalizadas, simulaciones controladas en
trminos de precisin y error, y muchos otros algoritmos)
Pronstico (corre Box-Jenkins ARIMA, Regresin Mltiple, Extrapolacin No Lineal,
Procesos Estocsticos, y Anlisis de Serie de Tiempo.)
Optimizacin Bajo Incertidumbre (corre optimizaciones usando nmeros enteros
discretos y variables continuas para la optimizacin de portafolios, optimizacin de
proyectos con y sin simulacin).
Modelacin y Herramientas de Anlisis (corre anlisis de tornado, araa, y de
sensibilidad, as como simulacin de ajuste (bootstrap), pruebas de hiptesis, ajuste de
distribucin, etc.)
El software SLS de Real Options es usado para calcular el valor de opciones simples y
complejas, y tiene la habilidad de crear modelos personalizados de opciones, que se pueden
importar a hojas de trabajo Excel. El software SLS de Real Options tiene los siguientes mdulos:
Activo nico SLS (para resolucin de opciones de abandono, seleccin, contraccin,

aplazamiento, opciones de expansin, tanto como para resolver necesidades
personalizadas).

Activo Mltiple y Mltiples Fases SLS (para resolver opciones multifase secuenciales,
opciones con activos subyacentes y fases mltiples, combinacin multifase-secuencial o
con abandono, seleccin, contraccin, aplazamiento, expansin, y opciones cambiantes;
tambin puede ser usado para resolver opciones personalizadas).
SLS Multinominal (para resolver opciones trinomiales de reversin a la media, opciones

de difusin de salto tetranomial, y opciones de arco iris pentanomial).
Funciones Agregadas a Excel (para resolver todas las opciones mencionadas arriba ms
otros modelos de forma exclusiva y con opciones ajustadas personalizadas en un
ambiente basado en Excel).
Requisitos y Procedimientos de Instalacin
Para instalar el software, siga las instrucciones en pantalla. Los Requisitos mnimos para este
software son:
Procesador Pentium IV o superior (Es recomendado un procesador Dual Core).

Windows XP o Vista o Windows 7.
Microsoft Excel XP, 2003, 2007, 2010 o posterior.
Microsoft .NET Framework 2.0/3.0.
350MB de espacio libre.
1GB RAM recomendado.
Derechos administrativos para instalar el software.
La mayora de las computadoras nuevas vienen con Microsoft .NET Framework ya pre instalado.
An as, si aparece un mensaje de error requiriendo .NET Framework durante la instalacin del
Simulador de Riesgo, abandone la instalacin. Entonces, instale el software .NET Framework 2.0
incluido en el CD (seleccione su idioma). Complete la instalacin de .NET, reinicie el
computador y entonces reinstale el software del Simulador de Riesgo.
Hay un archivo de licencia de prueba por 10 das que viene con el software. Para obtener una
licencia empresarial completa, favor de contactar a Real Options Valuation, Inc. en
admin@realoptionsvaluation.com o llame al +1 (925) 271-4438 o visite nuestro sitio web en
www.realoptionsvaluation.com. Por favor visite este sitio web y de Click en DESCARGAR para
obtener lo ltimo en software, o de Click en el link FAQ para obtener cualquier informacin
actualizada acerca de licencias o productos de instalacin y accesorios.

Licencias
Si usted ha instalado el software y ha adquirido una licencia completa para usar el software,
tendr que enviarnos un e-mail con su Hardware ID (Identificacin de Hardware) para que
podamos generar un archivo de licencia para usted. Siga las siguientes instrucciones:
Para Windows XP con Excel XP, Excel 2003 o Excel 2007/2010:

Primero, en Excel, de Click en Simulador de Riesgo / Licencia y copie y enve va e-mail
su Identificacin de Hardware alfanumrica (HARDWARE ID) de 11-20 dgitos a la
siguiente direccin: admin@realoptionsvaluation.com. (tambin puede seleccionar el
Hardware ID y hacer una copia dando Click derecho o de Click en el link del e-mail del
Hardware ID) Con el ID obtenido, una licencia permanente recin generada le ser
enviada va e-mail. Una vez que obtenga este archivo de licencia, slo gurdelo en su
disco duro, y cuando abra Excel, haga Click en Simulador de Riesgo | Licencia y de
Click en Instalar Licencia y busque este nuevo archivo de licencia y acptelo en el
programa. Reinicie Excel y estar lista la instalacin. El proceso completo tomar menos
de un minuto y entonces tendr licencia completa para correr el software.
Para Windows Vista/Windows 7 con Excel XP, Excel 2003 o Excel 2007/2010:
Primero, inicie Excel 2007/2010 dentro de Windows Vista/Windows 7, vaya a la pestaa
de men del Simulador de Riesgo, de Click en el icono de Licencia o de Click
Simulador de Riesgo | Licencia, copie y enve va e-mail su Identificacin de Hardware
(HARDWARE ID) de 11 a 20 dgitos alfanumrico (tambin puede seleccionar el
Hardware ID y hacer una copia dando Click derecho o de Click en el e-mail del link del
Hardware ID) a la siguiente direccin: admin@realoptionsvaluation.com. En el momento
que hayamos obtenido este ID, una licencia permanente recin generada le ser enviada
va e-mail. Una vez que obtenga este archivo de licencia, solo gurdelo en el disco duro.
Inicie Excel y de Click en Simulador de Riesgo Licencia o de Click en el icono de
Licencia y de Click en Instalar Licencia y busque este nuevo archivo de licencia y
acptelo en el programa. Reinicie Excel y estar listo. El proceso completo le tomar
menos de un minuto y entonces tendr licencia completa para correr el software.
Una vez que se complete la instalacin, inicie Microsoft Excel y si la instalacin fue exitosa,
usted debe ver una nueva pestaa Simulador de Riesgo adicional en la barra de men en Excel
XP/2003 o debajo del grupo ADD-IN (Agregado) en Excel 2007/2010, y una nueva barra de
iconos en Excel como se muestra en la Figura 1.2, indicando que el software est funcionando y
cargando en Excel. La Figura 1.3 (A y B) muestra tambin la barra de herramientas del Simulador
de Riesgo. Si estos artculos existen en Excel, ya est listo para empezar a usar el software. Las
siguientes secciones proveen instrucciones paso a paso acerca de cmo usar el software.

Figura 1.1 Men del Simulador de Riesgo y Barra de Iconos en Excel 2007/2010
Figura 1.2 Pantalla Inicial del Simulador de Riesgo

Figura 1.3A Barra de Iconos de Herramientas del Simulador de Riesgo en Excel XP y Excel 2003
Figura 1.3B Barra de Iconos de Herramientas del Simulador de Riesgo en Excel 2007/2010

LO NUEVO EN LA VERSIN 2011
Lista completa de las capacidades del Simulador de Riesgo

A continuacin se enumeran las principales capacidades de Risk Simulator, los elementos
resaltados en rojo indican las ltimas adiciones en la versin 2011.
Capacidades Generales
1. Disponible en 10 idiomas: Ingls, Francs, Alemn, Italiano, Japons, Coreano,

Portugus, Espaol, Chino Simplificado y Chino Tradicional.
2. Libros: Teora analtica, aplicacin y casos de estudio con el apoyo de 10 libros.
3. Celdas comentadas: Control de comentarios con la decisin de visualizar o no, la
explicacin de los supuestos de entrada, pronsticos de salida y las variables de
decisin.
4. Ejemplos de Modelos Detallados: 24 modelos de ejemplo en Risk Simulator y
ms de 300 modelos en Modeling Toolkit.
5. Reportes Detallados: Todos los anlisis vienen con reportes detallados.
6. Manual del Usuario Detallado y un Manual del usuario paso a paso.
7. Licencia Flexible: Capacidad de controlar la activacin o desactivacin de ciertas
funciones para permitir al usuario personalizar de acuerdo a su experiencia en
anlisis en riesgo. Por ejemplo, si quien lo usa est interesado nicamente en el
Mdulo de Pronstico del Simulador de Riesgo, puede obtener una licencia
especial que nicamente active esa herramienta, mientras los otros mdulos se
desactivan, lo que le permitir ahorros en el costo en la adquisicin del software.
8. Requerimientos flexibles: El software trabaja con Windows 7, Vista y XP;
integrado con Excel 2010, 2007, 2003; compatible con sistemas operativos MAC
que corren con esquema virtual.
9. Grficos y colores totalmente personalizados: Tipos de grficos manejables, en
3D, en color y mucho ms.
10. Ejercicios prcticos: Con gua paso a paso para su ejecucin con el Simulador de
Riesgo, incluyendo la interpretacin de resultados.
11. Mltiple copiado y pegado de celdas: Permite, que los supuestos, las variables de
decisin y los pronsticos puedan ser copiados y pegados.
12. Perfiles: Permiten que mltiples perfiles puedan ser creados en un Modelo simple
(Diferentes escenarios de Modelos de Simulacin pueden ser creados,
duplicados, editados y ejecutados en un Modelo Simple).
13. Iconos Revisados en Excel 2007/2010: Una barra de herramientas
completamente revisada, intuitiva y amigable. Habr cuatro conjunto de iconos
que se adaptan a las diferentes resoluciones de pantalla (1280 x 720 y
superiores).

14. Acceso rpido con el Click Derecho: Acceso a todas las herramientas del
Simulador de Riesgo y los respectivos mens usando el Click Derecho del
Mouse.
15. Integracin del software ROV: Funciona bien con otro software ROV,
incluyendo Real Options SLS, Modeling Toolkit, la herramienta de Basilea, el
compilador, el extractor, el evaluador, el modelador, el valorador, el optimizador
y el panel ROV, incluyendo el ESO Valuation Toolkit, y otros.
16. Funciones de RS en Excel: Inserta funciones de RS para supuestos y pronsticos
con el botn derecho en Excel.
17. Troubleshooter: Esta herramienta le permite activar de Nuevo el software,
verificar los requisitos del sistema, obtener la identificacin del software y otros.
18. Anlisis de Sper Velocidad: Esta nueva velocidad ejecuta pronsticos y otras
herramientas de anlisis a una velocidad increble (Mejorada en la versin en la
versin 5.2). El anlisis y los resultados permanecen igual pero ahora los clculos
y los reportes son generados rpidamente.
19. Recursos Web, Casos de Estudio y Videos: Descarga de modelos gratis, obtener
videos, casos de estudio, documentos tcnicos y otros materiales desde nuestro
sitio Web.
Mdulo de Simulacin:
20. 6 generadores de nmeros aleatorios: Generador Sustractor Avanzado ROV,

generador sustractor aleatorio, generador de produccin aleatoria de largo
periodo, generador portable de produccin aleatoria, generador veloz IEEE Hex,
generador bsico porttil.
21. 2 mtodos de muestreo: Monte Carlo e Hypercubo Latino
22. 3 Correlaciones tipo Cpula: Aplicacin de Cpula normal, Cpula T y Cpula
cuasi-normal para simulaciones correlacionadas.
23. 42 distribuciones de probabilidad: Arco seno, Bernoulli, Beta, Beta 3, Beta 4,
Binomial, Cauchy, Chi.cuadrado, Coseno, Personalizada, Uniforme Discreta,
Doble Logaritmo, Erlang, Exponencial, Exponencial 2, Distribucin F, Gamma,
Geomtrica, Gumbel mxima, Gumbel Mnima, Hipergeomtrica, Laplace,
Logstica, Lognormal (aritmtica) y Lognormal (log), Lognormal 3 (aritmtica)
y Lognormal 3 (log), Binomial Negativa, Normal, Parablica, Pareto, Pascal,
PearsonV, Pearson VI, PERT, Poisson, Power, Power 3, Rayleigh, T y T2,
Triangular, Uniforme, Weibull, Weibull 3.
24. Parmetros alternativos: Se usan percentiles como una alternativa de
introduccin de parmetros.
25. Distribucin Personalizada No Paramtrica: Haga sus propias distribuciones,
corra simulaciones histricas y aplique el mtodo Delphi
26. Distribucin Truncada: permite lmites en los datos.

27. Funciones Excel: Poner supuestos y pronsticos usando funciones en Excel
28. Simulacin Multidimensional: Simulacin de parmetros de entrada inciertos.
29. Control de Precisin: Determina si el nmero de ensayos dentro de la simulacin
fue suficiente.
30. Simulador de Sper Velocidad: Corre 100.000 ensayos en pocos segundos.
Mdulo de Pronstico
31. ARIMA: Modelo autorregresivo integrado de media mvil ARIMA (P,D,Q)

32. Auto ARIMA: Ejecuta las combinaciones ms comunes de ARIMA y escoge la
que ms se ajusta.
33. Auto Econometra: Corre miles de combinaciones y permutaciones para escoger
el modelo que mejor se ajusta a los datos existentes (Lineal, No lineal, relacional,
intervalo, lead, tasa, diferencia)
34. Econometra Bsica: Modelos de regresin lineales, no lineales y de interaccin
35. Spline Cubico: Interpolacin y Extrapolacin no lineal
36. GARCH: proyecciones de volatilidad usando modelos de heterosticidad
condicional auto regresivos; GARCH, GARCH-M, TGARCH, TGARCH-M,
EGARCH, EGARCH-T, GJR-GARCH y GJR-TGARCH
37. Curva J: Curvas exponenciales J
38. Variables Dependientes Limitadas: Logit, Probit, y Tobit
39. Cadenas Markov: Dos elementos que compiten sobre el tiempo y el mercado
compartiendo pronsticos.
40. Regresin Mltiple: regresiones lineales regulares y no lineales con metodologas
paso a paso (adelante, atrs, correlacin, adelante-atrs)
41. Extrapolacin No lineal: Pronstico no lineal de series de tiempo.
42. Curva S: Curva S Logstica
43. Anlisis de Series de Tiempo: 8 modelos de series de tiempo para niveles de
pronstico, tendencias y estacionalidades.
44. Pronstico combinatorio de Lgica Difusa
45. Pronstico de Redes Neuronales: lineal, logstica, tangente hiperblica,
coseno con tangente hiperbolica
46. Lneas de Tendencia: Pronstico y ajuste mediante polinomios, lineales, No
lineales, logartmicos, de potencia, exponenciales y de media mvil con
bondad de ajuste.
Mdulo de Optimizacin
47. Optimizacin lineal: Optimizacin multifase y optimizacin general lineal.
48. Optimizacin No Lineal: resultados detallados que incluyen la matriz Hessiana,
las funciones de LaGrange y ms.

49. Optimizacin Esttica: Ejecuciones rpidas para nmeros enteros, continuos y las
ejecuciones binarias.
50. Optimizacin Dinmica: Simulacin y Optimizacin
51. Optimizacin Estocstica: Criterios de convergencia, cuadrtica, tangencial,
central, etc.
52. Frontera Eficiente: Combinaciones de optimizacin estocstica y dinmica con
fronteras de eficiencia multivariadas.
53. Algoritmos genticos: usado para una gran variedad de problemas de
optimizacin.
54. Optimizacin Multifase: Pruebas locales frente a un ptimo Global lo que
permite un mejor control de cmo se ejecuta la optimizacin y aumenta la
precisin y la dependencia de los resultados.
55. Percentiles y Media Condicional: Estadsticas adicionales para la optimizacin
estocstica, que incluye percentiles y la media condicional fundamentales para
calcular el valor condicional en las medidas de riesgo.
56. Algoritmo de bsqueda: simples, rpidos y eficientes algoritmos de
bsqueda para las variables de decisin y las aplicaciones de buscar
objetivo.
57. Simulacin de sper velocidad en las optimizaciones dinmicas y estocsticas:
Corre la simulacin a sper velocidad mientras se integra con la optimizacin.
Mdulo de herramientas Analticas
58. Evaluar el modelo: Encuentra los errores ms comunes en su modelo.

59. Editor de correlacin: Permite efectuar grandes matrices de correlacin las cuales
se introducen directamente y se editan.
60. Crear informe: Genera automticamente los supuestos y los pronsticos en un
modelo.
61. Crear reporte de Estadsticas: Genera un reporte comparativo de estadsticas de
todos los reportes.
62. Diagnsticos de datos: corre pruebas de heterosticidad, micronumerosidad,
valores extremos, no linealidad, autocorrelacin, normalidad, esfericidad, no
estacionalidad, multicolinealidad y correlaciones.
63. Extraccin y Exportacin de Datos: Extrae datos a Excel o archivos planos y
archivos del Simulador de Riesgo, corre reportes estadsticos y pronostica
reportes de resultados.
64. Datos abiertos e importacin: Recupera anteriores resultados de una simulacin.
65. Desestacionalidad y No tendencia: Desestacionaliza y le quita la tendencia a
sus datos.
66. Anlisis de Distribucin: Hace cmputo exacto en PDF, CDF, ICDF, de las 42
probabilidades de distribucin y genera tablas de probabilidad.

67. Diseador de Distribucin: Crea sus propias distribuciones.
68. Ajuste de Distribucin Mltiple: Corre mltiples variables simultneamente, da
cuenta de las correlaciones y de su importancia.
69. Ajuste de Distribucin simple: Hace pruebas de Kolmogorov-Smirnov y Chi-
Cuadrado en Distribuciones continuas, con un completo reporte y supuestos de
distribucin.
70. Prueba de Hiptesis: Prueba si dos pronsticos son estadsticamente similares o
no.
71. Simulacin no paramtrica: Simulacin de estadsticas para obtener precisin y
exactitud en los resultados.
72. Grficas Sobrepuestas: Grficos totalmente, personalizados de superposicin de
supuestos y pronsticos en conjunto (tipos de grfico CDF, PDF, 2D/3D)
73. Anlisis de componentes principales: Prueba la variable que mejor predice y
reduce, as gran cantidad de datos.
74. Anlisis de Escenarios: Cientos y Miles de escenarios en dos dimensiones.
75. Prueba de Estacionalidad: Pruebas para varios rezagos en la estacionalidad.
76. Segmentacin de Conglomerados: Datos en grupos estadsticos, para la
segmentacin de datos.
77. Anlisis de Sensibilidad: Sensibilidad dinmica (Anlisis simultneo)
78. Prueba de quiebres estructurales: Prueba si las series de tiempo han tenido
cambios estructurales.
79. Anlisis Tornado: sensibilidad de perturbaciones estticas, el anlisis tornado y
araa, y las tablas de escenario.
Mdulo de estadsticas y BizStats
80. Ajuste de distribucin por percentil: Usa percentiles y optimizacin para

encontrar el mejor ajuste de distribucin.
81. Grficos y tablas de Distribucin de probabilidad: corre 45 distribuciones de
probabilidad en sus cuatro momentos, CDF, ICDF, PDF, emite grficos,
sobrepone mltiples grficos y genera tablas de distribucin de probabilidad.
82. Anlisis estadstico: Estadstica descriptiva, ajuste de distribucin, histogramas,
grficos, extrapolacin no lineal, prueba de normalidad, parmetros de
estimacin estocsticos, pronstico de series de tiempo, proyecciones de lneas
de tendencia, etc.
83. Estadsticas de negocios ROV: cerca de 130 estadsticas de negocio y
modelos analticos:

Absolute Values, ANOVA: Randomized Blocks Multiple Treatments, ANOVA: Single Factor
Multiple Treatments, ANOVA: Two Way Analysis, ARIMA, Auto ARIMA, Autocorrelation
and Partial Autocorrelation, Autoeconometrics (Detailed), Autoeconometrics (Quick), Average,
Combinatorial Fuzzy Logic Forecasting, Control Chart: C, Control Chart: NP, Control Chart: P,
Control Chart: R, Control Chart: U, Control Chart: X, Control Chart: XMR, Correlation,
Correlation (Linear, Nonlinear), Count, Covariance, Cubic Spline, Custom Econometric Model,
Data Descriptive Statistics, Deseasonalize, Difference, Distributional Fitting, Exponential J
Curve, GARCH, Heteroskedasticity, Lag, Lead, Limited Dependent Variables (Logit), Limited
Dependent Variables (Probit), Limited Dependent Variables (Tobit), Linear Interpolation, Linear
Regression, LN, Log, Logistic S Curve, Markov Chain, Max, Median, Min, Mode, Neural
Network, Nonlinear Regression, Nonparametric: Chi-Square Goodness of Fit, Nonparametric:
Chi-Square Independence, Nonparametric: Chi-Square Population Variance, Nonparametric:
Friedmans Test, Nonparametric: Kruskal-Wallis Test, Nonparametric: Lilliefors Test,
Nonparametric: Runs Test, Nonparametric: Wilcoxon Signed-Rank (One Var), Nonparametric:
Wilcoxon Signed-Rank (Two Var), Parametric: One Variable (T) Mean, Parametric: One
Variable (Z) Mean, Parametric: One Variable (Z) Proportion, Parametric: Two Variable (F)
Variances, Parametric: Two Variable (T) Dependent Means, Parametric: Two Variable (T)
Independent Equal Variance, Parametric: Two Variable (T) Independent Unequal Variance,
Parametric: Two Variable (Z) Independent Means, Parametric: Two Variable (Z) Independent
Proportions, Power, Principal Component Analysis, Rank Ascending, Rank Descending,
Relative LN Returns, Relative Returns, Seasonality, Segmentation Clustering, Semi-Standard
Deviation (Lower), Semi-Standard Deviation (Upper), Standard 2D Area, Standard 2D Bar,
Standard 2D Line, Standard 2D Point, Standard 2D Scatter, Standard 3D Area, Standard 3D Bar,
Standard 3D Line, Standard 3D Point, Standard 3D Scatter, Standard Deviation (Population),
Standard Deviation (Sample), Stepwise Regression (Backward), Stepwise Regression
(Correlation), Stepwise Regression (Forward), Stepwise Regression (Forward-Backward),
Stochastic Processes (Exponential Brownian Motion), Stochastic Processes (Geometric
Brownian Motion), Stochastic Processes (Jump Diffusion), Stochastic Processes (Mean
Reversion with Jump Diffusion), Stochastic Processes (Mean Reversion), Structural Break, Sum,
Time-Series Analysis (Auto), Time-Series Analysis (Double Exponential Smoothing), Time-
Series Analysis (Double Moving Average), Time-Series Analysis (Holt-Winters Additive),
Time-Series Analysis (Holt-Winters Multiplicative), Time-Series Analysis (Seasonal Additive),
Time-Series Analysis (Seasonal Multiplicative), Time-Series Analysis (Single Exponential
Smoothing), Time-Series Analysis (Single Moving Average), Trend Line (Difference
Detrended), Trend Line (Exponential Detrended), Trend Line (Exponential), Trend Line (Linear
Detrended), Trend Line (Linear), Trend Line (Logarithmic Detrended), Trend Line
(Logarithmic), Trend Line (Moving Average Detrended), Trend Line (Moving Average), Trend
Line (Polynomial Detrended), Trend Line (Polynomial), Trend Line (Power Detrended), Trend
Line (Power), Trend Line (Rate Detrended), Trend Line (Static Mean Detrended), Trend Line
(Static Median Detrended), Variance (Population), Variance (Sample), Volatility: EGARCH,
Volatility: EGARCH-T, Volatility: GARCH, Volatility: GARCH-M, Volatility: GJR GARCH,
Volatility: GJR TGARCH, Volatility: Log Returns Approach, Volatility: TGARCH, Volatility:
TGARCH-M, Yield Curve (Bliss), and Yield Curve (Nelson-Siegel).

2. SIMULACIN MONTE CARLO
La simulacin Monte Carlo, nombrada as por famosa capital mundial del juego de Mnaco, es
una metodologa muy potente. Para los practicantes, la simulacin abre la puerta para resolver
problemas difciles y complejos, pero prcticos con gran facilidad. Monte Carlo crea futuros
artificiales al generar miles e incluso millones de caminos de resultados y observar sus
caractersticas prevalentes. Para los analistas en una compaa, tomar cursos superiores de
matemticas avanzadas no es solo lgico o prctico. Un analista brillante usara todas las
herramientas disponibles a su disposicin para obtener la misma respuesta en la manera ms fcil
y prctica posible. Y en todos los casos, cuando la modelacin se hace correctamente, la
simulacin de Monte Carlo provee respuestas similares a la mayora de los mtodos
matemticamente elegantes. As que, qu es una simulacin Monte Carlo y cmo funciona?
Qu es una simulacin Monte Carlo?
Una simulacin Monte Carlo en su forma ms simple es un generador de nmeros aleatorios que
es til para anlisis de pronstico, estimacin y riesgo. Una simulacin calcula numerosos
contextos o escenarios de un modelo al escoger repetidamente valores de una distribucin de
probabilidad de un usuario predefinido para las variables inciertas y usando esos valores como
insumo para el modelo. Ya que todos esos contextos producen resultados asociados en un
modelo, cada contexto puede tener un pronstico. Los pronsticos son eventos (usualmente con
frmulas o funciones) que usted define como salidas importantes del modelo. Estas usualmente
son eventos tales como totales, ganancia neta, o gasto bruto.
De una manera muy sencilla, piense en el enfoque de la simulacin Monte Carlo como sacar
pelotas de golf de una gran canasta repetidamente con reemplazo. La medida y forma de la
canasta depende del supuesto de entrada de distribucin (por ejemplo, una distribucin normal
con una media de 100 y una desviacin estndar de 10, contra una distribucin uniforme o
distribucin triangular) donde algunas canastas son ms profundas o ms simtricas que otras,
permitiendo que ciertas pelotas sean sacadas ms frecuentemente que otras. El nmero de pelotas
sacadas repetidamente depende del nmero de intentos simulados. Para un modelo grande con
mltiple supuestos relacionados, imagine que el modelo grande es una canasta muy grande,
donde varias canastas beb residen. Cada canasta beb tiene su propio conjunto de pelotas de golf
que estn rebotando alrededor. Algunas veces estas canastas bebs estn tomadas de las manos
unas con otras (si hay una correlacin entre las variables) y las pelotas de golf estn rebotando en
parejas mientras que otras estn rebotando independientemente una de otra. Las pelotas que son
escogidas cada vez tienen interacciones dentro del modelo (la gran canasta central) son tabuladas
y registradas, dando un resultado de salida de pronstico de la simulacin.

Comenzando con el Simulador de Riesgo
Una Mirada de Alto Nivel del Software
El software de Simulador de Riesgo tiene variadas y diferentes aplicaciones incluyendo la

simulacin Monte Carlo, Pronstico, Optimizacin y Herramientas de Anlisis Estadstico.
La aplicacin de la simulacin le permite correr simulaciones en sus modelos basados en

Excel ya existentes, generar pronsticos de simulacin (distribuciones de resultados),
ejecutar ajustes de distribucin (encontrando automticamente el mejor ajuste de
distribucin estadstico), computar correlaciones (mantener relaciones entre variables),
identificar sensibilidades (creando grficos de tornado y sensibilidad), tambin como
correr simulaciones personalizadas y no paramtricas (simulaciones usando datos
histricos sin especificar ninguna distribucin o sus parmetros).
La aplicacin de pronstico puede ser usada para generar pronsticos economtricos

Box-Jenkins ARIMA, pronsticos de serie de tiempo automticos (con estacionalidad y
tendencia), regresiones multivariadas (regresiones lineales y no lineales), extrapolaciones
no lineales (ajuste de curva), y procesos estocsticos (paseos aleatorios, reversiones a la
media, procesos de salto de difusin).
La aplicacin de optimizacin se usa para optimizar mltiples enteros discretos,

continuos, y variables de decisin mezcladas sujetas a restricciones para maximizar o
minimizar un objetivo, y puede ser ejecutada ya sea como una optimizacin esttica,
optimizacin dinmica u optimizacin estocstica bajo incertidumbre junto con la
simulacin de Monte Carlo, y se puede aplicar para resolver optimizaciones lineales y no
lineales.
El Super Lattice Solver de Real Options es otro software separado que complementa el
Simulador de Riesgo, es usado para resolver desde problemas simples hasta problemas
complejos de opciones reales.
Correr una Simulacin Monte Carlo
Bsicamente, para correr una simulacin en su modelo Excel, tiene que ejecutar los siguientes
pasos:
1. Inicie un perfil de simulacin o abra un perfil ya existente
2. Defina el supuesto de entrada en las celdas relevantes
3. Defina el pronstico de salida en las celdas relevantes
4. Corra la simulacin
5. Interprete los resultados

Si lo desea, y para efectos de prctica, abra el archivo de ejemplo llamado Modelo Bsico de
Simulacin y siga el ejemplo para crear una simulacin. El archivo de ejemplo se puede
encontrar ya sea en el men de inicio en Inicio | Programas | Real Options Valuation |
Simulador de Riesgo | Ejemplos o directamente a travs de Simulador de Riesgo | Modelos de
Ejemplo.
1. Empezando un Nuevo Perfil de Simulacin
Para empezar una nueva simulacin, primero necesitar crear un perfil de simulacin. Un perfil
de simulacin contiene un conjunto completo de instrucciones de cmo le gustara correr la
simulacin, es decir, todos los supuestos, pronsticos, correr preferencias, y as sucesivamente.
Tener perfiles facilita crear mltiples contextos de simulacin. Es decir, usando los mismos
modelos exactos se pueden crear varios perfiles, cada uno con sus propias y especficas
propiedades y Requisitos de simulacin. La misma persona puede crear diferentes contextos de
prueba usando diferentes supuestos y entradas de distribucin o varias personas pueden probar
sus propios supuestos y salidas en el mismo modelo.
Inicie Excel y cree un nuevo modelo o abra uno ya existente (puede usar el ejemplo de
Modelo Bsico de Simulacin)
De Click en Simulador de Riesgo y seleccione Nuevo Perfil de Simulacin
Especifique un ttulo para su simulacin as como toda informacin pertinente (Figura
2.1)
Ingrese el nmero
deseado de intentos de
Ingrese un ttulo
simulacin (viene
relevante para esta determinado por
simulacin. defecto)
Seleccione si quiere
detener la simulacin
Seleccione si desea cuando se encuentra un
que las correlaciones
error (no est activado
sean consideradas en la
por defecto)
simulacin (viene
seleccionado por Seleccione e ingrese un
defecto) valor de capital si quiere
que la simulacin siga una
secuencia de nmero
aleatorio especfico (no
est activado inicialmente)
Figura 2.1 Nuevo Perfil de Simulacin
Ttulo: Especificar un ttulo de simulacin le permite crear mltiples perfiles de

simulacin en un solo libro de Excel. Esto significa que ahora puede guardar diferentes
perfiles de contexto de simulacin dentro del mismo modelo sin tener que borrar
supuestos ya existentes y cambiarlos cada vez que se requiera un nuevo contexto de

simulacin. Usted siempre puede cambiar el nombre del perfil ms tarde (Simulador de
Riesgo | Editar Perfil).
Nmero de intentos: Aqu es donde el nmero de intentos de simulacin requerido se
ingresa. O sea, correr 1,000 intentos significa que 1,000 repeticiones de salidas basadas
en los supuestos de entrada se generarn. Usted puede cambiar esto cuando desee pero la
entrada tiene que ser entero positivo. El nmero por default de corridas es de 1,000
intentos. Puede usar el control de precisin y error para automticamente ayudar a
determinar cuntos intentos de simulacin correr (vea la seccin de control de precisin y
error para ms detalles).
Pausar en un error de simulacin: Si se selecciona, la simulacin se detiene cada vez

que se encuentra un error en el modelo de Excel. Esto es, si su modelo encuentra un error
de computacin (por ejemplo, algunos valores de entrada generados en un intento de
simulacin podran tener como resultado un error por tener un valor dividido por cero en
una de sus celdas, la simulacin se detiene. Esto es importante para ayudar a auditar su
modelo para asegurarse que no haya errores computacionales en su modelo Excel. Sin
embargo, si usted est seguro de que su modelo funciona, entonces no hay necesidad que
se verifique est preferencia.
Activar correlaciones: Si selecciona, las correlaciones entre supuestos de entrada en

parejas sern computadas. De otra manera, las correlaciones sern establecidas a cero y
una simulacin se corre asumiendo que no hay correlaciones cruzadas entre los supuestos
de entrada. Como un ejemplo, aplicar correlaciones darn resultados ms exactos si
realmente las correlaciones existen, y tendr una tendencia a obtener una confiabilidad de
pronstico ms baja si existen correlaciones negativas. Despus de activar las
correlaciones, puede establecer los coeficientes de correlacin relevantes ms tarde en
cada supuesto generado (vea la seccin de correlaciones para ms detalles).
Especificar una secuencia de nmero aleatorio: por definicin, la simulacin producir

resultados ligeramente diferentes cada vez que una simulacin se ejecute. Esto es en
virtud de la rutina de generacin de nmeros aleatorios en la simulacin de Monte Carlo
y es un hecho terico en todos los generadores de nmeros aleatorios. No obstante, al
hacer presentaciones, algunas veces podra requerir los mismos resultados (especialmente
cuando el reporte que se presenta muestra un conjunto de resultados y durante una
presentacin en vivo quisiera presentar los mismos resultados que se estn generando, o
cuando est compartiendo modelos con otros y quisiera que los mismos resultados se
obtengan cada vez), entonces verifique est preferencia e ingrese un nmero de semilla
inicial. El nmero semilla puede ser cualquier entero positivo. Usando el mismo valor
semilla inicial, el mismo nmero de intentos, y los mismos supuestos de entrada, la
simulacin siempre producir la misma secuencia de nmeros aleatorios, garantizando el
mismo conjunto de resultados final.

Note que una vez que un nuevo perfil de simulacin ha sido creado, puede regresar ms tarde y
modificar estas selecciones. Para hacerlo, asegrese que el perfil activo actualmente es el perfil
que desea modificar, de otra manera, de Click en Simulador de Riesgo | Cambiar Perfil de
Simulacin, seleccione el perfil que desea cambiar y de Click en OK (la figura 2.2 muestra un
ejemplo donde hay perfiles mltiples y como activar el perfil seleccionado). Entonces de Click en
Simulador de Riesgo | Editar Perfil de Simulacin y haga los cambios requeridos. Tambin
puede duplicar o renombrar un perfil ya existente.
Figura 2.2 Cambiar Simulacin Activa
2. Definir Supuestos de Entrada
El paso siguiente es establecer los supuestos de entrada en su modelo. Note que los supuestos
solo pueden ser asignados a celdas sin ninguna ecuacin o funcin, es decir, valores numricos
escritos que son entradas en un modelo, en vista que los pronsticos de salida solo pueden ser
asignados a celdas con ecuaciones y funciones, es decir, salidas de un modelo. Recuerde que los
supuestos y pronsticos no pueden ser establecidos al menos que un perfil de simulacin ya
exista. Ejecute lo siguiente para establecer nuevos supuestos de entrada en su modelo:
Asegrese que exista un Perfil de Simulacin, o abra un perfil ya existente, inicie un

nuevo perfil (Simulador de Riesgo | Nuevo Perfil de Simulacin)
Seleccione la celda en la que desee establecer un supuesto (por ejemplo, celda G8 en el
ejemplo Modelo de Simulacin Bsico)
Haga Click en Simulador de Riesgo | Entrada de Supuestos o de Click en el tercer icono
en la barra de iconos de herramientas en el Simulador de Riesgo
Seleccione la distribucin que desee e ingrese los parmetros de distribucin relevantes y
presione OK para insertar el supuesto de entrada en su modelo (Figura 2.3)

Figura 2.3 Establecer un Supuesto de Entrada
Note que en las Propiedades de Supuesto, hay varias reas clave dignas de mencionar. La Figura
2.4 muestra las diferentes reas:
Nombre de Supuesto: Esta es un rea opcional que le permite ingresar nombres nicos
para que los supuestos ayuden a rastrear lo que cada supuesto representa. Una buena
prctica en modelacin es usar nombres de supuestos cortos pero precisos.
Galera de Distribucin: Esta rea a la izquierda muestra todas las diferentes

distribuciones disponibles en el software. Para cambiar las vistas, de Click a la derecha en
cualquier lugar de la galera y seleccione iconos grandes, iconos pequeos, o lista. Hay
ms de dos docenas de distribuciones disponibles.
Parmetros de Entrada: Dependiendo de la distribucin seleccionada, se muestran los

parmetros relevantes requeridos. Usted puede, ya sea, ingresar los parmetros
directamente o vincularlos a celdas especficas en su hoja de trabajo. Codificar o escribir
los parmetros es til cuando se asume que los parmetros de supuesto no cambian. Ligar
a las celdas de la hoja de trabajo es til cuando los parmetros de entrada necesitan ser
visibles o puedan ser cambiados (de Click en el icono de link para ligar un parmetro
de entrada a una celda de la hoja de trabajo).
Lmite de Distribucin: Estos no son usados tpicamente por el analista promedio pero
existen para truncar los supuestos dentro de la distribucin. Por ejemplo, si se selecciona
una distribucin normal, los lmites tericos se encuentran entre infinito negativo e
infinito positivo. Sin embargo, en la prctica, la variable simulada solo existe dentro de

algn rango ms pequeo y este rango puede entonces ser ingresado para truncar la
distribucin apropiadamente.
Correlaciones: Las correlaciones en pares pueden ser asignadas a supuestos de entrada.

Si los supuestos son requeridos, recuerde verificar la preferencia Encender Correlaciones
al dar Click en Simulador de Riesgo Editar Perfil de Simulacin. Vea la discusin en
correlaciones ms tarde en este captulo para ms detalles de cmo asignar correlaciones
y los efectos que las correlaciones tendrn en un modelo. Note que usted puede, ya sea,
truncar una distribucin o correlacionarla a otro supuesto pero no ambos efectos.
Descripciones Cortas: Estas existen para cada distribucin en la galera. Las

descripciones cortas explican cuando una cierta distribucin es usada as como los
Requisitos de parmetro de entrada. Vea la seccin en Entender Distribuciones de
Probabilidad para Simulacin de Monte Carlo para detalles en cada tipo de distribucin
disponibles en el software.
Diferentes vistas Ingrese el nombre del supuesto Ingrese los parmetros

existen en esta Galera de la distribucin
de Distribucin seleccionada
Ingrese un nuevo lmite

o deje como estn los
Una descripcin corta lmites de la
de la distribucin est distribucin
disponible aqu Use esta rea para aadir, editar, o remover
correlaciones entre supuestos
Figura 2.4 Propiedades de un Supuesto
Nota: Si usted est siguiendo el ejemplo, contine estableciendo otro supuesto en la celda G9.
Est vez use la distribucin Uniforme con un valor mnimo de 0.9 y un valor mximo de 1.1.
Entonces proceda a definir el pronstico de salida en el siguiente paso.
3. Definir Pronsticos de Salida
El siguiente paso es definir pronsticos de salida en el modelo. Los pronsticos solo pueden ser
definidos en celdas de salida con ecuaciones o funciones. Lo siguiente describe el proceso para
establecer pronsticos:

Seleccione la celda en la que desea establecer el supuesto (por ejemplo, celda G10 en el
ejemplo Modelo de Simulacin Bsico)
De Click en Simulador de Riesgo y seleccione Pronstico de Salida o de Click en el
cuarto icono en la barra de iconos de herramientas en el Simulador de Riesgo (Figura 1.3)
Ingrese la informacin relevante y de OK
La figura 2.5 ilustra el conjunto de propiedades para establecer un pronstico.
Nombre de Pronstico: Especifique el nombre de la celda de pronstico. Esto es

importante porque cuando se tiene un modelo grande con mltiple celdas de pronstico,
el nombrar las celdas de pronstico individualmente le permite acceder a los resultados
correctos rpidamente. No subestime la importancia de este simple paso. Una buena
prctica en modelacin es usar nombres de supuestos cortos pero precisos.
Precisin de Pronstico: En vez de confiar en un clculo aventurado de cuantos intentos

correr en su simulacin, puede precisar o establecer controles de error y precisin.
Cuando una combinacin de error-precisin ha sido alcanzada en la simulacin, la
simulacin pausar e informar de la precisin lograda, haciendo del nmero de intentos
de simulacin un proceso automatizado y no requiere estimaciones o conjeturas en el
nmero requerido de intentos para simular. Revise la seccin de control de precisin y
error para detalles ms especficos.
Mostrar Ventana de Pronstico: Le permite al usuario mostrar o no una ventana de

pronstico en particular. El default es mostrar siempre una grfica de pronstico.
Nombre de
Pronstico
Especifique los
controles de
precisin y error Usted puede
de pronstico vincular el
nombre de
pronstico a una
Especifique si celda en su hoja
desea que este
pronstico este
visible
Figure 2.5 Establecer un Pronstico de Salida

4. Correr una Simulacin
Si todo se ve bien, solo de Click en Simulador de Riesgo | Correr Simulacin o de Click en el

icono Correr (el octavo icono en la barra de herramientas del Simulador de riesgo) y la
simulacin proceder. Usted puede tambin restablecer una simulacin despus que sta haya
corrido para volver a correrla (Simulador de Riesgo | Restablecer Simulacin o el decimo icono
en la barra de herramientas), o para pausarla durante una corrida. Tambin, la funcin paso a
paso (Simulador de Riesgo | Simulacin Paso a Paso o el noveno icono en la barra de
herramientas) le permite simular un solo intento, uno a la vez, til para educar a otros en
simulacin (es decir, usted puede mostrar cada intento, todos los valores de los supuestos estn
siendo reemplazados y el modelo entero es recalculado cada vez).
5. Interpretar los Resultados de Pronstico
El paso final en la simulacin Monte Carlo es interpretar las grficas de pronstico resultantes.
Las figuras 2.6 a la 2.13 muestran las grficas de los pronsticos y las estadsticas
correspondientes generadas despus de correr una simulacin. Tpicamente, lo siguiente es
importante, ya que se interpretan los resultados de una simulacin:
Grfica de Pronstico: La grfica de pronstico mostrada en la Figura 2.6 es un

histograma de probabilidad que muestra los clculos de frecuencia de valores ocurriendo
en el nmero total de intentos simulados. Las barras verticales muestran la frecuencia de
un valor x particular ocurriendo en un nmero total de intentos, mientras la frecuencia
acumulativa (lnea uniforme) muestra el total de probabilidades de todos los valores en y
debajo de x ocurriendo en el pronstico.
Estadsticas de Pronstico: Las estadsticas de pronstico mostradas en la Figura 2.7

resumen la distribucin de los valores de pronstico en trminos de los cuatro momentos
de una distribucin. Vea la seccin Entendiendo las Estadsticas de Pronstico para ms
detalles en cuanto a que significan estas estadsticas. Puede rotar entre el histograma y la
pestaa de estadsticas al presionar la barra correspondiente.

Figura 2.6 Grfica de Pronstico
Figura 2.7 Estadstica del Pronstico
Preferencias: La pestaa de preferencias en la grfica de pronstico le permite cambiar

la vista y la percepcin de las grficas. Por ejemplo, si se selecciona Siempre mostrar
ventana en primer plano, las grficas de pronstico siempre sern visibles sin tomar en
cuenta que otros programas estn corriendo en su computadora. Resolucin de
Histograma le permite cambiar el nmero de barras del histograma, desde cualquier
punto de 5 barras a 100 barras. Tambin al seleccionar Actualizar Datos le permite
controlar que tan rpido corre la simulacin mientras se actualiza la grfica de pronstico.

Esto es, si desea ver la grfica de pronstico actualizada en casi cada intento, esto volver
ms lenta la simulacin ya que ms memoria est siendo colocada para actualizar la
grfica en contra de correr la simulacin. Esto es totalmente una preferencia del usuario y
no cambia los resultados de la simulacin, slo la velocidad de finalizacin de la
simulacin. Para incrementar la velocidad de la simulacin ms adelante, puede
minimizar Excel mientras la simulacin est corriendo, de este modo reduciendo la
memoria requerida para actualizar visualmente la hoja de Excel y liberar la memoria para
correr la simulacin. Los controles Cerrar Todo y Minimizar Todo controlan todas las
grficas de pronstico abiertas.
Figura 2.8 Preferencias de Grfica de Pronstico
Opciones: Est opcin de grfica de pronstico le permite mostrar todos los datos de
pronstico o filtrar valores dentro/fuera que caigan en algn intervalo especifico que
escoja. Tambin el control de precisin puede ser establecido aqu para que este
pronstico especificado muestre los niveles de error en la tabla de estadsticas. Vea la
seccin sobre controles de precisin y errores para ms detalles. Mostrar las Estadsticas
Siguientes es una preferencia del usuario relacionado con las lneas de media, mediana,
primer y tercer cuartil (25o y 75o percentiles) deben ser mostrados en la grfica del
pronstico.

Figura 2.9 Grfica de Pronstico

Usar Grficas de Pronstico e Intervalos de Confianza
En las grficas de pronstico usted puede determinar la probabilidad de ocurrencia definiendo

intervalos de confianza. Esto es, dado dos valores, cules son las probabilidades de que el
resultado caiga entre estos dos valores? La Figura 2.10 ilustra que hay un 90% de probabilidad de
que el resultado final (en este caso, el nivel de ingreso) este entre $0.5273 y $1.1739. El intervalo
de confiabilidad de dos colas puede ser obtenido primero seleccionando Dos Colas como el Tipo,
ingresando el valor de certeza deseado (por ejemplo, 90) y dando TAB en el teclado. Los dos
valores computados correspondientes al valor de certeza sern entonces mostrados. En este
ejemplo, hay 5% de probabilidad de que el ingreso est por debajo de $0.5273 y otro 5% de
probabilidad de que el ingreso est arriba de $1.1739. Esto es, el intervalo de confianza de dos
colas es un intervalo simtrico centrado en el intermedio o el valor del 50 percentil. As, ambas
colas tendrn la misma probabilidad.
Figura 2.10 Grfica de Pronstico de Intervalo de Confiabilidad de Dos Colas
Alternativamente, una probabilidad de una cola puede ser calculada. La Figura 2.11 muestra una
seleccin de Cola Izquierda al 95% de confianza (es decir, escoja Cola Izquierda como el Tipo,
ingrese 95 como el nivel de certeza, y de TAB en el teclado). Esto significa que hay un 95% de
probabilidad de que el ingreso est arriba de $1.1739, correspondiendo perfectamente con los
resultados vistos en la Figura 2.10.

Figura 2.11 Grfica de Pronstico del Intervalo de Confianza de Una Cola
Adems de evaluar lo que es el intervalo de confianza (es decir, dado un nivel de probabilidad y
encontrando los valores de ingreso relevantes), usted puede determinar la probabilidad de un
valor de ingreso dado. Por ejemplo, cul es la probabilidad de que el ingreso sea menos de $1?
Para hacer esto, seleccione el tipo de probabilidad de Cola Izquierda, ingrese 1 en la casilla de
entrada de valor y de TAB. La certeza correspondiente entonces ser calculada (en este caso hay
una probabilidad del 74.30% de que el ingreso est por debajo de $1).
Figura 2.12 Grfica de Pronstico de Evaluacin de Probabilidad

Es posible tambin, seleccionar el tipo de probabilidad de Cola Derecha e ingresar el valor 1 en la
casilla de entrada de valor, y dar TAB. La probabilidad resultante indica la probabilidad de cola
derecha ms all del valor 1, esto es, la probabilidad de ingreso que exceda a $1 (en este caso
vemos que hay una probabilidad del 25.70% de un ingreso superior a $1).
Figura 2.13 Grfica de Pronstico de Evaluacin de Probabilidad
TIPS: La ventana de pronstico es ajustable al dar Click y arrastrar la esquina derecha del fondo
de la ventana de pronstico. Finalmente, siempre es aconsejable que antes de volver a correr una
simulacin, la simulacin actual deba ser restablecida (Simulador de Riesgo | Restablecer
Simulacin). Recuerde que necesitar dar TAB en el teclado para actualizar la grfica y los
resultados cuando escriba los valores de certeza o valores de cola derecha o izquierda.
Correlaciones y Control de Precisin
Lo Bsico de las Correlaciones
El coeficiente de correlacin es una medida de la fuerza y la direccin de la relacin entre dos

variables, y puede tomar cualquier valor entre -1.0 y +1.0. Es decir, el coeficiente de correlacin
puede ser descompuesto en su signo (relacin positiva o negativa entre dos variables) y la
magnitud o fuerza de la relacin (entre ms alto el valor absoluto del coeficiente de correlacin,
ms fuerte es la relacin).
El coeficiente de correlacin puede ser computado en varias maneras. El primer enfoque es

calcular manualmente la correlacin r de dos variables x y y usando:

n xi y i xi y i
rx , y
n xi2 xi n y i2 y i
2 2
El Segundo enfoque es usar la funcin de CORREL de Excel. Por ejemplo, si los 10 puntos de
datos por x y y son ordenadas en las celdas A1:B10, entonces la funcin de Excel a usar es:
CORREL (A1:A10, B1:B10).
El tercer enfoque es correr la Herramienta Multi-Ajuste del Simulador de Riesgo y la matriz de

correlacin resultante ser calculada y mostrada.
Es importante notar que la correlacin no implica causa. Dos variables aleatorias completamente
no relacionadas podran mostrar alguna correlacin, pero esto no significa que exista alguna causa
entre las dos (por ejemplo, actividad de las mancha solares y eventos en el mercado de valores
estn correlacionados pero no hay causa entre los dos).
Hay dos tipos generales de correlacin: correlaciones paramtricas y no paramtricas. El

Coeficiente de Correlacin de Pearson es la medida de correlacin ms comn, y usualmente se
refiere como coeficiente de correlacin. No obstante, la correlacin de Pearson es una medida
paramtrica, lo cual significa que requieren ambas variables estn correlacionadas para tener una
distribucin normal subyacente y que la relacin entre las variables sea lineal. Cuando estas
condiciones se violan, lo cual es muy seguido en el caso de la simulacin Monte Carlo, las
contrapartes no paramtricas se vuelven ms importantes.
El Rango de Correlacin de Spearman y el Tau de Kendall son las dos alternativas. La

correlacin de Spearman es ms comnmente usada y ms apropiada cuando se aplica en el
contexto de la simulacin de Monte Carlono hay dependencia en distribucin normal y
linealidad, significando que las correlaciones entre variables diferentes con diferente distribucin
pueden ser aplicadas. Para calcular la correlacin de Spearman, primero clasifique todos los
valores de variable x y y entonces aplique el clculo de la correlacin de Spearman.
En el caso del Simulador de Riesgo, la correlacin empleada es la correlacin ms robusta del

rango no paramtrico de Spearman. Sin embargo, para simplificar el proceso de simulacin, y ser
consistente con la funcin de correlacin de Excel, las entradas de correlacin requeridas son las
del coeficiente de correlacin de Pearson. El Simulador de Riesgo entonces aplicar sus propios
algoritmos para convertirlos dentro del rango de correlacin de Spearman, de este modo se
simplifica el proceso. Sin embargo, para simplificar la interfaz del usuario, permitimos que los
usuarios ingresen el producto del momento ms comn de la correlacin de Pearson (por ejemplo,
computado usando la funcin CORREL de Excel), mientras que en los cdigos matemticos,
convertimos estas correlaciones simples en correlaciones basadas en el rango de Spearman para
simulaciones de distribucin.

Aplicar Correlaciones en el Simulador de Riesgo
Las correlaciones pueden ser aplicadas en el Simulador de Riesgo de varias maneras:
Al definir supuestos (Simulador de Riesgo Establecer Supuestos de Entrada), slo

ingrese las correlaciones en la matriz de correlacin en la Galera de Distribucin.
Con los datos existentes, corra la herramienta Multi-Ajuste (Simulador de Riesgo

Herramientas Ajuste Distribucin Mltiple) para ejecutar el ajuste de distribucin y
obtener la matriz de correlacin entre un par de variables. Si existe un perfil de
simulacin, los supuestos ajustados automticamente van a contener los valores de
correlacin relevantes.
Con supuestos existentes, puede dar Click en Simulador de Riesgo Herramientas |

Editar Correlaciones para ingresar las correlaciones en par de todos los supuestos
directamente en la interfaz de usuario.
Note que la matriz de correlacin debe de ser positiva definida. Esto es, la correlacin debe de ser
matemticamente vlida. Por ejemplo, suponga que est intentando correlacionar tres variables:
calificaciones de estudiantes graduados en un ao en particular, el nmero de cervezas que ellos
consumen en una semana, y el nmero de horas que estudian en una semana. Uno supondra que
las siguientes relaciones de correlacin existen:
Calificaciones y Cerveza: Entre ms beben, calificaciones ms bajas (no en exmenes)

Calificaciones y Estudio: + Entre ms estudian, calificaciones ms altas
Cerveza y Estudio: Entre ms beben, estudian menos (ebrios y festejando todo el
tiempo)
Sin embargo, si usted suministra una correlacin negativa entre Calificaciones y Estudio, y
suponiendo que los coeficientes de la correlacin tienen altas magnitudes, la matriz de correlacin
ser no definida positiva. Parecera lgico, Requisitos de correlacin, y matemticas matriciales.
No obstante, coeficientes ms pequeos pueden algunas veces funcionar an con una lgica
errada. Cuando se ingresa una matriz de correlacin no positiva o errnea, el Simulador de
Riesgo automticamente le informar, y le ofrecer ajustar estas correlaciones a algo que sea
semipositivo definido mientras mantiene la estructura completa de la relacin de la correlacin
(los mismos signos as como las mismas potencias relativas).

Los Efectos de Correlaciones en la Simulacin de Monte Carlo
Aunque los clculos requeridos para correlacionar variables en una simulacin son complejos, los
efectos resultantes son bastante claros. La Figura 2.14 muestra un modelo de correlacin simple
(Modelo de Efectos de Correlacin en la carpeta de ejemplo) El clculo de la ganancia es
solamente el precio multiplicado por la cantidad. El mismo modelo es duplicado sin
correlaciones, correlacin positiva (+0.8), y correlacin negativa (-0.8) entre el precio y cantidad.
Figura 2.14 Modelo de Correlacin Simple
Las estadsticas resultantes se muestran en la Figura 2.15. Note que la desviacin estndar del
modelo sin correlaciones es de 0.1450, comparado con 0.1886 para la correlacin positiva y
0.0717 para la correlacin negativa. Es decir, para modelos simples, las correlaciones negativas
tienden a reducir la extensin promedio de la distribucin y crear una ajustada y ms concentrada
distribucin del pronstico cuando se compara a las correlaciones positivas con extensiones de
promedio ms grandes. En todo caso, la media permanece relativamente estable. Esto implica que
las correlaciones hacen poco para cambiar el valor esperado de proyectos pero pueden reducir o
incrementar un riesgo de proyecto.

Figura 2.15 Resultados de Correlacin
La Figura 2.16 ilustra los resultados despus de correr una simulacin, extrayendo los datos sin
analizar de los supuestos y calculando las correlaciones entre las variables. La figura muestra que
los supuestos de entrada son recuperados en la simulacin. Esto es, usted ingresa correlaciones
+0.8 y -0.8 y los valores simulados resultantes tienen las mismas correlaciones.
Figura 2.16 Correlaciones Recuperadas

Control de Precisin y Error
Una herramienta muy poderosa en la simulacin de Monte Carlo es la del control de precisin.
Por ejemplo, cuntos intentos son considerados suficientes para correr en un modelo complejo?
El control de precisin saca al tanteo la estimacin del nmero relevante de intentos al permitir
que la simulacin se detenga si el nivel de precisin pre especificado es alcanzado.
La funcionalidad del control de precisin le deja establecer cun preciso quiere que sea su
pronstico. Hablando en trminos generales, entre ms intentos son calculados, el intervalo de
confiabilidad se hace ms angosto y las estadsticas se vuelven ms precisas. La presentacin del
control de precisin en el Simulador de Riesgo usa la caracterstica de intervalos de confianza
para determinar cuando la exactitud especificada de una grfica ha sido lograda. Para cada
pronstico, usted puede especificar el intervalo de confianza para el nivel de precisin.
Asegrese de no confundir tres diferentes trminos: error, precisin y confiabilidad. Aunque

suenan similares, los conceptos son significativamente distintos. Una simple ilustracin est al
orden. Suponga que usted es un fabricante de tortillas especiales para tacos y est interesado en
averiguar cuantas de estas tortillas estn rotas en promedio en una caja de 100 de ellas. Una
manera de hacer esto es recolectar una muestra de cajas previamente empacadas de 100 tortillas,
abrirlas, y contar cuntas de ellas estn rotas. Usted manufactura 1 milln de cajas al da (est es
su poblacin) pero usted abre 10 cajas al azar (este es su tamao de muestra, tambin conocida
como su nmero de intentos en una simulacin). El nmero de tortillas rotas en cada caja es: 24,
22, 4, 15, 33, 32, 4, 1, 45 y 2. El nmero promedio calculado de tortillas rotas es de 18.2. Basado
en estas 10 pruebas o intentos, el promedio es de 18.2 unidades, ya que basado en el ejemplo, el
80 por ciento de confiabilidad del intervalo est ubicado entre 2 y 33 unidades (es decir, 80 por
ciento del tiempo, el nmero de tortillas rotas est entre 2 y 33 basado en esta tamao de muestra
o nmero de intentos ejecutados).
Sin embargo, qu tan seguro est usted de que 18.2 es el promedio correcto? Son 10 intentos
suficientes para establecer esto? El intervalo de confianza entre 2 y 33 es demasiado amplio y
demasiado variable. Suponga que usted requiere un valor del promedio ms exacto donde el error
es de 2 tortillas el 90 por ciento del tiempo---esto significa que si para usted todas las cajas
manufacturadas en un da, o sea 1 milln de ellas, 900,000 de estas cajas tendrn tortillas rotas en
promedio a alguna unidad media de 2 tortillas. Cuntas cajas ms de tortillas necesitara usted
entonces probar (o correr intentos) para obtener este nivel de precisin? Aqu, las 2 tortillas es el
nivel de error mientras el 90 por ciento es el nivel de precisin. Si suficientes nmeros de intentos
son corridos, entonces el 90 por ciento del intervalo de confianza ser idntico al 90 por ciento
del nivel de precisin, donde una medida ms precisa del promedio es obtenida de manera tal que
el 90 por ciento del tiempo, el error, y por ende, la confiabilidad sern 2 tortillas.

Como un ejemplo, digamos que el promedio es de 20 unidades, entonces el 90 por ciento del
intervalo de confianza estar entre 18 y 22 unidades, donde este intervalo es preciso el 90 por
ciento del tiempo, donde al abrir el milln de cajas, 9000 de ellas tendrn entre 18 y 22 tortillas
rotas. El nmero de intentos requerido para dar esta precisin est basado en la ecuacin de error
de prueba de x Z s donde Z s es el error de 2 tortillas, x es el promedio de prueba, Z es el
n n
puntaje normal-Estndar Z obtenido del 90 por ciento del nivel de precisin, s es la desviacin
estndar de la muestra y n es el nmero de intentos requeridos para dar este nivel de error con la
precisin especificada.
Las Figuras 2.17 y 2.18 ilustran como el control de precisin puede ser ejecutado en mltiples
pronsticos simulados en el Simulador de Riesgo. Esta caracterstica evita que el usuario tenga
que decidir cuntos intentos correr en una simulacin y elimina toda posibilidad de tanteo.
Figura 2.17 Establecer el Nivel de Precisin del Pronstico

Figura 2.18 Computando el Error
Entender las Estadsticas de Pronstico
La mayora de las distribuciones pueden ser definidas hasta cuatro momentos. El primer momento
describe su localizacin o tendencia central (retornos esperados), el segundo momento describe
su amplitud o extensin (riesgos), el tercer momento es desviacin direccional (los eventos ms
probables), y el cuarto momento su grado ms alto o amplitud en las colas (prdidas o ganancias
catastrficas). Los cuatro momentos deben de ser calculados prcticamente e interpretados para
proveer una visin ms comprensible del proyecto bajo anlisis. El Simulador de Riesgo provee
resultados de los cuatro momentos en su tabla de Estadsticas en la grfica de pronstico.
Medir el Centro de la Distribucinel Primer Momento
El primer momento de una distribucin mide la proporcin esperada de la ganancia de un

proyecto particular. Mide la localizacin de los contextos del proyecto y posibles resultados en
promedio. Las estadsticas comunes para el primer momento incluyen la media (promedio),
mediana (centro de distribucin), y la moda (el valor que ocurre ms frecuentemente). La Figura
2.19 ilustra el primer momentodonde, en este caso, el primer momento de esta distribucin se
mide por la media ( o valor promedio.

1 1=2 2
Desviacin = 0
CurtsisXS = 0
1 1 2 2
Figura 2.19 Primer Momento
Medir la Extensin de la Distribucinel Segundo Momento
El Segundo momento mide la extensin de una distribucin, la cual es una medida de riesgo. La
extensin o amplitud de una distribucin mide la variabilidad de una variable, es decir, el
potencial de que una variable pueda caer en diferentes regiones de la distribucinen otras
palabras, los potenciales escenarios de los resultados. La Figura 2.20 ilustra dos distribuciones
con primeros momentos idnticos (medias idnticas) pero segundos momentos muy diferentes o
riesgos. La visualizacin puede ser ms clara en la Figura 2.21. Como ejemplo, supongamos que
hay dos acciones y los movimientos de la primera accin (ilustrado por la lnea ms oscura) con
fluctuaciones ms pequeas es comparado con los movimientos de la segunda accin (ilustrado
por la lnea punteada) que tiene una fluctuacin mucho mayor en su precio. Claramente un
inversionista vera la accin con la fluctuacin ms dispersa como ms riesgosa porque los
resultados de la accin ms arriesgada son relativamente ms desconocidos que el de la accin de
menor riesgo. El eje vertical en la Figura 2.21 mide los precios de las acciones, de esta manera, la
accin ms riesgosa tiene un rango ms amplio de resultados potenciales. Este rango se traduce
en una amplitud de distribucin (el eje horizontal) en la Figura 2.20, donde la distribucin ms
amplia representa el capital ms riesgoso. De ah que, la amplitud o extensin de una distribucin
mide los riesgos de una variable.
Note que en la Figura 2.20, ambas distribuciones tienen primeros momentos idnticos o
tendencias centrales pero claramente las distribuciones muy son diferentes. Est diferencia en la
amplitud de distribucin es medible. Matemtica y estadsticamente, la amplitud o riesgo de una
variable puede medirse a travs de diferentes estadsticas, incluyendo el rango, la desviacin
estndar (), varianza, coeficiente de variacin, y percentiles.

2
Desviacin = 0
CurtsisXS = 0
1 = 2
Figura 2.20 El Segundo Momento
Precios de las
acciones
Figura 2.21 Fluctuaciones del Precio de una accin Tiempo
Medir la Desviacin de la Distribucinel Tercer Momento
El tercer momento mide la desviacin de una distribucin, es decir, la distribucin est orientada
hacia un lado o al otro. La Figura 2.22 ilustra una desviacin negativa o desviacin izquierda (la
cola de los puntos de la distribucin est orientada hacia a la izquierda) y la Figura 2.23 ilustra
una desviacin positiva o desviacin derecha (la cola de los puntos de la distribucin est
orientada a la derecha). La media es siempre desviada hacia la cola de la distribucin mientras
que la mediana permanece constante. Otra manera de ver esto es que la media se mueve pero la
desviacin estndar, varianza, o amplitud pueden permanecer an constante. Si el tercer momento
no es considerado, entonces slo se deberan mirar los retornos esperados (por ejemplo, mediana
o media) y el riesgo (desviacin estndar), un proyecto positivamente desviado podra ser
escogido incorrectamente!

Por ejemplo, si el eje horizontal representa las ganancias netas de un proyecto, entonces
claramente una distribucin desviada negativamente o a la izquierda podra se preferida ya que
hay una probabilidad ms alta de mayores ganancias (Figura 2.22) comparada a probabilidad ms
alta de un nivel menor de mayores ganancias (Figura 2.23). De este modo, en una distribucin
desviada, el promedio es una mejor medida de ganancias, ya que las medianas para ambas figuras
2.22 y 2.23 son idnticas, los riesgos son idnticos, y de ah, un proyecto con distribucin
negativamente desviada en sus beneficios netos es una mejor opcin. La falla al estimar una
desviacin de una distribucin de un proyecto podra significar escoger el proyecto incorrecto
(por ejemplo, dos proyectos podran tener primeros y segundos momentos idnticos, es decir,
ambos tienen ganancias y perfiles de riesgo idnticos, pero sus desviaciones de distribucin
pueden ser muy diferentes).
1 = 2
Desviacin < 0
CurtsisXS = 0
1 2 1 2
Figura 2.22 Tercer Momento (Desviacin Izquierda)
1 = 2
Desviacin > 0
CurtsisXS = 0
1 2 1 2
Figura 2.23 Tercer Momento (Desviacin Derecha)
Medir la Cola de Eventos Catastrficos en una Distribucinel Cuarto Momento
El cuarto momento o Curtosis mide el punto ms alto de una distribucin. La Figura 2.24 ilustra
este efecto. El fondo (denotado por una lnea punteada) es una distribucin normal con Curtosis
de 3.0, un exceso de Curtosis (CurtosisXS) de 0.0. Los resultados del Simulador de Riesgo
muestran que el valor de CurtosisXs, usando 0 como el nivel normal de Curtosis, lo que significa

que una CurtosisXS negativa indica colas ms planas (distribuciones platicrtica como la
distribucin Uniforme), mientras los valores positivos indican colas ms gruesas (distribuciones
leptocrticas como las distribuciones de t - student o Lognormal). La distribucin descrita por la
lnea en negrita tiene un exceso de Curtosis ms alto, as que el rea debajo de la curva es ms
gruesa en las colas y tiene menos rea en el cuerpo central. Est condicin tiene mayores
impactos en el anlisis de riesgo como para las dos distribuciones en la Figura 2.24, Los primeros
tres momentos (medio, desviacin Estndar, y desviacin) pueden ser idnticos pero el cuarto
momento (Curtosis) es discreta. Est condicin significa que, aunque las ganancias y riesgos son
idnticos, las probabilidades de que ocurran eventos extremos y catastrficos (grandes prdidas
potenciales o grandes ganancias) sean ms altas para una distribucin de alta Curtosis (por
ejemplo, las ganancias del mercado de bolsa son leptocrticas o tienen Curtosis altas). Ignorar la
Curtosis de un proyecto puede ser perjudicial. Bsicamente, un valor con exceso de Curtosis ms
alto indica que los riesgos debajo son ms altos (por ejemplo, el Valor en Riesgo de un proyecto
podra ser significante).
1 = 2
Desviacin =0
Curtsis >0
1 = 2
Figura 2.24 El Cuarto Momento

Entender las Distribuciones de Probabilidad para una Simulacin Monte Carlo
Esta seccin demuestra el poder de la simulacin Monte Carlo, pero para comenzar con la
simulacin, se necesita primero el concepto de distribuciones de probablidad. Para empezar a
comprender probabilidad, considere este ejemplo: Usted desea observar la distribucin de salarios
no exentos dentro de cierto departamento de una gran compaa. Primero, rena datos sin
analizaren este caso, los salarios de cada empleado sin excepcin en el departamento. Segundo,
organice los datos en un formato adecuado y trace los datos como una distribucin de frecuencias
en una grfica. Para crear una distribucin de frecuencia, divida los salarios en intervalos de
grupo y muestre estos intervalos en el eje horizontal de la grfica. Despus ordene el nmero o
frecuencia de empleados en cada intervalo en el eje vertical de la grfica. Ahora ya puede ver
fcilmente la distribucin de salarios dentro del departamento
Una mirada a la grfica ilustrada en la Figura 2.25 revela que la mayora de los
empleados (aproximadamente 60 de un total de 180) gana entre $7.00 a $9.00 por hora.
Figura 2.25 Histograma de Frecuencia I

Usted puede poner en una grfica los datos como una distribucin de probablidad. Una
distribucin de probabilidad muestra el nmero de empleados en cada intervalo como una
fraccin del nmero total de empleados. Para crear una distribucin de probablidad, divida el
nmero de empleados en cada intervalo por el nmero total de empleados y enliste los resultados
en el eje vertical de la grfica.
La grfica en la Figura 2.26, muestra el nmero de empleados en cada grupo de salario
como una fraccin de todos los empleados; puede estimar la probabilidad de que un empleado
seleccionado al azar del grupo entero gane un salario dentro de un intervalo definido. Por
ejemplo, suponiendo las mismas condiciones que existen en el momento que el ejemplo fue
tomado, la probabilidad es de 0.33 (una oportunidad de tres) de que un empleado sacado al azar
del grupo entero gane entre $8.00 y $8.50 por hora)
Figura 2.26 Histograma de Frecuencia II
Las distribuciones de probabilidad son, discretas o continuas. Las Distribuciones de

Probabilidad Discreta describen valores discretos, enteros, sin valores intermedios y se muestran
como una serie de barras verticales. Una distribucin Discreta, por ejemplo, puede describir el
nmero de caras en cuatro lanzamientos de una moneda como 0, 1, 2, 3, y 4. Las Distribuciones
Continuas son realmente abstracciones matemticas porque suponen la existencia de cualquier
intervalo posible entre dos nmeros. Es decir, una distribucin continua asume que hay un
nmero infinito de valores entre dos puntos cualquiera, en la distribucin. Sin embargo, en
muchas situaciones, usted puede usar una distribucin Continua efectivamente para aproximar
una distribucin Discreta an cuando el modelo continuo no necesariamente describa la situacin
exactamente.
Seleccionar la Distribucin de Probablidad Correcta

Grficar los datos es una gua para seleccionar una probabilidad de distribucin. Los pasos
siguientes proveen de otro proceso para seleccionar una distribucin de probabilidad que mejor
describa las variables inciertas en sus hojas de trabajo.
Para seleccionar la distribucin de probabilidad correcta, siga los siguientes pasos:
Vea la variable en cuestin. Haga una lista de todo lo que sabe de las condiciones alrededor
de esta variable. Usted podra reunir valiosa informacin acerca de la variable incierta a partir
de los datos histricos. Si los datos histricos no estn disponibles, use su propio criterio,

basado en la experiencia, al enlistar todo lo que conozca acerca de la variable incierta.
Revise las descripciones de las distribuciones de probabilidad.
Seleccione la distribucin que caracteriza a esta variable. Una distribucin caracteriza a una
variable cuando las condiciones de la distribucin hacen juego con las de la variable.
Simulacin de Monte Carlo

Una simulacin Monte Carlo en su forma ms simple es un generador de nmeros aleatorios que
es til para anlisis de pronstico, estimacin y riesgo. Una simulacin calcula numerosos
contextos o escenarios de un modelo al escoger repetidamente valores de una distribucin de
probabilidad de un usuario predefinido para las variables inciertas y usando esos valores como
insumo para el modelo. Ya que todos esos contextos producen resultados asociados en un
modelo, donde cada contexto puede tener un pronstico. Los pronsticos son eventos
(usualmente con frmulas o funciones) que usted define como salidas importantes del modelo.
Estas usualmente son eventos tales como totales, ganancia neta, o gasto bruto.
De una manera muy sencilla, piense en el enfoque de la simulacin Monte Carlo como sacar
pelotas de golf de una gran canasta repetidamente con reemplazo. La medida y forma de la
canasta depende del supuesto de entrada de distribucin (por ejemplo, una distribucin normal
con una media de 100 y una desviacin estndar de 10, contra una distribucin uniforme o
distribucin triangular) donde algunas canastas son ms profundas o ms simtricas que otras,
permitiendo que ciertas pelotas sean sacadas ms frecuentemente que otras. El nmero de pelotas
sacadas repetidamente depende del nmero de intentos simulados. Para un modelo grande con
mltiples supuestos relacionados, imagine que el modelo grande es una canasta muy grande,
donde varias canastas beb residen. Cada canasta beb tiene su propio conjunto de pelotas de golf
que estn rebotando alrededor. Algunas veces estas canastas bebs estn tomadas de las manos
unas con otras (si hay una correlacin entre las variables) y las pelotas de golf estn rebotando en
parejas mientras que otras estn rebotando independientemente una de otra. Las pelotas que son
escogidas cada vez tienen interacciones dentro del modelo (la gran canasta central) son tabuladas
y registradas, dando un resultado de salida de pronstico de la simulacin.
Con la simulacin Monte Carlo, el Simulador de Riesgo genera valores aleatorios para cada
supuesto de distribucin de probabilidad que son totalmente independientes. En otras palabras, el
valor aleatorio seleccionado para un intento no tiene efecto en el prximo valor aleatorio
generado. Utilice las pruebas de Monte Carlo cuando quiera simular contextos de supuestos-
reales-si para su modelo de hoja de clculo.

Distribuciones Discretas
El siguiente es un listado detallado de los diferentes tipos de distribucines de probabilidad que

pueden ser usadas en la simulacin Monte Carlo. Esta lista se incluye en el apndice para
referencia del lector.
Distribucin Bernoulli o Si/No
La distribucin Bernoulli es una distribucin Discreta con dos resultados (por ejemplo, cara o
cruz, xito o fallo, 0 o 1). La distribucin Bernoulli es la distribucin binomial con un intento y
puede ser usada para simular condiciones Si/No o xito/Fallo. Est distribucin es piedra base de
otras distribuciones ms complejas. Por ejemplo:
Distribucin Binomial: la distribucin Bernoulli con el nmero ms alto del total de

intentos n y calcula la probabilidad de xitos x dentro de este total de intentos.
Distribucin Geomtrica: la distribucin Bernoulli con el nmero ms alto de
intentos y calcula el nmero de fallos requeridos antes de que ocurra el primer xito.
Distribucin Binomial Negativa: la distribucin Bernoulli con el nmero ms alto de
intentos y computa el nmero de fallos antes de que el x-esimo xito ocurra.
Las construcciones matemticas para la distribucin de Bernoulli son las siguientes:
1 p para x 0
P (n)
p para x 1
o
P (n) p x (1 p )1 x
Media p
Desviacin estandar p (1 p )
1 2 p
Asimetra=
p (1 p )
6p2 6p 1
Exceso de Curtosis =
p (1 p )
La probabilidad de xito (p) es el nico parmetro de distribucin. Tambin es importante notar

que slo hay un intento en la distribucin Bernoulli, y el valor simulado resultante es de 0 1.
Requisitos de Entrada:
Probabilidad de xito > 0 y < 1 (es decir, 0.0001 p 0.9999)

Distribucin Binomial
La distribucin binomial describe el nmero de veces en el que un evento en particular ocurre en

un nmero fijo de intentos, tales como el nmero de caras en 10 vueltas de una moneda o el
nmero de artculos defectuosos escogidos de entre 50.
Condiciones
Las tres condiciones subyacentes a la distribucin binomial son:
Para cada intento, slo dos resultados son posibles dado que son mutualmente exclusivos.
Los intentos son independienteslo que sucede en el primer intento no afecta al siguiente.
La probabilidad de que ocurra un evento se queda igual de intento a intento.
Las construcciones matemticas para la distribucin binomial son las siguientes:

n!
P( x) p x (1 p ) ( n x ) para n 0; x 0, 1, 2, ... n; y 0 p 1
x!( n x )!
Media np
Desviacin estandar np (1 p )
1 2 p
Asimetra=
np(1 p )
6p2 6p 1
Exceso de Curtosis =
np (1 p )
La probabilidad de xito (p) y el nmero entero de intentos en total (n) son parmetros de
distribucin. El nmero de intentos exitosos es denotado por x. Es importante notar que la
probabilidad de xito (p) de 0 1 son condiciones triviales y no requieren ninguna simulacin, y
de ah que no son permitidos en el software.
Requisitos de entrada:
Probabilidad de xito > 0 y < 1 (es decir, 0.0001 p 0.9999)
Nmero de intentos 1 o enteros positivos y 1000 (para intentos ms grandes, utilice la
distribucin normal con la media binomial calculada relevante y la desviacin estndar como los
parmetros de la distribucin normal).
Distribucin Uniforme Discreta
La distribucin uniforme discreta es tambin conocida como la distibucin de resultados

igualmente probables, donde la distribucin tiene un conjunto de N elementos, y entonces la
seleccin de cada elemento tiene la misma probabilidad. Esta distribucin est relacionada a la
distribucin uniforme pero sus elementos son discretos y no continuos.

Las construcciones matemticas para la distribucin uniforme son las siguientes:
1
P( x)
N
N 1
Media = valor en rango
2
( N 1)( N 1)
Desviacin estndar= valor en rango
12
Asimetra = 0 (es decir, la distribucin es perfectamente simtrica)
6( N 2 1)
Curtosis de exceso = valor en rango
5( N 1)( N 1)
Mnimo < Mximo y ambos deben ser enteros (enteros negativos y cero son permitidos)
Distribucin Geomtrica
La distribucin geomtrica describe el nmero de intentos hasta que ocurra el primer xito, tales
como el nmero de veces que usted necesita hacer girar una ruleta antes de ganar.
Condiciones
Las tres condiciones subyacentes a la distribucin geomtrica son:
El nmero de intentos no es fijo.
Los intentos continan hasta el primer xito.
La probabilidad de xito es la misma de intento a intento.
Las construcciones matemticas para la distribucin geomtrica son las siguientes:
P ( x ) p (1 p ) x1 para 0 p 1 y x 1, 2, ..., n
1
Media 1
p
1 p
Desviacin estandar
p2
2 p
Asimetria =
1 p
p2 6 p 6
Curtosis =
1 p
La probabilidad de xito (p) es el unico paramtro de la distribucin. El nmero de intentos
exitosos simulados es denotado por x, el cual solo puede tomar valores enteros positivos.
Probabilidad de xito > 0 y < 1 (es decir, 0.0001 p 0.9999). Es importante notar que la
probabilidad de xito (p) de 0 1 son condiciones triviales y no requieren ninguna simulacin, y
de ah que no son permitidas como parmetros en el software.

Distribucin Hipergeomtrica
La distribucin hipergeomtrica es similar a la distribucin binomial, pues ambas describen el

nmero de veces que un evento en particular ocurre en un nmero fijo de intentos. La diferencia
es que los intentos de la distribucin binomial son independientes, mientras que en la distribucin
hipergeomtrica cambian la probabilidad para cada cambio subsecuente y son llamados intentos
sin remplazo. Por ejemplo, suponga que una caja de partes manufacturadas es conocida por
contener partes defectuosas. Usted escoge una parte de la caja y encuentra que est defectuosa, y
quita esa parte de la caja. Si usted escoge otra parte de la caja, la probabilidad de que este
defectuosa es de alguna manera ms baja que la primera parte porque ya ha quitado una parte
defectuosa. Si hubiera reemplazado la parte defectuosa, las probabilidades habran quedado igual,
y el proceso habra satisfecho las condiciones para la distribicin binomial.
Condiciones
Las condiciones subyacentes de la distribucin hipergeomtrica son:
El total de nmeros de artculos o elementos (la medida de la poblacin) es un nmero fijo,
una poblacin finita. La medida de la poblacin debe ser menos o igual a 1,750.
El tamao de la muestra (nmero de intentos) representa una porcin de la poblacin.
La probabilidad inicial conocida de xito en la poblacin cambia despus de cada intento.
Las construcciones matemticas para la distribucin hipergeomtrica son las siguientes:
( N x )! ( N N x )!
x!( N x x)! ( n x)!( N N x n x)!
P ( x) para x Max( n ( N N x ),0), ..., Min( n, N x )
N!
n!( N n)!
Nxn
Media =
N
( N N x ) N x n( N n)
Desviacin estndar =
N 2 ( N 1)
N 1
Asimetria =
( N N x ) N x n( N n)
Exceso de curtosis = Funcin compleja
Nmero de artculos en la poblacin o Tamao de Poblacin (N), intentos muestrales o Tamao

de Muestra (n), y nmero de de artculos en la poblacin que tiene el rasgo existoso o xitos de
Poblacin (Nx) son los parmetros de distribucin. El nmero de intentos exitosos se denota por x.

Tamao de Poblacin 2 y entero
Tamao Muestral > 0 y entero
xitos de Poblacin > 0 y entero
Tamao de Poblacin > xitos de Poblacin
Tamao de la Muestra < xitos de Poblacin
Tamao de Poblacin < 1750
Distribucin Binomial Negativa
La distribucin binomial negativa es til para modelar la distribucin del nmero de intentos
adicionales requeridos en el nmero ms alto de ocurrencias exitosas requeridas (R). Por ejemplo,
para cerrar un total de 10 oportunidades de venta, cuntos llamadas de ventas extras necesitara
hacer por encima de las 10 llamadas dada alguna probabilidad de xito en cada llamada? El eje x
muestra el nmero de llamadas adicionales requeridas o el nmero de llamadas sin xito. El
nmero de intentos no es fijo, los intentos continan hasta el xito R-esimo y la probabilidad de
xito es la misma de intento a intento. La probabilidad de xito (p) y el nmero de xitos
requeridos (R) son los parmetros de la distribucin. Es esencialmente una superdistribucin de
las distribuciones geomtrica y binomial. Est distribucin muestra las probabilidades de cada
nmero de intentos en exceso de R para producir el xito R requerido.
Condiciones
Las tres condiciones subyacentes de la distribucin binomial negativa son:
El nmero de intentos no es fijo.
Los intentos continan hasta el xito r-vo.
La probabilidad de xito es la misma de intento a intento.
Las construcciones matemticas para la distribucin binomial negativa son las siguientes:
( x r 1)! r
P( x) p (1 p ) x para x r , r 1, ...; y 0 p 1
( r 1)! x!
r (1 p)
Media
p
r (1 p)
Desviacin estandar
p2
2 p
Asimetra =
r (1 p )
p2 6 p 6
Exceso de curtosis =
r (1 p)
La probabilidad de xito (p) y xitos requeridos (R) son los parmetros de distribucin.

Requisitos de entradas:
Los xitos requeridos deben ser enteros positivos > 0 y < 8000.
La probabilidad de xito > 0 y < 1 (es decir, 0.0001 p 0.9999). Es importante notar que la
probabilidad de xito (p) de 0 o 1 son condiciones triviales y no requieren ninguna simulacin, y
de ah que no son permitidos en el software.
Distribucin Poisson
La distribucin poisson describe el nmero de veces que un evento ocurre en un intervalo dado,
tales como el nmero de llamadas telefnicas por minuto o el nmero de errores por pgina en un
documento.
Condiciones
Las tres condiciones subyacentes la distribucin Poisson son:
El nmero de posibles ocurrencias en cualquier intervalo es ilimitado.
Las ocurrencias son independientes. El nmero de ocurrencias en un intervalo no afecta el
nmero de ocurrencias en otros intervalos.
El nmero promedio de ocurrencias debe permanecer el mismo de intervalo a intervalo.The
Las construcciones matemticas para Poisson son las siguientes:

e x
P ( x) para x y 0
x!
Media
Desviacin estndar =
1
Asimetra =

1

Clasificacin o Lambda () es el nico parmetro de distribucin.
Tasa > 0 y 1000 (es decir, 0.0001 clasificacin 1000)

Distribuciones Continuas
Distribucin Arcoseno
La distribucin arcoseno tiene forma de U y es un caso especial de la distribucin Beta cuando la

forma y la escala son iguales a 0.5. Los valores cerca del mnimo y mximo tienen alta
probabilidad de ocurrencia mientras que los valores entre estos dos extremos tienen una
probabilidad muy baja de ocurrencia. El mnimo y mximo son los parmetreos de distribucin.
Las construcciones matemticas para la distribucin Arcoseno son las siguientes:
1
for 0 x 1
f ( x ) x(1 x )
0 otherwise

0 x0
2

F ( x) sin 1 ( x ) for 0 x 1

1 x 1
Min Max
Media
2
( Max Min) 2
Desviacin estandar
8
Asimetra = 0
Exceso de curtosis = 1.5
Requerimientos de entrada:
Mnimo < Mximo
Distribucin Beta
La distribucin beta es muy flexible y es comunmente usada para representar variabilidad sobre
un rango fijo. Una de las ms importantes aplicaciones de la distribucin beta es su uso como una
distribucin conjugada para el parmetro de una distribucin de Bernoulli. En est aplicacin, la
distribucin beta se usa para representar la incertidumbre en la probabilidad de ocurrencia de un
evento. Tambin se usa para describir datos empricos y predecir el comportamiento aleatorio de
porcentajes y fracciones, como el rango de resultados es tipicamente entre 0 y 1.
El valor de la distribucin beta reside en la amplia variedad de formas que puede asumir cuando
usted vara los dos parmetros, alfa y beta. Si los parmetros son iguales, la distribucin es
simtrica. Si cualquiera de los dos parmetros es 1 y el otro parmetro es ms grande que 1, la
distribucin es en forma de J. Si alfa es menos que beta, se dice que la distribucin sea
positivamente desviada (la mayora de los valores estn cerca del valor mnimo). Si alfa es ms
grande que beta, la distribucin es negativamente desviada (la mayora de los valores estn cerca
del valor mximo).

Las construcciones matemticas para la distribucin beta son las siguientes:
f ( x)
x ( 1) 1 x ( 1) para 0; 0; x 0
( )( )
( )

Media

Desviacin estandar 2
( ) (1 )
2( ) 1
Asimetra =
(2 )
3( 1)[ ( 6) 2( ) 2 ]
Exceso de curtosis = 3
( 2)( 3)
Alfa () y beta () son los dos parmetros de distribucin de forma, y es la funcin Gamma.
Condiciones
Las dos condiciones subyacentes de la distribucin beta son:
La variable incierta es un valor aleatorio entre 0 y un valor positivo.
La forma de la distribucin puede ser especificada usando dos valores positivos.
Alfa y beta ambos > 0 y pueden ser cualquier valor positivo
Distribucin Multiplicativa de Beta3, Beta 4 Desplazado
La distribucin Beta es muy flexible y es comnmente utilizada para representar la variabilidad

sobre un rango especfico. Es utilizada para describir datos empricos y predecir el
comportamiento aleatorio de porcentajes y fracciones, ya que el rango de salida se encuentra
tpicamente entre 0 y 1. El valor de la distribucin beta se sustenta en una amplia variedad de
formas que puede asumir cuando vara los dos parmetros, alfa y beta. La distribucin beta
desplazada es obtenida multiplicando la distribucin beta por un factor y desplazando los
resultados de algunos parmetros de ubicacin para permitir que el rango de resultados se
expanda ms all de sus lmites 0 y 1 natural con un punto de partida diferente a 0. Alfa, Beta,
Ubicacin, y Factor son los parmetros de entrada.
Alfa > 0
Beta > 0
La Ubicacin puede ser cualquier valor positivo o negativo incluyendo el cero.
Factor > 0

Distribucin Cauchy o Distribucin Lorentziana o Distribucin Breit-Wigner
La distribucin Cauchy, tambin llamada la distribucin Lorentziana o distribucin Breit-Wigner,

es una distribucin continua que describe comportamiento de resonancia. Tambin describe la
distribucin en las distancias horizontales en la cual un segmento de lnea inclinado en un ngulo
aleatorio corta el eje x.
Las construcciones matemticas para la distribucin Cauchy o Lorentziana son las siguientes:
1 /2
f ( x)
( x m) 2 2 / 4
La distribucin Cauchy es un caso especial donde no tiene ningn momento teortico (media,
desviacin estndar, asimetria, y Curtosis) ya que son todos indefinidos.
La localizacin de moda () y escala ( son los nicos dos parmetros en esta distribucin. El
parmetro de localizacin especifica la cima o moda de la distibucin mientras el parmetro de
escala especifica la media amplitud hasta el mximo medio de la distribucin. Adems, la media
y la varianza de una distribucin Cauchy o Lorentziana son indefinidas.
Adems, la distribucin Cauchy es la distribucin t del Estudiante con solo 1 grado de libertad.
Est distribucin es tambin construida al tomar la razn entre dos distribuciones normales
estndar (distribuciones normales con una media de cero y una variacin de uno) que son
independientes una de la otra.
La localizacin Alfa puede ser cualquier valor
Escala Beta > 0 y puede ser cualquier valor positivo
Distribucin Chi-Cuadrado
La distribucin chi-cuadrado es una distribucin de probabilidad usada predominantemente en

pruebas de hiptesis y est relacionada con la distribucin gamma y la distribucin normal
estndar. Por ejemplo, la suma de las distribuciones normales independientes son distribuidas
como chi-cuadrado () con grados k de libertad:
d
Z 12 Z 22 ... Z k2 ~ k2
Las construcciones matemticas para la distribucin chi-cuadrado son las siguientes:
0.5 k / 2 k / 21 x / 2
f ( x) x e para todos x > 0
( k / 2)
Media = k
Desviacin estndar= 2k
Asimetra = 2 2
k
k

es la funcin gamma. Los grados de libertad k son el nico parmetro de distribucin.
La distribucin chi-cuadrado puede ser tambin modelada usando una distribucin gamma al
establecer los parametros:
Parmetro de forma = k y escala = 2S 2 donde S es la escala.
2
Grados de libertad > 1 y debe ser un entero < 300
Distribucin Coseno
La distribucin coseno se parece a una distribucin logstica donde el valor del medio se
encuentra entre el mnimo y el mximo tiene el pico o modo ms alto, teniendo consigo la
mxima probabilidad de ocurrencia, mientras que en las colas extremas cercanas a los valores
mnimo y mximo tiene probabilidad ms baja. El mnimo y el mximo son parmetros de la
distribucin.
Las construcciones matemticas para la distribucin coseno son las siguientes:

1 x a
cos for min x max
f ( x) 2b b
0 otherwise

min max max min
where a and b
2
1 x a
1 sin
F ( x) 2 for min x max
b
1 for x > max

Min Max
Media
2
( Max Min) 2 ( 2 8)
Desviacin estandar =
4 2
Asimetra = 0
6(90 4 )
5( 2 6)2
Mnimo < Mximo
Distribucin de Doble Logaritmo
La distribucin de doble logaritmo se parece a la distribucin de Cauchy donde la tendencia

central tiene un pico y tiene consigo el valor de densidad de probabilidad ms alto, pero,
disminuye rpidamente a medida que se aleja del centro, creando una distribucin simtrica con

un punto extremo entre el mnimo y el mximo. El mnimo y el mximo son los parmetros de la
distribucin.
Las construcciones matemticas para la distribucin doble logaritmo son las siguientes:
1 x a
ln for min x max
f ( x ) 2b b

0 otherwise
min max max min
where a and b
2 2
1 xa x a
1 ln for min x a
2 2b b
F ( x)
1 x a x a
2 1 ln for a x max
2b b
Min Max
Media =
2
( Max Min) 2
36
Asimetra = 0
Mnimo < Mximo
Distribucin de Erlang
La distribucin de Erlang es la misma distribucin Gamma con el requerimiento de que Alfa o el

parmetro de forma, debe ser un entero positivo. Un ejemplo de aplicacin de la distribucin de
Erlang es calibrar el rango de transicin de los elementos a travs de un sistema de estaciones.
Dichos sistemas son ampliamente utilizados en biologa y ecologa (ejemplo., en epidemiologa,
un individuo puede progresar a un rango exponencial de estar saludable a convertirse en un
portador de enfermedades, y continuar exponencialmente de ser portador a ser infeccioso). Alfa
(tambin conocida como la forma) y Beta (tambin conocida como la escala) son los parmetros
de distribucin.
Las construcciones matemticas para la distribucin Erlang son las siguientes:

x 1 x /
e

f ( x) for x 0
( 1)
0 otherwise

x/
1
( x / )i
1 e for x 0
F ( x) i 0 i!
0 otherwise

Media
Desviacin estandar 2
2
Asimetra

6
Exceso de curtosis 3

Requerimientos de Entrada:
Alfa (Forma > 0) y es un entero
Beta (Escala) > 0
Distribucin Exponencial
La distribucin exponencial es ampliamente usada para describir eventos recurriendo a puntos

aleatorios en el tiempo, tales como el tiempo entre fallas del equipo electrnico o el tiempo entre
llegadas a una cabina de servicio. Est relacionanda a la distribucin Poisson, la cual describe el
nmero de ocurrencias de un evento en un intervalo de tiempo dado. Una caracterstica
importante de la distribucin exponencial es la propiedad sin memoria (memoryless), la cual
significa que la vida futura de un objeto dado tiene la misma distribucin, sin importar el tiempo
que haya existido. En otras palabras, el tiempo no tiene efecto en los resultados futuros.
Las construcciones matemticas para la distribucin exponencial son las siguientes:
f ( x) e x para x 0; 0
Media = 1

Desviacin estndar = 1

Asimetra = 2 (este valor aplica a todas las entradas de clasificacin de xito)
Exceso de curtosis = 6 (este valor aplica a todas las entradas de clasificacin de xito)
El rango de xito () es el nico parmetro de distribucin. El nmero de intentos exitosos es
denotado por x.
Condiciones
La condicin subyacente de la distribucin exponencial es:
La distribucin exponencial describe el monto de tiempo entre ocurrencias de eventos.
Clasificacin > 0

Distribucin Exponencial Desplazada
La Distribucin Exponencial por lo general se utiliza para describir eventos recurriendo a puntos
aleatorios en el tiempo. Tales como el tiempo que transcurre entre eventos como pueden ser fallas
en equipo electrnico o el tiempo entre llegadas en una caseta de cobro. Est relacionada con la
distribucin Poisson, la cual describe el nmero de acontecimientos de un evento en un intervalo
sealado. Una caracterstica importante de la distribucin exponencial es su propiedad sin
memoria, esto significa que el curso de vida de un objeto especfico tiene la misma distribucin
sin importar el tiempo que existi, en otras palabras, el tiempo no tiene efecto en los resultados
futuros. La tasa de xito () es el nico parmetro de distribucin.
Tasa Lambda > 0
Distribucin de Valor Extremo o Distribucin Gumbel
La distribucin de valor extremo (Tipo 1) es comunmente usada para descrbir el valor ms grande
de una respuesta por un periodo de tiempo, por ejemplo, en corrientes de inundaciones,
precipitacin de lluvia, y terremotos. Otras aplicaciones incluyen las fuerzas de ruptura de
materiales, diseo de construccin, cargas aereas y tolerancias. La distribucin de valor extremo
es tambin conocida como la distribucin Gumbel.
Las construcciones matemticas para la distribucin de valor extremo son las siguientes:
x
1
f ( x) ze Z donde z e
para 0; y cualquier valor de x y

Media = 0.577215
1 2 2
Desviacin estndar =
6
12 6 (1.2020569 )
Asimetra = 1.13955 (esto aplica para todos los valores de moda y escala)
3
Curtosis de exceso = 5.4 (esto aplica para todos los valores de moda y escala)
Moda () y escala () son los parmetros de distribucin.
Calcular Parmetros
Hay dos parmetros estndar para la distribucin de valor extremo: moda y escala. El parmetro
de moda es el valor ms probable para la variable (el punto ms alto en la distribucin de
probabilidad). Despus que seleccione el parmetro de moda, usted puede estimar el parmetro de
escala. El parmetro de escala es un nmero mayor que 0. Entre ms grande sea el parmetro de

escala, ms grande ser la variacin.
Moda (Alfa) puede ser cualquier valor.
Escala (Beta) > 0
Distribucin F o Distribucin Fisher-Snedecor
La distribucin F, tambin conocida como la distribucin Fisher-Snedecor, es tambin otra

distribucin continua usada ms frecuentemente en pruebas de hiptesis. Especificamente, es
usada para probar la diferencia estadstica entre dos variaciones en anlisis de pruebas de
variacin y pruebas de cociente de probabilidad. La distribucin F con los grados de libertad n en
el numerador y grados de libertad m en el denominador est relacionada con la distribucin chi-
cuadrado en:
n2 / n d
~ Fn, m
m2 / m
m
Media =
m2
2m 2 (m n 2)
Desviacin estndar= para todo m > 4
n(m 2) 2 (m 4)
2(m 2n 2) 2(m 4)
Asimetra =
m6 n(m n 2)
12( 16 20m 8m 2 m 3 44n 32mn 5m 2 n 22n 2 5mn 2
n( m 6)( m 8)( n m 2)
Los grados de libertad n en el numerador y grados de libertad m en el denominador son los nicos
parmetros de la distribucin.
Grados de libertad en el numerador y grados de libertad en el denominador > 0 y enteros.
Distribucin Gamma (Distribucin Erlang)
La distribucin gamma es aplicable a un amplio rango de cantidades fisicas y est relacionada a

otras distribuciones: lognormal, exponencial, Pascal, Erlang, Poisson, y Chi-cuadrada. Se usa en
procesos metereolgicos para representar concentraciones contaminantes y cantidades de
precipitacin. La distribucin gamma tambin es usada para medir el tiempo entre la ocurrencia
de eventos cuando el proceso de eventos no es completamente aleatorio. Otras aplicaciones de la
distribucin gamma incluyen control de inventario, teora econmica y teora de seguros de
riesgo.

Condiciones
La distribucin gamma es mayormente usada como la distribucin de un periodo de tiempo hasta
la r-esima ocurrencia de un evento en un proceso Poisson. Cuando se usa en esta forma, las tres
condiciones subyacentes de la distribucin gamma son:
El nmero de posibles ocurrencias en cualquier unidad de medida no est limitada a un
nmero fijo.
Las ocurrencias son independientes. El nmero de ocurrencias en una unidad de medicin no
afecta el nmero de ocurrencias en otras unidades.
El nmero promedio de ocurrencias debe permanecer igual de unidad a unidad.
Las construcciones matemticas para la distribucin gamma son las siguientes:
1 x
x
e

f ( x) con cualquier valor de 0 y 0
( )
Media =
Desviacin estndar = 2
2
Asimetra =

6

Parmetro de forma alfa () y parmetro de escala beta () son parmetros de distribucin, y es
la funcin Gamma.
Cuando el parmetro alfa es un entero positivo, la distribucin gamma es llamada distribucin
Erlang, usada para predecir tiempos de espera en sistemas de formacin de colas, donde la
distribucin Erlang es la suma de variables independientes e idnticamente distribuidas
aleatoriamente cada una teniendo una distribucin exponencial sin memoria. Establecer n como
nmero de estas variables aleatorias, las construcciones matemticas de la distribucin Erlang
son:
x n 1 e x
f ( x) , para todo x > 0 y todos enteros positivos de n
( n 1)!
Escala beta > 0 y puede ser cualquier valor positivo
Forma Alfa 0.05 y cualquier valor positivo
Localizacin puede ser cualquier valor

Distribucin de Laplace
La distribucin de Laplace es a veces llamada la distribucin doble exponencial porque puede ser
construida con dos distribuciones exponenciales (con un parmetro de ubicacin adicional)
colocadas juntas espalda con espalda, creando un pico inusual en el medio. La funcin de
densidad de probabilidad de la distribucin de Laplace se parece a la de la distribucin normal.
Sin embargo, mientras la distribucin normal es expresada en trminos de diferencia cuadrada a
partir de la media, la densidad de Laplace es expresada en trminos de la diferencia absoluta de la
media, haciendo la cola de la distribucin de Laplace ms ancha que aquellas de la distribucin
normal. Cuando el parmetro de ubicacin es puesto en cero, la variable aleatoria de la
distribucin de Laplace es exponencialmente distribuida con el inverso del parmetro de escala.
Alfa (tambin conocido como la ubicacin) y Beta (tambin conocida como la escala) son
parmetros de la distribucin.
Las construcciones matemticas para la distribucin Laplace son las siguientes:

1 x
f ( x) exp
2
1 x
exp when x
2
F ( x)
1 1 exp x when x
2

Media
Desviacin estandar 1.4142
Asimetra = 0
Alfa (Ubicacin) puede ser cualquier valor positivo o negativo incluyendo el cero
Beta (Escala) > 0
Distribucin Logstica
La distribucin logstica es comnmente usada para describir crecimiento, es decir, el tamao de

una poblacin expresada como una funcin variable en el tiempo. Tambin puede ser usada para
describir reacciones qumicas y el curso de crecimiento para poblaciones o individuos.
Las construcciones matemticas para la distribucin logstica son las siguientes:

x

e
f ( x) 2
para cualquier valor de y
x

1 e

Media
1 2 2
Desviacin estandar
3
Asimetra = 0 (esto aplica a toda media y entradas de escala)
Curtosis de exceso = 1.2 (esto aplica a toda media y entradas de escala)
Media () y escala () son los parmetros de la distribucin.

Calcular Parmetros
Hay dos parmetros estndar para la distribucin logstica: media y escala. El parmetro de media
es el valor promedio, el cual para esta distribucin el mismo que la moda, porque esta es una
distribucin simtrica. Despus que seleccione el parmetro de media, puede estimar el parmetro
de escala. El parmetro de escala es un nmero mayor a 0. Entre ms grande sea el parmetro de
escala, mayor ser la variacin.
La media Alfa puede ser cualquier valor
Distribucin Lognormal
La distribucin lognormal es ampliamente usada en situaciones donde los valores son

positivamente desviados, por ejemplo, en anlisis financiero para valuacin de seguridad o en
bienes y races para valuacin de propiedades, y donde los valores no pueden caer bajo cero.
Los precios de las acciones son usualmente desviados positivamente en vez de normalmente
(simtricamente) distribuidos. Los precios de las acciones muestran esta tendencia porque no
pueden caer ms abajo del lmite de cero pero se podran incrementar a cualquier precio sin
lmites. Similarmente, los precios de bienes races ilustran desviacin positiva como valores de
propiedad no pueden llegar a ser negativos.
Condiciones
Las tres condiciones subyacentes de la distribucin lognormal son:
La variable incierta puede incrementarse sin lmites pero no puede caer bajo cero.
La variable incierta es positivamente desviada, con la mayora de los valores cerca del lmite
ms bajo.
El logaritmo natural de la variable incierta produce una distribucin normal.
Generalmente, si el coeficiente de variabilidad es mayor al 30 por ciento, use una distribucin
lognormal. De otra manera, use una distribucin normal.
Las construcciones matemticas para a distribucin lognormal son las siguientes:

[ln( x ) ln( )]2

1 2[ln( )]2
f ( x) e para x 0; 0 y 0
x 2 ln( )
2
Media exp
2
Desviacin estndar=
exp 2 2 exp 2 1
Asimetra = exp 2
1 (2 exp( 2
))

Curtosis de exceso = exp 4 2 2 exp 3 2 3 exp 2 2 6
Media () y desviacin Estndar () son los parmetros de distribucin.
Media y desviacin estndar ambas > 0 y pueden ser cualquier valor positivo
Conjunto de Parmetros Lognormal

Por default, la distribucin lognormal usa la media arimtica y la desviacin estndar. Para
aplicaciones para las cuales los datos histricos estn disponibles, es ms apropiado usar, ya sea,
la media logartmica y la desviacin estndar, o la media geomtrica y la desviacin estndar.
Distribucin Lognormal Desplazada
La distribucin lognormal es ampliamente utilizada donde los valores con sesgados

positivamente, por ejemplo, en anlisis financiero para una valuacin de seguridad o en un estado
real para la valuacin de una propiedad, y cuando los valores no pueden caer bajo cero. Los
precios de almacn son generalmente sesgados positivamente mas que distribuidos normalmente
(simtricamente). Los precios de almacn muestran esta tendencia porque no pueden caer menor
que el lmite inferior de cero pero pueden incrementarse a cualquier precio sin un lmite. En
cambio, la distribucin lognormal desplazada es la misma distribucin lognormal, pero, es
desplazada de manera que el valor resultante pueda tener valores negativos. La media (promedio),
desviacin estndar, y el desplazamiento son parmetros de la distribucin.
Media > 0
Desviacin Estndar > 0
El desplazamiento puede ser cualquier valor positivo o negativo incluyendo el cero

Distribucin Normal
La distribucin normal es la ms importante distribucin en teora de probabilidad porque

describe muchos fenmenos naturales, tales como el IQ de las personas o su altura. Los que
toman la decisin pueden usar la distribucin normal para describir variables inciertas tales como
el nivel de inflacin o el precio futuro de la gasolina.
Condiciones
Las tres condiciones subyacentes de la distribucin normal son:
Algnos valores de la variable incierta son ms probables (la media de distribucin).
La variable incierta podra probablemente estr por encima de la media as como podra estar
como podra estar debajo de ella (simtrica en relacin a la media).
La variable incierta es ms probable que est en la cercana de la media a que se encuentre
ms lejos.
Las construcciones matemticas para la distribucin normal son las siguientes:
( x ) 2
1
2 2
f ( x) e para todos los valores de x y ; mientras > 0
2
Media
Desviacin estandar
Asimetra = 0 (esto aplica a toda entrada de media y desviacin estndar)
Curtosis = 0 (esto aplica a toda entrada de media y desviacin estndar)
Media () y desviacin estndar () son los parmetros de la distribucin.
Desviacin Estndar > 0 y puede ser cualquier valor positivo
La media puede tomar cualquier valor
Distribucin Parablica
La distribucin parablica es un caso especial de la distribucin de beta cuando Forma = Escala =

2. Los valores cierran al mnimo y el mximo tiene probabilidades bajas de ocurrencia mientras
que valores entre estos dos extremos tienen probabilidades u ocurrencia ms altas. El mnimo y el
mximo son los parmetros de distribucin.
Las construcciones matemticas para la distribucin parablica son las siguientes:
( 1) ( 1)
f ( x)
x 1 x
for 0; 0; x 0
( ) ( )
( )

Alpha = Beta = 2

Min Max
Media =
2
( Max Min) 2
20
Asimetra = 0
Exceso de curtosis = 0.8571
Mnimo < Mximo
Distribucin de Pareto
La distribucin de Pareto es ampliamente usada para la investigacin de distribuciones asociadas

con fenmenos empricos tales como la medida de poblacin de las ciudades, la presencia de
recursos naturales, el tamao de las compaas, ingresos personales, fluctuacines en el precio de
acciones, y agrupamientos de error en circuitos de comunicacin.
Las construcciones matemticas para la distribucin Pareto son las siguientes:
L
f ( x) para x L
x (1 )
L
Media
1
L2
Desviacin estandar
( 1) 2 ( 2)
2 2( 1)
Asimetra =
3
6( 3 2 6 2)
( 3)( 4)
Forma () y Localizacin () son los parmetros de distribucin.
Calcular Parmetros
Hay dos parmetros estndar para la distribucin de Pareto: localizacin y forma. El parmetro de
localizacin es el lmite ms bajo para la variable. Despus de que seleccione el parmetro de
localizacin, puede estimar el parmetro de forma. El parmetro de forma es un nmero mayor a
0, usualmente mayor a 1. Entre ms grande sea el parmetro de forma, ms pequea ser la
variacin y ms gruesa la cola derecha de la distribucin.
Localizacin > 0 y puede ser cualquier valor positivo
Forma 0.05

Distribucin Pascal
La distribucin Pascal es til para modelar la distribucin de un nmero de intentos totales

requerido para obtener el nmero de ocurrencias satisfactorias solicitado. Por ejemplo, con la
finalidad de concretar un total de 10 oportunidades de venta, cuntas llamadas de ventas
necesitas hacer para obtener cierta probabilidad de xito en cada llamada? El eje X muestra el
nmero total de llamadas requeridas, el cual incluye llamadas exitosas y no exitosas. El nmero
de intentos no se ajusta, los intentos continan hasta el R-simo xito, y la probabilidad de xito
es la misma de un intento a otro. La distribucin de Pascal se encuentra relacionada a la
distribucin binomial negativa. La distribucin binomial negativa computa el nmero de eventos
requerido por encima del nmero de xitos solicitados dada cierta probabilidad (en otras palabras,
el total de fracasos), mientras que la distribucin de Pascal calcula el nmero total de eventos
requeridos (en otras palabras, la suma de fracasos y xitos) para alcanzar los xitos requeridos
dada cierta probabilidad. Los xitos requeridos y la probabilidad son parmetros de la
distribucin.
Las construcciones matemticas para la distribucin Pascal son las siguientes:

( x 1)!
p S (1 p ) X S for all x s
f ( x) ( x s )!( s 1)!
0 otherwise

k ( x 1)!
p S (1 p ) X S for all x s
F ( x) x1 ( x s)!( s 1)!
0 otherwise

s
Media
p
Desviacin estandar s (1 p ) p 2
2 p
Asimetra =
r (1 p )
p2 6 p 6
r (1 p)
xitos requeridos > 0 y es un entero
0 Probabilidad 1
Distribucin de Pearson V
La distribucin de Pearson V se encuentra relacionada a la distribucin de Gamma Inversa, donde

sta es el recproco de la variable distribuida de acuerdo a la distribucin Gamma. La distribucin

de Pearson V tambin es empleada para modelar el tiempo de retraso donde el mnimo retraso y
el mximo retraso no estn acotados, ejemplo., retraso en la llegada de servicios de emergencia y
tiempo en reparar una mquina. Alfa (tambin conocida como forma) y Beta (tambin conocida
como escala) son los parmetros de la distribucin.
Las construcciones matemticas para la distribucin Pearson V son las siguientes:

x ( 1)e / x
f ( x)
( )
( , / x)
F ( x)
( )

Media
1
2
Desviacin estandar
( 1) 2 ( 2)
4 2
Asimetra
3
30 66
Exceso de curtosis 3
( 3)( 4)
Alfa (Forma) > 0
Beta (Escala) > 0
Distribucin de Pearson VI
La distribucin de Pearson VI se encuentra relacionada con la distribucin Gamma, donde sta es

la funcin racional de dos variables distribuidas de acuerdo a dos distribuciones Gamma. Alfa 1
(tambin conocida como forma 1), Alfa 2 (tambin conocida como forma 2), y Beta (tambin
conocida como escala) son los parmetros de la distribucin.
Las construcciones matemticas para la distribucin Pearson VI son las siguientes:
( x / )1 1
f ( x)
(1 , 2 )[1 ( x / )]1 2
x
F ( x ) FB
x
1
Media
2 1
21 (1 2 1)
( 2 1) 2 ( 2 2)

2 2 21 2 1
Asimetra 2
1 (1 2 1) 2 3
3( 2 2) 2( 2 1) 2
Exceso de curtosis ( 2 5) 3
( 2 3)( 2 4) 1 (1 2 1)
Alfa 1 (Forma 1) > 0
Alfa 2 (Forma 2) > 0
Beta (Escala) > 0
Distribucin de PERT
La distribucin PERT es ampliamente utilizada en la gestin de programas y proyectos para

definir el peor de los casos, el caso ms probable, y los mejores escenarios posibles de tiempo
para completar el proyecto. Se relaciona con la distribucin Beta y la distribucin triangular. La
distribucin PERT puede utilizarse para identificar los riesgos en un proyecto y los modelos de
costes basado en la probabilidad de cumplimiento de los objetivos y metas a travs de cualquier
nmero de componentes del proyecto utilizando valores mnimos, ms probables, y valores
mximos, pero est diseada para generar una distribucin que se asemeje ms a distribuciones
de probabilidad realistas. La distribucin PERT puede proporcionar un mejor ajuste a la
distribucin normal o lognormal. Al igual que la distribucin triangular, la distribucin PERT
hace hincapi en el valor "ms probable" respecto de las estimaciones mnimas y mximas. Sin
embargo, a diferencia de la distribucin triangular, la distribucin PERT construye una curva
suave que hace hincapi cada vez ms en valores en torno a (cerca) el valor ms probable, en
favor de los valores alrededor de los bordes. En la prctica, esto significa que "confiamos" en la
estimacin del valor ms probable, y creemos que aunque no es exactamente preciso (como son
las estimaciones), tenemos la expectativa de que el valor resultante ser similar a la estimacin.
Suponiendo que muchos fenmenos del mundo real se distribuyen normalmente, el atractivo de la
distribucin PERT es que produce una curva similar a la curva normal en forma, sin saber los
parmetros exactos relacionados con la curva normal. El Mnimo, el ms probable, y el mximo
son los parmetros de distribucin.
Las construcciones matemticas para la distribucin PERT son las siguientes:

( x min) A11 (max x) A 21
f ( x)
B ( A1, A2)(max min) A1 A2 1
min 4(likely) max min 4(likely) max
min max
where A1 6 6 6
and A2 6
max min max min

and B is the Beta function

Min 4Mode Max
Media
6
( Min)( Max )
Desviacin estandar
7
7 Min Max 2
Asimetra
( Min)(Max ) 4
Requerimientos de Entrada:
Mnimo Ms Probable Mximo pueden ser positivos, negativos o cero.
Distribucin Potencia
La distribucin Potencia se encuentra relacionada con la distribucin exponencial en que la

probabilidad de pequeos resultados es grande pero exponencialmente decrece a medida que los
valores de los resultados incrementan. Alfa (tambin conocida como forma) es el nico parmetro
de la distribucin.
Las construcciones matemticas para la distribucin potencia son las siguientes:

f ( x ) x 1
F ( x ) x

Media
1

Desviacin estandar
(1 ) 2 (2 )
2 2( 1)
Asimetra
3
Alfa (Forma) > 0
Distribucin Multiplicativa de Potencia Desplazado
La distribucin Potencia se encuentra relacionada con la distribucin exponencial en que la

probabilidad de pequeos resultados es grande pero exponencialmente decrece a medida que los
valores de los resultados incrementan. Alfa (tambin conocida como forma) es el nico parmetro
de la distribucin.
Alfa (Forma) > 0
Factor > 0

Distribucin T -Student
La distribucin t - student es la distibucin ms ampliamente usada en prueba de hiptesis. Esta

distribucin es usada para estimar la media de una poblacin distribuida normalmente cuando el
tamao de la muestra es pequeo, y es usada para probar la significancia estadstica de la
diferencia entre dos medias muestrales o intervalos de confianza para tamaos de muestras
pequeas.
Las construcciones matemticas para la distribucin t son las siguientes:
[( r 1) / 2]
f (t ) (1 t 2 / r ) ( r 1) / 2
r [ r / 2]
Media = 0 (esto aplica a todos los grados de libertad r excepto si la distribucin es cambiada a
otra localizacin central no cero).
r
Desviacin estndar =
r2
Asimetria = 0 (esto aplica a todo grado de libertad r)
6
Exceso de curtosis= para todo r 4
r4
xx
donde t y es la funcin gamma.
s
Grados de libertad r es el nico parmetro de la distribucin.
La distribucin t est relacionada a la distribucin F como sigue: el cuadrado de un valor de t con
grados r de libertad es distribuido como F con 1 y grados r de libertad. La forma completa de la
funcin de densidad de probabilidad de la distribucin t tambin se parece a la forma de campana
de una variable distribuida normalmente con media 0 y variacin 1, excepto que es un poco ms
baja y amplia o es leptocrtica (colas gruesas a los extremos y centro en pico). Ya que el nmero
de grados de libertad crece (digamos, arriba de 30), la distribucin t se acerca a la distribucin
normal con media 0 y variacin 1.
Grados de libertad 1 y debe ser un entero
Distribucin Triangular
La distribucin triangular describe una situacin donde usted conoce los valores mnimos,
mximos, y ms probables a ocurrir. Por ejemplo, usted podra describir el nmero de carros
vendidos por semana, cuando ventas pasadas muestran el nmero mnimo, mximo, y usual de
carros vendidos.
Condiciones
Las tres condiciones subyacentes de la distribucin triangular son:
El nmero minimo de artculos es fijo.
El nmero mximo de artculos es fijo.

El nmero ms probable de artculos cae entre los valores mximos y mnimos, formando una
distribucin en forma de triangulo, la cual muestra que los valores cerca del mnimo y el
mximo son menos probables de ocurrir que aquellos cerca del valor ms probable.
Las construcciones matemticas para la distribucin triangular son:
2( x Min)
(Max Min)( probable min) para Min x probable

f ( x)
2( Max x)
para probable x Max
(Max Min)(Max probable)
1
Media = ( Min probable Max)
3
Desviacin estndar=
1
( Min 2 probable 2 Max 2 Min Max Min probable Max probable)
18
Asimetra =
2 ( Min Max 2 probable)( 2 Min Max probable )( Min 2Max probable)
5( Min 2 Max 2 probable 2 MinMax Minprobable Maxprobable) 3 / 2
Exceso de curtosis= 0.6 (esto aplica a toda entrada de Min, Max, y Probable)
Valor Mnimo (Min), valor ms probable (Probable) y valor mximo (Max) son los parmetros
de la distribucin.
Min Ms Probable Max y puede tomar cualquier valor
Sin embargo, Min < Max y pueden tomar cualquier valor
Distribucin Uniforme
Con la distribucin uniforme todos los valores caen entre el mnimo y mximo y ocurren con la
misma probabilidad.
Condiciones
Las tres condiciones subyacentes de la distribucin uniforme son:
El valor mnimo es fijo.
El valor mximo es fijo.
Todos los valores entre el mnimo y mximo ocurren con la misma probabilidad.
Las construcciones matemticas para la distribucin uniforme son:
1
f ( x) para todos los valores tales que Min Max
Max Min

Min Max
Media
2
( Max Min) 2
Desviacin estandar
12
Asimetra = 0 (esto aplica a toda entrada Min y Max)
Exceso de curtosis = 1.2 (esto aplica a toda entrada Min y Max)
Valor Mximo (Max) y valor mnimo (Min) son los parmetros de distribucin.
Min < Max y pueden tomar cualquier valor.
Distribucin Weibull (Distribucin Rayleigh)
La distribucin Weibull describe datos resultantes de pruebas de vida y fatiga. Es comnmente

usada para describir tiempo de falla en estudios de confianza y pruebas de control de calidad. Las
distribuciones Weibull tambin son usadas para representar varias cantidades fsicas, tales como
la velocidad del viento.
La distribucin Weibull es una familia de distribuciones que pueden asumir las propiedades de
otras distribuciones. Por ejemplo, dependiendo del parmetro de forma que usted defina, la
distribucin Weinbull puede ser usdada para modelar las distribuciones exponencial y Rayleigh,
entre otras. La distribucin Weibull es muy flexible. Cuando el parmetro de forma de Weibull es
igual a 1.0, la distribucin es idntica a la distribucin exponencial.
El parmetro de localizacin Weibull le permite establecer una distribucin exponencial para
iniciar en una localizacin distinta de 0. Cuando el parmetro de forma es menor a 1.0, la
distribucin de Weibull se vuelve una curva en decline. Un manufacturador podra encontrar este
efecto muy til para describir fallas parciales durante un periodo de prueba.
Las construcciones matemticas para la distribucin Weibull son las siguientes:

1 x

x
f ( x) e

Media (1 1 )
Desviacin estandar 2 (1 2 1 ) 2 (1 1 )
2 3 (1 1 ) 3 (1 1 )(1 2 1 ) (1 3 1 )
Asimetra =
(1 2 1
) 2 (1 1 )
3/ 2

6 4 (1 1 ) 12 2 (1 1 )(1 2 1 ) 3 2 (1 2 1 ) 4 (1 1 )(1 3 1 ) (1 4 1 )
(1 2 1
) 2 (1 1 )
2
Forma () y escala de localizacin central () son los parmetros de distribucin, y es la

funcin Gamma.
Forma Alfa 0.05
Distribucin Multiplicativa de Weibull y Rayleigh Desplazado
La distribucin Weibull y describe la informacin resultante de pruebas de vida o fatiga en

materiales. Comnmente utilizada para describir el tiempo de falla en estudios de integridad
estructural al igual que la resistencia de materiales en estudios de control de calidad. La
Distribucin Rayleigh es un caso especial de Distribucin Weibull cuando el parmetro de forma
es igual a 2.0. La Distribucin Weibull es una familia de distribuciones que pueden asumir las
propiedades de varias distribuciones. Las distribuciones Weibull tambin se utilizan para
representar varias cantidades fsicas, como es la velocidad del viento. La distribucin Weibull es
una familia de distribuciones que pueden adoptar las propiedades de otras distribuciones. Por
ejemplo, dependiendo de la forma de parmetro que usted defina, la distribucin Weibull se
puede utilizar para moldear las distribuciones Exponenciales y Rayleigh, entre otras. La
distribucin Weibull es muy flexible. Cuando el parmetro de forma de Weibull es igual a 1.0, la
distribucin Weibull es idntica a la de la distribucin exponencial. La escala de ubicacin central
Weibull o el parmetro beta le permite establecer una distribucin exponencial para comenzar
una ubicacin aparte de 0.0. Cuando el parmetro de forma sea menor de 1.0, la distribucin
Weibull drsticamente se convierte en una curva empinada. Un fabricante puede encontrar este
efecto til al describir las fallas de piezas en periodo de marcado. Forma () y escala () son los
parmetros de distribucin.
Forma Alfa > 0.05
Escala de Ubicacin Central o Beta > 0 y puede ser cualquier valor positivo.
Factor > 0

3. PRONSTICO
Pronosticar es el acto de predecir el futuro, ya sea, basado en datos histricos o especulacin

acerca del futuro cuando no existe historia o informacin. Cuando los datos histricos existen, un
enfoque cuantitativo o estadstico es lo mejor, pero si no existen datos histricos, entonces
potencialmente un enfoque cualitativo o de juicio es usualmente el nico recurso. La Figura 3.1
enlista las ms comunes metodologas para pronosticar.
PRONSTICO
METODO DELPHI
CUANTITATIVO CUALITATIVO SUPUESTOS GERENCIALES
INVESTIGACIN DE MERCADO
ENCUESTAS
SONDEOS
CORTE TRANVERSAL Use las herramientas de pronstico PANEL DE DATOS
del Simulador de Riesgo para
modelar procesos ARIMA,
Modelos Econometricos Regresiones Multivariadas, Use el Simulador de Riesgo
Simulaciones Monte Carlo Regresiones No Lineales, ARIMA(X) Regresin Multiple para ejecutar simulaciones
Regresin Multiple Monte Carlo (use el ajuste de
Analisis de Estadisticas Simulaciones y Procesos
distribuciones o distribuciones
Estocasticos
no parametricas personalizadas
del Simulador de Riesgo.
SERIES DE TIEMPO
ARIMA, Descomposicion de las

series temporales en sus
componentes basicos (8 modelos de
series de tiempo), Regresion
Multivariada, Extrapolacin No
Lineal, Procesos Estocasticos.
Figura 3.1 Mtodos de Pronstico
Diferentes Tipos de Tcnicas de Pronstico
Generalmente, pronosticar puede dividirse en cuantitativo y cualitativo. El pronstico cualitativo

es usado cuando la informacin histrica, o reciente es poco confiable, o existen pocos datos
comparativos. Existen algunos mtodos cualitativos como el Delphi o la opinin de expertos (una
construccin de opiniones de expertos en un campo, expertos de mercadeo, o personal interno de
la empresa), supuestos gerenciales (la tasa de crecimiento objetivo definida por el consejo
administrativo o la gerencia general), as como investigaciones de mercado o datos externos o
encuestas de opinin (datos obtenidos a travs de distintos recursos, indicadores industriales,
desde la investigacin activa del mercado). Estos estimativos pueden ser puntuales (un consenso
promedio) o un conjunto de variables de pronstico (como una distribucin de pronsticos). Este
ltimo se puede introducir en el simulador de riesgo como una distribucin personalizada y los
resultados del pronstico pueden ser simulados. Esta es una simulacin no paramtrica usando
datos estimados como la distribucin.

En el lado cuantitativo del pronstico, los datos disponibles o datos que se necesitan para realizar
el pronstico pueden ser divididos en series de tiempo (valores que tienen un componente
temporal, como los ingresos en diferentes aos, tasas de inflacin, tasas de inters, acciones de
mercado, y as sucesivamente), datos de corte transversal (valores que son independientes del
tiempo, como el promedio entre los estudiantes universitarios en la nacin en un ao particular,
tomando de cada uno, los valores de sus exmenes SAT, puntajes de coeficiente intelectual y el
nmero de bebidas alcohlicas consumidas por semana), o datos de panel (combinacin entre
datos de series de tiempo y de corte transversal, por ejemplo, los mismos estudiantes y sus
puntajes pero estudiados a travs del tiempo, etc.).
El programa del Simulador de Riesgo ofrece al usuario diversas metodologas de pronstico:

1. ARIMA (Proceso Autoregresivo Integrado de Media Mvil)
2. Auto ARIMA
3. Auto Econometra
4. Econometra Bsica
5. Distribucin Personalizada No Paramtrica
6. Lgica Difusa Combinatoria
7. Spline Cbico
8. GARCH (Proceso Autoregresivo de Heteroscedasticidad Condicional Generalizada)
9. Curvas J
10. Curvas S
11. Cadena de Markov
12. Mxima Probabilidad
13. Redes Neuronales
14. Extrapolacin No Lineal
15. Anlisis de Regresin
16. Pronstico Estocstico
17. Anlisis de Series de Tiempo
18. Lneas de Tendencia
Los detalles del anlisis de cada mtodo del pronstico quedan fuera del mbito de ste manual
de usuario. Para ms detalles, por favor revise Modeling Risk, 2nd Edition, del Dr. Johnathan
Mun (Wiley Finance 2010), quien es tambin el creador del programa del Simulador de Riesgo.
Sin embargo, a continuacin se ilustra algunas de las aplicaciones ms comunes. Todas las dems
aplicaciones de pronstico son bastante fciles de aplicar dentro del Simulador de Riesgo.
Correr la Herramienta de Pronstico en el Simulador de Riesgo
En general, para crear pronsticos, se requieren varios pasos rpidos:

Inicie Excel e ingrese o abra sus datos histricos ya existentes
Seleccione los datos, y de Click en Simulacin y seleccione Pronosticar

Seleccione las secciones relevantes (ARIMA, Regresin Multivariada, Extrapolacin No
lineal, Pronstico Estocstico, Anlisis de Serie de Tiempo) e ingrese las entradas
relevantes
La Figura 3.2 ilustra la herramienta de Pronstico y las distintas metodologas.
Figura 3.2 Mtodos de Pronstico del Simulador de Riesgo
Lo siguiente provee un rpido repaso de cada metodologa y rpidos ejemplos de como

empezar al usar el software. El archivo de ejemplo puede ser encontrado ya sea en el men de
inicio en Inicio | Programas | Real Options Valuation | Simulador de Riesgo | Ejemplos o
ingresando directamente a travs Simulador de Riesgo | Modelos de Ejemplo.
Anlisis de Serie de Tiempo
Teora:
La Figura 3.3 muestra los ocho modelos de serie de tiempo ms comunes, discriminados por
estacionalidad y tendencia. Por ejemplo, si la variable de datos no tiene tendencia o
estacionalidad, entonces un modelo nico de promedio mvil o un modelo de exponencial de
suavizamiento simple seran suficientes. Pero, si la estacionalidad existe pero ninguna tendencia

discernible est presente, se utilizara mejor un modelo aditivo estacional o un modelo
multiplicativo estacional, y as por sucesivamente.
No Estacionalidad Con Estacionalidad
Sin Tendencia
Promedio Movil Simple Aditivo Estacional
Suavizamiento Multiplicatvo
Con Tendencia Exponencial Simple Estacional
Promedio Movil Doble Aditivo Holt-Winter's
Suavizamiento Multiplicativo Holt-

Exponencial Doble Winter's
Figura 3.3 Los Ocho Mtodos de Series de Tiempo Ms Comunes
Procedimiento:
Inicie Excel y abra sus datos histricos si se requiere (el ejemplo abajo usa el archivo
Pronstico de Serie de Tiempo en la carpeta de ejemplos)
Seleccione los datos histricos (los datos deben ser enlistados en una sola columna)
Seleccione Simulador de Riesgo | Pronstico | Anlisis de Series de Tiempo
Escoja el modelo a aplicar, ingrese los supuestos relevantes, y de Click en OK
Figura 3.4 Anlisis de Serie de Tiempo

Interpretacin de Resultados:
La Figura 3.5 ilustra los resultados generados al usar la herramienta de Pronstico. El modelo
usado era el modelo Multiplicativo de Holt-Winters. Note que en la Figura 3.5, las grficas de
ajuste del modelo y pronstico indican que la tendencia y estacionalidad son escogidas
gentilmente por el modelo Multiplicativo de Holt-Winters. El reporte de anlisis de la serie de
tiempo provee los parmetros optimizados alfa, beta y gamma relevante, las medidas de error, los
datos ajustados, valores de pronstico, y grfica de pronstico ajustado. Los parmetros son
simplemente para referencia. Alfa captura el efecto de memoria de los cambios del nivel de base a
travs del tiempo, beta es el parmetro de tendencia que mide la fuerza de la tendencia, mientras
que gamma mide la fuerza de estacionalidad de los datos histricos. El anlisis descompone los
datos en estos tres elementos y entonces los recompone para predecir el futuro. Los datos
ajustados ilustran los datos histricos tambin como los datos ajustados usando el modelo
recompuesto y muestra que tan cerca estn los pronsticos en el pasado (una tcnica llamada
backcasting). Los valores de pronstico son estimados de punto nico o supuestos (si la opcin
Supuestos Generados Automticamente se escoge y si un perfil de simulacin existe). La
grfica resultante ilustra estos valores histricos, ajustados, y de pronstico. La grfica es una
poderosa herramienta visual de comunicacin para observar que tan bueno es el modelo de
pronstico.
Notas:
Este modulo de anlisis de serie de tiempo contiene los ocho modelos de serie de tiempo vistos en
a Figura 3.3. Usted puede escoger el modelo especfico a correr basado en los criterios de
tendencia y estacionalidad o escoger la Seleccin de Auto-Modelo, la cual automticamente itera
a travs de los ochos modelos, optimiza los parmetros, y encuentra el modelo de mejor ajuste
para sus datos. Alternativamente, si escoge uno de los ocho modelos, puede tambin no
seleccionar las casillas de optimizar e ingresar sus propios parmetros alfa, beta y gamma.
Refirase a Modeling Risk, 2nd Edition: Applying Monte Carlo Simulation, Real Options
Analysis, Forecasting and Optimization (Wiley, 2010) para ms detalles sobre las
especificaciones de estos parmetros.
Adems, necesitara ingresar los periodos relevantes de estacionalidad si escoge la seleccin de

modelo automtico en cualquiera de los modelos estacionales. La entrada de estacionalidad tiene
que ser un entero positivo (por ejemplo, si los datos son trimestrales, ingrese 4 como el nmero
de estaciones o ciclos por ao, o ingrese 12 si los datos son mensuales). Despus, ingrese el
nmero de periodos a pronosticar. Este valor tambin tiene que ser un entero positivo. El tiempo
mximo de corrida se establece a 300 segundos. Bsicamente, no se requieren cambios. Sin
embargo, al pronosticar con un monto significativo de datos, el anlisis podra ser ligeramente
ms largo y si el tiempo de proceso excede este tiempo de corrida, el proceso se terminar.
Usted tambin puede elegir generar automticamente los supuestos. Es decir, en vez de estimados
de punto nico, los pronsticos sern supuestos. Finalmente, la opcin de parmetros polares le

permite optimizar los parmetros alfa, beta, y gamma para incluir cero y uno. Ciertos programas
de pronstico permiten estos parmetros polares mientras que otros no. El Simulador de Riesgo le
permite escoger cul de estos usar. Bsicamente, no hay necesidad de usar parmetros polares.
Figura 3.5 Ejemplo de Reporte de Pronstico Holt-Winters

Regresin Mltiple
Teora:
Se supone que el usuario tiene el conocimiento suficiente acerca de los fundamentos del anlisis
de regresin. La ecuacin general de regresin lineal bivariada toma la forma de
Y 0 1 X donde 0 es el intercepto, 1 es la pendiente, y es el trmino de error. Es
bivariada ya que solo hay dos variables, una Y o variable dependiente, y una X o variable
independiente, donde X es conocida como el regresor (algunas veces una regresin bivariada es
tambin conocida como una regresin univariada ya que solo hay una variable X independiente
nica). La variable dependiente es nombrada como tal ya que depende de la variable
independiente, por ejemplo, las ganancias de venta dependen del monto de los costos de
mercadeo gastado en la publicidad y promocin de un producto, siendo la variable dependiente
las ventas y la variable independiente los costos. Un ejemplo de regresin bivariada es visto como
simplemente insertar la lnea que mejor ajuste a travs de un grupo de puntos de datos en un
plano bidimensional o de dos dimensiones como se ve en el panel izquierdo en la Figura 3.6.
En otros casos, una regresin mltiple puede ser ejecutada, donde hay mltiples o un n nmero de
variables independientes X, donde la ecuacin de regresin general ahora tomar la forma de
Y 0 1 X 1 2 X 2 3 X 3 ... n X n . En este caso, la lnea de mejor ajuste estar
dentro un plano dimensional n + 1.
Y Y
Y1

Y2
X X
Figura 3.6 Regresin Bivariada
Sin embargo, ajustar una lnea a travs de un grupo de puntos de datos en un esquema diseminado
como en la Figura 3.6 podra resultar en numerosas lneas posibles. La lnea de mejor ajuste es
definida como la lnea nica que minimiza el total de errores verticales, es decir, la suma de las
distancias absolutas entre los puntos de datos reales (Yi) y la lnea estimada ( Y ) como se muestra

en el panel derecho de la Figura 3.6. Para encontrar la lnea de mejor ajuste que minimice los
errores, se requiere un enfoque ms sofisticado, esto es, anlisis de regresin. El anlisis de
regresin por ende encuentra la lnea nica que mejor ajuste al requerir que el total de errores sea
minimizado, o al calcular:
n
Min (Yi Yi ) 2
i 1
Donde una sola lnea nica minimice est suma de errores al cuadrado. Los errores (la distancia
vertical entre los datos reales y la lnea pronosticada) son al cuadrado para evitar que los errores
negativos cancelen los errores positivos. Resolver este problema de minimizacin con respecto a
la pendiente y el intercepto requiere calcular una primera derivada e igualar a cero:
n n
d d
(Yi Yi ) 2 0 and (Y i Yi ) 2 0
d 0 i 1 d1 i 1
Lo cual trae como resultado las ecuaciones mnimas al cuadrado de la regresin bivariada:
n n
n n Xi Yi
(X X)(Y Y ) X Y
i 1
i i
i 1
i i
i 1 i 1
n
1 n
2
n
(Xi X)2
i1 n
Xi
Xi2 i 1
i 1 n
0 Y 1X
Para la regresin mltiple, la analoga se expande para contar mltiple variables independientes,
donde Yi 1 2 X 2 ,i 3 X 3,i i y las pendientes estimadas pueden ser calculadas por:
2
2
Y X X Y X X
i 2 ,i 3, i i 3,i 2, i X 3, i
X X X X 2 2 2
2 ,i 3, i 2 ,i 3, i
2
3
Y X X Y X X
i 3, i 2 ,i i 2 ,i 2, i X 3, i
X X X X 2 2 2
2 ,i 3, i 2 ,i 3, i
Al correr regresiones mltiples, se tiene que tomar gran cuidado para establecer e interpretar los
resultados. Por ejemplo, se requiere un buen entendimiento del modelado economtrico (por
ejemplo, identificar peligros de la regresin tales como cambios estructurales, multicolinealidad,
heteroscedasticidad, auto correlacin, pruebas de especificacin, no linealidades, etc.) antes de
que un modelo propio puede ser construido. Vea Modeling Risk, 2nd Edition: Applying Monte
Carlo Simulation, Real Options Analysis, Forecasting and Optimization (Wiley, 2010) para un

anlisis ms detallado y discusin sobre la regresin mltiples, tambin para saber cmo
identificar estos peligros de la regresin.
Procedimiento:
Inicie Excel y abra sus datos histricos si se requiere (la ilustracin abajo usa el archivo
Regresin Mltiple en la carpeta de ejemplos)
Revise para asegurarse de que los datos estn colocados en columnas, seleccione el rea
entera de datos incluyendo el nombre de la variable, y seleccione Simulador de Riesgo |
Pronostico | Regresin Mltiple
Seleccione la variable dependiente y revise las opciones relevantes (rezagos, regresin
por pasos, regresin no lineal, y as sucesivamente) y de Click en OK.
La Figura 3.8 ilustra una muestra del reporte de resultados de regresin mltiple. El reporte viene
completo con todos los resultados de la regresin, resultados del anlisis de variacin, grfica
ajustada y resultados de la prueba de hiptesis. Los detalles tcnicos para interpretar estos
resultados estn ms all del alcance de este manual de usuario. Vea Modeling Risk, 2nd Edition:
Applying Monte Carlo Simulation, Real Options Analysis, Forecasting and Optimization (Wiley,
2010) para un anlisis ms detallado y discusin sobre la regresin mltiple. Tambin para la
interpretacin de reportes de regresin.

Figure 3.7 Ejecutar una Regresin Mltiple

Anlisis del Reporte de la Regresin
Estadsticas de Regresin
R-Cuadrado (Coeficiente de Determ inacin) 0.3272
R-Cuadrado Ajustado 0.2508
R-Mltiple (Coeficiente de Correlacin Mltiple) 0.5720
Error Estndar Estim ado (EEy*) 149.6720
Observaciones n 50
El valor R-Cuadrado o el Coeficiente de Determinacin, indica que el 0.33 de la variacin en la variable dependiente puede explicarse y calcularse m ediante el anlisis de
regresin de las variables independientes. Sin embargo, en una regresin m ltiple, el R-Cuadrado Ajustado toma en cuenta la existencia de variables independientes
adicionales o regresores y ajusta el valor de dicha R-Cuadrada Ajustada para obtener un panoram a m s exacto del poder intrnseco de la regresin, puesto que determina la
variabilidad que es explicada por las variables explicativas o independientes, con respecto a la variable dependiente cuando se introduce una variable adicional al m odelo. De
ah que slo el 0.25 de la variacin en la variable dependiente puede ser explicada por las variables independientes cuando se introduce una nueva variable al m odelo.
El Coeficiente de Correlacin Mltiple (R-Mltiple) m ide la correlacin entre la verdadera variable dependiente (Y) y la variable estimada o ajustada (Y*) basado en la ecuacin
de regresin, es decir, establece una m edida del grado de asociacin lineal entre la variable dependiente y la variable estim ada, concretam ente entre la variable dependiente
y la recta de regresin estimada. Esta correlacin tambin es la raz cuadrada del Coeficiente de Determ inacin (R-Cuadrado).
Las estimaciones del Error Estndar (SEy*) describen la dispersin del conjunto de datos por encim a y debajo de la lnea de regresin lineal o plano. Este valor es utilizado
com o parte del clculo para obtener el intervalo de confianza de las estim aciones posteriores.
Resultados de la Regresin
Intercepto X1 X2 X3 X4 X5
Coeficientes 57.9555 -0.0035 0.4644 25.2377 -0.0086 16.5579
Error Estndar 108.7901 0.0035 0.2535 14.1172 0.1016 14.7996
Estadstico t 0.5327 -1.0066 1.8316 1.7877 -0.0843 1.1188
P-Value 0.5969 0.3197 0.0738 0.0807 0.9332 0.2693
Inferior al 5% -161.2966 -0.0106 -0.0466 -3.2137 -0.2132 -13.2687
Superior al 95% 277.2076 0.0036 0.9753 53.6891 0.1961 46.3845
Grados de Libertad Pruebas de Hiptesis

Grados de Libertad para la Regresin 5 Estadstico t Crtico (99% de confianza con df de 44) 2.6923
Grados de Libertad Residual 44 Estadstico t Crtico (95% de confianza con df de 44) 2.0154
Grados Totales de Libertad 49 Estadstico t Crtico (90% de confianza con df de 44) 1.6802
Los coeficientes proporcionan el intercepto y la pendiente de la regresin estim ada. Por ejemplo, los coeficientes son estimaciones de los posibles valores poblacionales b
representados en la siguiente ecuacin de regresin Y = b0 + b1X1 + b2X2 + ... + bnXn. El Error Estndar m ide que tan exactos son los pronsticos de los coeficientes, y el
estadstico t es la razn entre el valor correspondiente al coeficiente estimado y su respectivo Error Estndar.
El estadstico t se utiliza en la prueba de hiptesis, donde se establece la hiptesis nula (Ho) de manera que el coeficiente sea cero, y la hiptesis alternativa (Ha) diferente de
cero, de manera que el verdadero valor del coeficiente no sea igual a cero. Una prueba t se lleva a cabo cuando el estadstico t se com para con los valores crticos de los
Grados de Libertad Residual. La prueba t es m uy importante ya que calcula si cada uno de los coeficientes es estadsticam ente significativo en presencia de otros
regresores. Esto significa que la prueba t comprueba estadsticam ente cuando un regresor o una variable independiente debe continuar en la regresin o de lo contrario,
debe descartarse.
El coeficiente es estadsticam ente significativo si su estadstico t excede el estadstico crtico en los grados de libertad relevantes (df). Los tres principales niveles de
confianza utilizados para medir la significancia son 90%, 95% y 99%. Si un estadstico t del coeficiente excede el nivel crtico, se le considera estadsticamente significativo.
Alternativamente, el P - Value calcula cada probabilidad de ocurrencia del estadstico t, lo que significa que entre m s pequeo sea el P - Value, m s significativo ser el
coeficiente. Los niveles usuales de significancia para el P - Value son 0.01, 0.05, y 0.10, que corresponden a 99%, 95%, y 90% de los niveles de confianza respectivamente.
Los coeficientes con sus P - Value resaltados en azul indican que son estadsticamente significativos al 90% de confianza o 0.10 en nivel alfa, m ientras que aquellos
resaltados en rojo indican que no son estadsticam ente significativos en cualquier otro nivel alfa.
Anlisis de Varianza
Sum a del
Suma de Prom edio Estadstico
P-Value
Cuadrados de F
Cuadrados Pruebas de Hiptesis
Regresin 479388.49 95877.70 4.28 0.0029 Estadstico F Crtico (99% de confianza con df de 5 y 44) 3.4651
Residual 985675.19 22401.71 Estadstico F Crtico (95% de confianza con df de 5 y 44) 2.4270
Total 1465063.68 Estadstico F Crtico (90% de confianza con df de 5 y 44) 1.9828
El cuadro de Anlisis de Varianza (ANOVA) proporciona una prueba con el estadstico F, apoyado en los resmenes generales de las estadsticas significativas de los
m odelos. En lugar de buscar regresores individuales com o en la prueba t, la prueba F busca en todas las propiedades estadsticas de los coeficientes. El estadstico F se
calcula com o la razn de la sum a ponderada de cuadrados de la sum a explicada de la regresin sobre la suma ponderada de cuadrados de la sum a de residuales
cuadrados. El num erador m ide que tanto de la regresin se explica, mientras que el denom inador mide que tanto no se explica. Por lo tanto, m ientras ms grande sea el
estadstico F, m s significativo ser el modelo. El P - Value correspondiente es calculado para com probar la hiptesis nula (Ho) en donde todos los coeficientes son
sim ultneamente iguales a cero, contra la hiptesis alternativa (Ha), en la cual todos son sim ultneamente diferentes a cero, indicando un m odelo de regresin
estadsticam ente significativo. Si el P - Value es m s pequeo que los niveles de significancia alfa, es decir, 0.01, 0.05, o 0.10, entonces la regresin es significativa. La
m isma aproximacin puede aplicarse comparando el estadstico F con los valores crticos de F en varios niveles de significancia.
Pronstico
Periodo Real (Y) Pronstico (P) Error (E) RMSE: 140.4048
1 521.0000 299.5124 221.4876
2 367.0000 487.1243 (120.1243)
3 443.0000 353.2789 89.7211
4 365.0000 276.3296 88.6704
5 614.0000 776.1336 (162.1336)
6 385.0000 298.9993 86.0007
7 286.0000 354.8718 (68.8718)
8 397.0000 312.6155 84.3845
9 764.0000 529.7550 234.2450
10 427.0000 347.7034 79.2966
11 153.0000 266.2526 (113.2526)
12 231.0000 264.6375 (33.6375)
13 524.0000 406.8009 117.1991
14 328.0000 272.2226 55.7774
15 240.0000 231.7882 8.2118
16 286.0000 257.8862 28.1138
17 285.0000 314.9521 (29.9521)
18 569.0000 335.3140 233.6860
19 96.0000 282.0356 (186.0356)
20 498.0000 370.2062 127.7938
21 481.0000 340.8742 140.1258
Figura 3.8 Resultados de Regresin Multivariada

Pronstico Estocstico
Teora:
Un proceso estocstico no es ms que una ecuacin matemticamente definida que puede crear
una serie de resultados en el tiempo, resultados que no son de naturaleza determinstica. Es decir,
una ecuacin o proceso que no sigue ninguna regla simple discernible, tales como el precio que se
incrementa X por ciento cada ao o ganancias que se incrementan por este factor de X ms Y por
ciento. Un proceso estocstico es por definicin no determinstico y uno puede conectar nmeros
dentro de una ecuacin de proceso estocstico y obtener diferentes resultados cada vez. Por
ejemplo, la trayectoria del precio de las acciones es estocstica por naturaleza y uno no puede
predecir confiablemente la trayectoria del precio de las acciones con ninguna certeza. Sin
embargo, la evolucin del precio en el tiempo se desenvuelve en un proceso que genera estos
precios. El proceso es fijado y predeterminado, pero los resultados no lo son. Por ende, a travs
de la simulacin estocstica, creamos mltiples trayectorias de precios, obtenemos un muestreo
estadstico de estas simulaciones, e inferimos las trayectorias potenciales que el precio actual
podra tomar dados la naturaleza y los parmetros del proceso estocstico empleados para generar
la serie de tiempo. Tres procesos estocsticos bsicos son incluidos en la herramienta Pronstico
del Simulador de Riesgo, incluyendo Movimiento Browniano Geomtrico o caminata aleatoria, el
cual es el ms comn y prevalentemente proceso usado debido a su simplicidad y amplio rango
de aplicaciones. Los otros dos procesos estocsticos son el proceso de reversin a la media y el
proceso de salto de difusin.
Lo interesante acerca de la simulacin del proceso estocstico es que los datos histricos no son
necesariamente requeridos. Es decir, el modelo no tiene que ajustar en ningn conjunto de datos
histricos. Simplemente calcule las ganancias esperadas y la volatilidad de los datos histricos o
estmelos usando datos externos comparables o haga supuestos acerca de estos valores. Vea
Modeling Risk, 2nd Edition: Applying Monte Carlo Simulation, Real Options Analysis,
Forecasting and Optimization (Wiley, 2010) del Dr. Johnathan Mun, para ms detalles en cmo
cada de las entradas es calculada (por ejemplo, rango de reversin a la media, probabilidades de
salto, volatilidad, y as por consiguiente).
Procedimiento:
Inicie el modulo al seleccionar Simulador de Riesgo | Pronostico | Procesos Estocsticos
Seleccione los procesos deseados, ingrese las entradas requeridas, de Click en actualizar
grfica unas veces para asegurarse que el proceso se est comportando de la manera que
usted espera, y de Click en OK (Figura 3.9).
La Figura 3.10 muestra los resultados de una prueba del proceso estocstico. La grfica indica
una muestra del conjunto de repeticiones, mientras el reporte explica las bases de los procesos
estocsticos. Adems, los valores del pronstico (media y desviacin estndar) para cada periodo

de tiempo son provistos. Usando estos valores, usted puede decidir cual periodo de tiempo es
relevante para su anlisis y establecer supuestos basados en estos valores de media y desviacin
estndar usando la distribucin normal. Estos supuestos pueden entonces ser simulados en su
propio modelo.
Figura 3.9 Pronstico de Proceso Estocstico

Figura 3.10 Resultado de Pronstico Estocstico

Extrapolacin No Lineal
Teora:
La extrapolacin involucra hacer proyecciones estadsticas al utilizar tendencias histricas que
son proyectadas por un periodo de tiempo en el futuro. Solo se usa para pronsticos de serie de
tiempo. Para datos de corte transversal o de datos de panel (serie de tiempo con datos de corte
transversal), la regresin mltiple es ms apropiada. Est metodologa es til cuando no se
esperan cambios mayores, es decir, se espera que factores casuales permanezcan constantes o
cuando los factores casuales de una situacin no son claramente comprendidos. Tambin ayuda a
desalentar la introduccin de tendencias personales en los procesos. La extrapolacin es
apropiadamente confiable, relativamente simple, y econmica de implementar. Sin embargo la
extrapolacin, la cual supone que las tendencias histricas y recientes continuarn, produce
grandes errores de pronstico si las discontinuidades ocurren dentro del periodo de tiempo
proyectado. Esto es, la extrapolacin pura de serie de tiempo supone que todo lo que necesitamos
saber est contenido en los valores histricos de la serie que est siendo pronosticada. Si
pensamos que el comportamiento anterior es un buen pronosticador del comportamiento futuro, la
extrapolacin es atractiva. Esto la hace un enfoque til cuando todo lo que se necesita son pocos
pronsticos de corto plazo.
Est metodologa estima la funcin f(x) para cualquier valor x, al interpolar una curva no lineal
suave a travs de todos los valores x, y usando est curva suave, colocar en extrapolacin los
valores x futuros ms all del conjunto de datos histricos. La metodologa emplea, ya sea, la
forma de funcin polinomial o la forma funcional racional (un cociente de dos funciones
polinomiales). Bsicamente, una forma funcional polinominal es suficiente para que los datos
tengan un buen comportamiento, sin embargo, formas funcionales racionales son algunas veces
ms exactas (especialmente con funciones polares), es decir, funciones con denominadores
acercndose a cero)
Procedimiento:
Inicie Excel y abra sus datos histricos si se requiere (la siguiente ilustracin mostrada
usa el perfil Extrapolacin No lineal de la carpeta de ejemplos)
Seleccione los datos de la serie de tiempo y seleccione Simulador de Riesgo | Pronostico
| Extrapolacin No lineal
Seleccione el tipo de extrapolacin (seleccin automtica, funcin polinominal o funcin
racional) e ingrese el nmero del periodo de pronstico deseado (Figura 3.11) y de Click
en OK

El reporte de resultados mostrados en la Figura 3.12 muestra los valores del pronstico
extrapolado, las medidas de error y la representacin grfica de los resultados de la extrapolacin.
Las medidas de error deben ser utilizadas para verificar la validez del pronstico y es
especialmente importante cuando se usan para comparar la calidad del pronstico y la exactitud
de la extrapolacin contra el anlisis de serie de tiempo.
Notas:
Cuando los datos histricos son suaves y siguen algunos patrones y curvas no lineales, la
extrapolacin es mejor que el anlisis de serie de tiempo. Pero, cuando los patrones de datos
siguen ciclos estacionales y una tendencia, el anlisis de serie de tiempo le dar mejores
resultados.
Figura 3.11 Correr una Extrapolacin No Lineal

Figura 3.12 Resultados de una Extrapolacin No lineal
Serie de Tiempo Avanzada Box-Jenkins ARIMA
Teora:
Una herramienta poderosa en el pronstico de serie de tiempo avanzadas es el enfoque ARIMA o
Proceso Autoregresivo Integrado de Media Mvil (ARIMA). El pronstico ARIMA rene tres
herramientas separadas dentro de un modelo comprensivo. El segmento de la primera herramienta
es el trmino Autoregresivo o AR. El cual corresponde al nmero de valores atrasados del
residual en el modelo de pronstico incondicional. En esencia, el modelo captura la variacin
histrica de los datos reales en un modelo de pronstico y usa est variacin o residual para crear
un modelo de prediccin mejor. El segmento de la segunda herramienta es el orden de
integracin o el trmino I (I). Este trmino de integracin corresponde al nmero de
diferenciacin de la serie de tiempo para que esta sea estacionaria. Este elemento cuenta para
cualquier ndice de crecimiento no lineal existente en los datos. El segmento de la tercera
herramienta es el trmino de media mvil o MA, el cual es esencialmente el promedio de
movimiento de los errores de pronsticos atrasados. Al incorporar estos errores de pronstico
atrasado, en esencia el modelo aprende de sus errores de pronstico y los corrige a travs de de un
clculo del promedio mvil. El modelo ARIMA sigue la metodologa Box-Jenkins con cada

trmino representando los pasos tomados en la construccin del modelo hasta que solo queda el
ruido aleatorio. Tambin, el modelado de ARIMA usa tcnicas de correlacin al generar
pronsticos. ARIMA puede ser usado para modelar patrones que no podran ser visibles en datos
graficados. Adems, los modelos de ARIMA pueden ser mezclados con variables exgenas, pero
asegrese de que las variables exgenas tengan suficientes puntos de datos para cubrir el nmero
adicional de periodos para pronosticar. Finalmente, est atento, ya que debido a la complejidad de
estos modelos, este modulo podra toma ms tiempo en correr.
Aqu hay muchas razones del porqu un modelo ARIMA es superior al anlisis comn de serie de
tiempo y regresiones mltiples. El hallazgo comn en el anlisis de serie de tiempo y regresin
mltiple es que los residuales de error estn correlacionados con sus propios valores atrasados.
Est correlacin en serie viola el supuesto estndar de la teora de regresin de que las
perturbaciones no estn correlacionadas con otras perturbaciones. Los problemas primarios
asociados a una correlacin serial son:
Los anlisis de regresin y anlisis de serie de tiempo bsico ya no son eficientes entre
los diferentes estimadores lineales. Sin embargo, ya que los residuales de error pueden
ayudar a predecir residuales de error comn, podemos tomar ventaja de esta informacin
para formar una mejor prediccin de una variable dependiente usando ARIMA.
Los errores estndar calculados usando la regresin y la formula de serie de tiempo no

son correctos, y generalmente estn incompletos, y si hay variables dependientes
atrasadas establecidas como los regresores, los estimados de la regresin son insesgados e
inconsistentes pero pueden ser fijados usando ARIMA.
Los modelos Autoregresivos Integrados de Media Mvil o ARIMA (p, d, q) son la extensin del
modelo AR que utiliza tres componentes para modelar la correlacin serial en los datos de serie
de tiempo. El primer componente es el trmino Autoregresivo (AR). El modelo AR(p) usa los
rezagos p de la serie de tiempo en la ecuacin. Un modelo AR(p) tiene la forma: yt = a1yt-1 + ... +
apyt-p + et. El Segundo componente es el trmino de orden (d) de integracin. Cada orden de
integracin corresponde a la diferenciacin de la serie de tiempo. I(1) significa diferenciar los
datos una vez. I(d) significa diferenciar los datos d veces. El tercer componente es el trmino de
media mvil (MA),. El modelo MA(q) usa los atrasos q de los errores de pronstico para mejorar
el pronstico. Un modelo MA(q) tiene la forma: yt = et + b1et-1 + ... + bqet-q. Finalmente, un
modelo ARIMA(p,q) tiene la forma combinada: yt = a1 yt-1 + ... + a p yt-p + et + b1 et-1 + ... + bq et-q.
Procedimiento:
Inicie Excel e ingrese sus datos o abra la hoja de trabajo existente con datos histricos
para pronosticar (la ilustracin mostrada a continuacin usa el archivo de ejemplo del
archivo de Serie de Tiempo ARIMA)

Seleccione los datos de serie de tiempo y seleccione Simulador de Riesgo | Pronosticar |
ARIMA
Ingrese los parmetros relevantes P, D, y Q (enteros positivos solamente) e ingrese el
nmero de periodo de pronstico deseado y de Click en OK
Al interpretar los resultados de un modelo ARIMA, la mayora de la especificaciones son
idnticas al anlisis de regresin mltiple (vea Modeling Risk, 2nd Edition: Applying Monte
Carlo Simulation, Real Options Analysis, Forecasting and Optimization (Wiley, 2010) del Dr.
Johnathan Mun, para ms detalles tcnicos acerca de la interpretacin del anlisis de regresin
mltiple y modelos ARIMA). Sin embargo, hay varios conjuntos adicionales de resultados
especficos al anlisis de ARIMA como se ve en la Figura 3.14. El primero, la suma del Criterio
de Informacin Akaike (AIC), y el Criterio Schwarz (SIC), los cuales son usados frecuentemente
en la seleccin e identificacin del modelo ARIMA. Esto es, AIC y SIC son utilizados para
determinar si un modelo particular con un conjunto especfico de parmetros p, d, y q tienen un
ajuste estadstico bueno. CS impone una pena ms grande para coeficientes adicionales que AIC
pero generalmente, el modelo con los valores menores AIC y SIC deben ser escogidos.
Finalmente, un set adicional de resultados llamado estadsticas de auto correlacin (AC) y auto
correlacin parcial (PAC), (ACP), se dan en el reporte ARIMA.
Por ejemplo, si la auto correlacin AC (1) es diferente de cero, significa que la serie es
serialmente correlacionada de primer orden.. Si AC se termina ms o menos geomtricamente
con atrasos crecientes, implica que la serie sigue un proceso auto regresivo de bajo orden. Si AC
cae a cero despus de un nmero pequeo de atrasos implica que la serie sigue un proceso de
media mvil de orden bajo. En contraste, PAC mide la correlacin de los valores que son
periodos k aparte despus de quitar la forma de correlacin de atrasos que intervienen. Si el
patrn de correlacin puede ser capturado por una auto regresin de orden menor a k, entonces la
correlacin parcial en retraso k estar cerca de cero. Las estadsticas Ljung-Box Q y sus valores p
en retraso k tambin son provistas, donde la hiptesis nula que se est probando es tal que no hay
correlacin hasta ordenar k. Las lneas punteadas en los esquemas de las auto correlaciones son el
aproximado dos errores estndar de lmites de error. Si la correlacin est dentro de estos lmites,
no es significativamente diferente de cero al nivel de significancia del 5% aproximadamente.
Encontrar el modelo ARIMA apropiado, lleva prctica y experiencia. Estos AC, ACP, CS, y CIA
son herramientas de diagnstico altamente tiles para ayudar a identificar la especificacin del
modelo correcto.

Figura 3.13A Herramienta de Pronstico Box Jenkins ARIMA

Figura 3.13B Reporte de Pronstico Box Jenkins ARIMA

AUTO ARIMA (Series de Tiempo Avanzada Box-Jenkins ARIMA)
Teora:
Est herramienta proporciona un anlisis idntico al mdulo de ARIMA pero la diferencia radica
en que el mdulo del Auto ARIMA automatiza parte del ARIMA tradicional modelando
automticamente, para probar mltiples permutaciones de especificaciones de ejemplos y
encuentra el mejor modelo o el ms apropiado. Correr el Auto ARIMA es semejante a
pronsticos regulares de ARIMA. La diferencia es la asignacin de P, D, y Q que encuentra
combinaciones diferentes de estas entradas y las corre automticamente para compararlas ms
adelante.
Procedimiento:
Inicie Excel e ingrese sus datos o abra una hoja de trabajo existente con datos histricos
para pronosticar (la ilustracin mostrada en la Figura 3.14 usa el archivo del Modelos de
Ejemplo | Modelos de Pronstico Avanzado)
En el AUTO ARIMA de la hoja de trabajo, seleccione Simulador de Riesgo | Pronstico
| AUTO-ARIMA
De Click en el icono del eslabn y el seleccione los datos existentes de la serie del tiempo
e ingrese el nmero de perodos de pronstico deseado y de Click en OK
Figura 3.14 Mdulo AUTO ARIMA

Econometra Bsica
Teora:
La econometra se refiere a una rama analtica de los negocios, que modela tcnicas para
pronosticar la conducta o pronosticar ciertos comportamientos de las variables econmicas.
Correr los modelos de Econometra Bsica es semejante a realizar un anlisis regular de regresin
excepto por que la variable dependiente y las variables independientes son modificadas antes de
ejecutar una regresin. El informe generado es el mismo que el mostrado previamente en la
Regresin Mltiple y la interpretacin es idntica a esa descripcin previa
Procedimiento:
para pronosticar (la ilustracin mostrada en usos de Figura 3.14 el archivo de Modelos de
Ejemplo | Modelos de Pronstico Avanzado))
Seleccione los datos en Econometra Bsica, escoja Simulador de Riesgo | Pronstico |
Econometra Bsica
Ingrese la variable dependiente e independiente deseada y (vea la Figura 3.15 por
ejemplo) y de Click en OK para ejecutar el modelo y el informe, o de Click en Mostrar
Resultados para ver los resultados antes de generar el informe en caso de que usted
necesite hacer cualquiera cambio en el modelo.
Figura 3.15 Econometra Bsica Mdulo
Curvas J-S
Teora:
La curva J o la curva exponencial del crecimiento es aquella donde el crecimiento del prximo
perodo depende del nivel actual del perodo y su aumento es exponencial. Esto significa que con
el paso del tiempo, los valores aumentarn significativamente, de un perodo a otro. Este modelo
es usado tpicamente para pronosticar el crecimiento biolgico y las reacciones qumicas.
Procedimiento:
Escoja Simulador de Riesgo | Pronstico | Curvas JS
Escoja el tipo de curva J o S e ingrese los supuestos requeridos de entrada (vea las
Figuras 3.16 y 3.17 por ejemplo) y de Click en OK para correr el modelo y el generar el
informe
Figura 3.16 J-Curva
La curva de S o curva logstica de crecimiento comienza como una curva J, con tasas
exponenciales de crecimiento. Con el tiempo, el ambiente se satura (por ejemplo, la saturacin
del mercado, la competencia, atestando), y el crecimiento se hace ms lento, y el valor del
pronstico va a parar eventualmente en un nivel de la saturacin mximo. Este modelo es usado
tpicamente para pronosticar el crecimiento de ventas de un producto nuevo, desde la
introduccin en el mercado hasta la madurez y la decadencia. La figura 3.17 ilustra una curva de
S de ejemplo.
Figura 3.17 S-Curva
GARCH Pronstico de Volatilidad
Teora:
El Proceso Generalizado Autoregresivo de Heteroscedasticidad Condicional (GARCH) se usa
para modelar la informacin histrica y pronosticar los niveles futuros de volatilidad de un activo
financiero (por ejemplo, los precios de acciones, los precios de bienes, los precios de aceite,
etctera). Los datos tienen que ser una serie de tiempo en trminos de precio. GARCH hace
primero una conversin de los precios en retornos relativos y entonces corre una optimizacin
interna para hacer que los datos histricos tengan una estructura de reversin a la media del
trmino de la volatilidad, mientras que asume que la inestabilidad es de naturaleza
heteroscedastica (los cambios en el tiempo siguen algunas caractersticas economtricas). La
especificacin terica de un modelo GARCH est fuera del alcance de este manual de usuario.
Para ms detalles en modelos de GARCH, refirase por favor a "Advanced Analytical Models
por Dr. Johnathan Mun (Wiley 2008).
Procedimiento:
para pronosticar GARCH, o seleccione Simulador de Riesgo | Pronstico | GARCH
De Click en el icono del eslabn y escoge la Ubicacin de sus Datos e ingrese las
supuestos de entrada requeridos (vea la Figura 3.18) y de Click en OK para correr el
modelo y generar el informe.
Nota
La situacin tpica del pronstico de volatilidad requiere P = 1, Q = 1, la Periodicidad = el
nmero de perodos por ao (12 para datos mensuales, 52 para datos semanales, 252 o 365 para
datos diarios), la Base = el mnimo de 1 y hasta el valor de la periodicidad, y hasta los Perodos
del Pronstico = el nmero de volatilidad anualizada pronosticada que desea obtener.
Figure 3.18 GARCH Pronostico de Volatilidad.
zt ~ Normal zt ~ T
GARCH-M yt c t2 t yt c t2 t
t t zt t t zt
2 2 2

t t 1 t 1 t2 t21 t21
GARCH-M yt c t t yt c t t
t t zt t t zt
t2 t21 t21 t2 t21 t21
GARCH-M yt c ln( t2 ) t yt c ln( t2 ) t
t t zt t t zt
2 2 2

t t 1 t 1 t2 t21 t21
GARCH yt xt t yt t
t2 t21 t21 t t zt
t2 t21 t21
EGARCH yt t yt t
t t zt t t zt
ln t2 ln t21 ln t2 ln t21

t 1 E ( t ) r t 1 t 1 E ( t ) r t 1
t 1 t 1 t 1 t 1
2 2 2 (( 1) / 2)
E( t ) E( t )
( 1)( / 2)
GJR-GARCH yt t yt t
t t zt t t zt
t2 t21 t2 t21
r t21dt 1 t21 r t21dt 1 t21
1if t 1 1if t 1
dt 1 dt 1
0otherwise 0otherwise
La Cadena de Markov
Teora:
Una cadena de Markov existe cuando la probabilidad de un estado futuro depende de un estado
previo y cuando se unen estas dos condiciones se forma una cadena que vuelve a revertir su
estado de nivel. Este enfoque se usa tpicamente para pronosticar la accin de mercado de dos
competidores. La cadena de Markov busca la probabilidad de ocurrencia de dos eventos o
estados, por ejemplo, encontrar la probabilidad de que un cliente de una tienda en un periodo 1
regrese nuevamente a la tienda en el periodo 2 contra la probabilidad de que el mismo cliente
visite la tienda pero de un competidor.
Procedimiento:
Inicie Excel y seleccione Simulador de Riesgo | Pronstico | La Cadena de Markov
Entre en las supuestos requeridos (vea la Figura 3.19 para un ejemplo) y de Click en OK
para correr el modelo y el informe.
Figura 3.19 La Cadena de Markov
Modelo de Probabilidad Mxima (MLE): Logit, Probit, Tobit
Teora:
Las Variables Dependientes Limitadas describen las situaciones donde la variable dependiente
contiene datos que estn limitados en alcance y rango, como binarias (0 o 1), truncadas,
ordenadas o datos censurados. Por ejemplo, dado un conjunto de variables independientes (p.ej.,
edad, ingreso, educacin, cupo de tarjeta de crdito o tenencia de prstamo hipotecario), podemos
calcular la probabilidad de incumplimiento utilizando la estimacin de mxima verosimilitud
(MLE por sus siglas en ingles). La respuesta o variable dependiente Y es binaria, es decir,
puede tener solamente dos posibles resultados que denotaremos como 1 y 0 (p.ej., Y puede
representar la ausencia/presencia de una condicin especifica, cumplimiento/incumplimiento de
un prstamo previo, xito/fracaso de algunos dispositivos, respuesta si/no en estudios, etc.).
Tambin tenemos un vector de variables independientes o regresores de X, los cuales se asumen
con influencia en el resultado Y. Una tpica aproximacin con una regresin de mnimos
cuadrados ordinarios es incorrecta porque los errores de la regresin son heteroscedasticos y no
normales; y los resultados estimados de probabilidad resultantes serian valores sin sentido sobre 1
o debajo de 0. MLE se ocupa de estos problemas de anlisis utilizando una rutina de optimizacin
iterativa que maximiza la funcin logartmica de verosimilitud cuando las variables dependientes
son limitadas.
Una regresin Logit o Logstica es usada para predecir la probabilidad de ocurrencia de un evento
para datos ajustados a una curva logstica. Esto es generalizado en el modelo lineal utilizado para
la regresin binomial. MLE aplicado en un anlisis logstico multivariado binario es usado para
modelar variables dependientes para determinar la probabilidad esperada de xito de pertenecer a
un cierto grupo. Los coeficientes estimados por el modelo Logit son cocientes logartmicos de
probabilidad, y no pueden interpretarse directamente como probabilidades. Un rpido calculo es
requerido primero y luego la aproximacin es sencilla.
Especficamente, el modelo Logit es especificado como Estimado Y= LN[Pi/(1Pi)] o en cambio,

, Pi = EXP(Estimado Y)/(1+EXP(Y Estimado)), y los coeficientes i son cocientes logartmicos
de probabilidad, a fin de tomar el antilogaritmo o EXP(i) obtenemos los cocientes de
probabilidad de Pi/(1Pi). Esto significa que un incremento en una unidad de i incrementa la
probabilidad en este monto. Finalmente, la tasa de cambio en la probabilidad dP/dX = iPi(1Pi).
El Error Estndar mide la precisin de los coeficientes, y la t-estadstica son los coeficientes de
cada Coeficiente respecto a sus errores estndar, los cuales son usados en la prueba de hiptesis
para calcular el nivel de significancia de cada parmetro estimado. Para estimar la probabilidad
xito de pertenecer a un grupo especifico (p. ej., predecir si un fumador desarrollara
complicaciones pulmonares dado el monto de cigarrillos consumidos por ao), simplemente
calcule el valor Estimado Y utilizando los coeficientes MLE. Por ejemplo, si el modelo es Y =
1.1 + 0.005 (Cigarrillos) entonces para una persona que fume paquetes de cigarrillos por ao tiene
un Y Estimado de 1.1 + 0.005(100) = 1.6. Despus, calcule la inversa del antilogaritmo para el
valor encontrado previamente de probabilidad EXP(Y Estimado)/[1 + EXP(Y Estimado)] =
EXP(1.6)/(1+ EXP(1.6)) = 0.8320. Por lo tanto una persona tiene un 82.20% de probabilidad de
desarrollar algun tipo de complicacin pulmonar en vida.
Un modelo Probit (algunas veces conocido como modelo Normit) es una alternativa popular de
especificacin para un modelo binario en cual emplea una funcin probit utilizando una
estimacin de mxima verosimilitud y la aproximacin es llamada regresin probit. Los modelos
de regresin Probit o Logistica tienden a producir predicciones similares, donde los parmetros
estimados en una regresin logstica son entre 1.6 y 1.8 veces ms altos que los correspondientes
a los coeficientes de un modelo Probit. La eleccin de un modelo Probit o Logit es enteramente
relacionado con la conveniencia particular, y la principal distincin entre ambos se basa en el
hecho que la distribucin logstica tiene una mayor curtosis (colas gordas) para tener en cuenta en
los valores extremos. Por ejemplo, suponga que una familia tiene la decisin de adquirir una
vivienda y su respuesta es una variable binaria (comprar o no comprar la vivienda) y depende de
una serie de variables independientes Xi como son el ingreso, la edad, tal que Ii = 0 + 1X1
+...+ nXn, donde el mayor valor de li, significa una mayor probabilidad de ser propietario de la
vivienda. Para cada familia, existe un umbral crtico I*, donde si es superado la casa es comprada
por alguien ms, es decir, la cas ano es comprada, y la probabilidad de salida (P) se asume
distribuida normalmente, tal que Pi=CDF(I) utilizando una funcin de distribucin acumulada
normal estndar (CDF). Por lo tanto, usa los coeficientes estimados exactamente igual a los de un
modelo de regresin, utilizando el valor Estimado Y, y aplicar la distribucin normal estndar
(usted puede usar la funcin Excel DISTR.NORM.ESTAND o la herramienta de Anlisis de
Distribucin seleccionando la distribucin Normal y ajustando la media en 0 y la desviacin
estndar en 1). Finalmente, para obtener un Probit o unidad de probabilidad, defina li + 5 (esto es
porque siempre la probabilidad Pi < 0.5, el estimado li es negativo, debido al hecho que la
distribucin normal es simtrica alrededor de una media de cero).
El modelo Tobit (Tobit Censurado) es un mtodo de modelacin biomtrica y economtrica

usada para describir la relacin entre una variable dependiente no-negativa Yi y una o ms
variables independientes Xi. Un modelo Tobit es un modelo economtrico en el cual la variable
dependiente es censurada; esto es, la variable dependiente es censurada porque los valores debajo
de cero no son observados. El modelo Tobit asume que existe una variable inobservable latente
Y*. Esta variable es linealmente dependiente de las variables Xi va un vector de coeficientes i,
que determina sus interrelaciones. En adicin, el trmino del error Ui est distribuido
normalmente para capturar la influencia aleatoria en esta relacin. La variable observable Yi es
definida como la igualdad de la variable latente siempre que las variables latentes sean superiores
a cero y Yi es asumido como cero en otro caso. Esto es, Yi = Y* si Y* > 0 y Yi = 0 si Y* = 0. Si
el parmetro de relacin i es estimado utilizando una regresin de mnimos cuadrados ordinarios
de los observados Yi en Xi, los estimadores de la regresin calculada son inconsistentes y el
coeficiente de la pendiente se encuentra insesgada hacia abajo y el intercepto insesgado hacia
arriba. nicamente el MLE podra ser consistente para un modelo Tobit. En el modelo Tobit, se
tiene un complemento estadstico llamado Sigma, el cual e equivalente al error estndar de la
estimacin en una regresin de mnimos cuadrados ordinarios y los coeficientes estimados son
usados en el mismo sentido que en el anlisis de regresin.
Procedimiento:
Seleccione MLE en la hoja de trabajo, y escoja los datos a estudiar, inclusive los
encabezamientos y seleccione Simulador de Riesgo | Pronstico | Modelo de Mxima
Verosimilitud
Escoja la variable dependiente de la pestaa habilitada (vea la Figura 3.20) y de Click en
OK para correr el modelo y el informe.
Figura 3.20 Mxima Verosimilitud
Spline Cbico (Interpolacin y Extrapolacin)
Teora:
Algunas veces se pierden valores en un conjunto de datos de serie de tiempo. Por ejemplo, los
tipos de inters de algunos aos pueden existir as: de 1 a 3, seguido por los aos de 5 a 8, y el
ao 10 como periodo final. Las curvas de Spline se pueden usar para interpolar el tipo de inters
perdido de algunos aos basado en los datos que existen. Las curvas de Spline se pueden usar
tambin para pronosticar o extrapolar los valores de perodos de tiempo futuro ms all del
perodo de tiempo de los datos disponibles. Los datos pueden ser lineales o no-lineales. La figura
3.21 ilustra cmo se corre un spline cbico. Los valores X conocidos representan los valores en el
eje X en un plano (en nuestro ejemplo, esto es Aos para un tipo de inters conocido) y los
valores Y conocidos representan los valores en el eje Y (en nuestro caso, el tipo de inters
conocido).
Figura 3.21 Spline Cbico
Procedimiento:
En el Spline Cubico de la hoja de trabajo, seleccione Simulador de Riesgo | Pronstico |
Spline Cbico.
De Click en el icono del eslabn y seleccione los valores X conocidos y los valores Y
conocidos (vea la Figura 3.21 para un ejemplo), entonces entra en el valor Comenzar y
los valores Finalizan para extrapolar e interpolar, as como tambin el Paso Tamao
requerido. De Click en OK para correr el modelo y el generar el informe.
4. OPTIMIZACIN
Esta seccin se enfoca en el proceso de optimizacin y las metodologas que se usan en el

Simulador de Riesgo. Estas metodologas incluyen el uso de optimizacin continua en contra de
la optimizacin de enteros discretos, as como la optimizacin esttica contra la optimizacin
dinmica y estocstica.
Metodologas de Optimizacin
Muchos algoritmos existen para correr la optimizacin y muchos procedimientos existen cuando
la optimizacin es acoplada con la simulacin de Monte Carlo. En el Simulador de Riesgo hay
tres procedimientos de optimizacin y tipos de optimizacin dependiendo las caractersticas de
las variables de decisin. Por ejemplo, El Simulador de Riesgo puede manejar Variables de
Decisin Continua (1.2535, 0.2215, y as) tambin como Variables de Decisin Enteros (por
ejemplo, 1, 2, 3, 4 o 1.5, 2.5, 3.5, y as sucesivamente), Variables de Decisin Binaria (1 y 0 para
tomar y no tomar decisiones), y Variables de Decisin Mixta (ambas variables ntegras y
continuas). Adems, el Simulador de Riesgo puede manejar Optimizacin lineal (es decir,
cuando el objetivo y las restricciones son todas ecuaciones y funciones lineales) tambin como las
Optimizaciones No lineales (es decir, cuando el objetivo y restricciones son una mezcla de lineal
tambin como de funciones y ecuaciones no lineales).
Hasta donde el proceso de optimizacin concierne, el Simulador de Riesgo puede ser utilizado
para correr una Optimizacin Discreta, esto es, una optimizacin que se corre en un modelo
discreto o esttico, donde no se corren simulaciones. En otras palabras, todas las entradas en el
modelo son estticas y sin cambios. Este tipo de optimizacin es aplicable cuando el modelo se
supone conocido y no existe incertidumbre. Tambin, una optimizacin Discreta puede ser
corrida primero para determinar el portafolio ptimo y su asignacin optima de variables de
decisin antes de que se apliquen procedimientos de optimizacin ms avanzados. Por ejemplo,
antes de correr un problema de Optimizacin Estocstica, primero se corre una optimizacin
Discreta, para determinar si existen soluciones al problema de optimizacin antes de que se
ejecute un anlisis ms prolongado.
Despus, la Optimizacin Dinmica se aplica cuando la simulacin Monte Carlo se usa junto con
la optimizacin. Otro nombre para tal procedimiento es Simulacin-Optimizacin. Esto es,
primero se corre una simulacin, entonces los resultados de la simulacin son aplicados en el
modelo Excel, y entonces se aplica la optimizacin a los valores simulados. En otras palabras, se
corre una simulacin para N intentos y entonces un proceso de optimizacin se corre para M
repeticiones hasta que se obtengan ptimos resultados o hasta que se encuentre un conjunto no
factible. Es decir, usando el mdulo de optimizacin del Simulador de Riesgo, usted puede
escoger cuales estadsticas de pronstico y de supuesto usar y reemplazar en el modelo despus
de que se corra la simulacin. Entonces, estas estadsticas de pronstico pueden ser aplicadas en
el proceso de optimizacin. Este enfoque es til cuando tiene un modelo grande con muchos
pronsticos y supuestos interactuando, y cuando algunas de las estadsticas de pronstico se
requieren en la optimizacin. Por ejemplo, si la desviacin estndar de un supuesto o pronstico
se requiere en el modelo de optimizacin (por ejemplo, calcular el Cociente de Sharpe en la
colocacin activa y los problemas de optimizacin donde tenemos la media dividida por la
desviacin estndar del portafolio), entonces se debe de usar este enfoque.
El proceso de Optimizacin Estocstica, en contraste, es similar al procedimiento de

optimizacin dinmica con la excepcin de que el proceso entero de optimizacin dinmica se
repite T veces. Esto es, se corre una simulacin con N intentos, y entonces se corre una
optimizacin con M repeticiones para obtener resultados ptimos. Entonces el proceso se repite T
veces. Los resultados sern una grfica de cada variable de decisin con valores T. En otras
palabras, se corre una simulacin y las estadsticas de pronstico o supuesto se utilizan en el
modelo de optimizacin para encontrar la colocacin ptima de las variables de decisin.
Despus, se corre otra simulacin, generando diferentes estadsticas de pronstico, y estos nuevos
valores actualizados son entonces optimizados, y as sucesivamente. De ah que las variables de
decisin final tengan cada una su propia grfica de pronstico, indicando el rango de variables de
decisin ptima. Por ejemplo, en vez de obtener estimados de punto nico en el procedimiento de
optimizacin dinmica, ahora puede obtener una distribucin de las variables de decisin, por
ende, un rango de valores ptimos para cada variable de decisin, tambin conocida como una
optimizacin estocstica.
Finalmente, un proceso de optimizacin de Frontera Eficiente (Efficient Frontier) aplica los

conceptos de incrementos marginales y valuacin de precios sombra (shadow pricing) en la
optimizacin. Esto es, qu sucedera a los resultados de la optimizacin si una de las
restricciones fuese ligeramente relajada? Digamos, por ejemplo, si la restriccin de presupuesto
es establecido a $1 milln. Qu pasara con el resultado del portafolio y las decisiones ptimas si
la restriccin fuese ahora de $1.5 millones, o $2 millones, y as sucesivamente? Este es el
concepto en finanzas de fronteras eficientes de Markowitz en inversin, donde, si la desviacin
estndar del portafolio se le permite incrementar ligeramente, qu beneficios adicionales
generar el portafolio? Este proceso es similar al proceso de optimizacin dinmico con la
excepcin de que a una de las restricciones se le permite cambiar, y con cada cambio, se corre el
proceso de simulacin y optimizacin. Este proceso se aplica mejor manualmente usando el
Simulador de Riesgo.
Es decir, corra una optimizacin dinmica o estocstica, entonces vuelva a correr otra
optimizacin con una restriccin, y repita ese procedimiento varias veces. Este proceso manual es
importante ya que al cambiar la restriccin, el analista puede determinar si los resultados son
similares o diferentes, por ende, que sea digno de anlisis adicional, o para determinar que tan
lejos debe ser el incremento marginal en la restriccin para obtener un cambio significativo en el
objetivo y las variables de decisin.
Un comentario es digno de consideracin. Existen otros productos de software que supuestamente

ejecutan optimizacin estocstica pero de hecho no lo hacen. Por ejemplo, despus de que se
corre una simulacin, entonces una repeticin del proceso de optimizacin se genera, y entonces
se corre otra simulacin, entonces la segunda repeticin de optimizacin es generada y as
sucesivamente, es simplemente una prdida de tiempo y recursos. Esto es, en optimizacin, el
modelo es puesto a travs de un riguroso grupo de algoritmos, donde mltiples repeticiones (que
van de varios a miles de repeticiones) son requeridas para obtener resultados ptimos. De ah que,
generar una repeticin a la vez es una prdida de tiempo y recursos. El mismo portafolio puede
ser resuelto usando el Simulador de Riesgo por menos de 1 minuto en comparacin a mltiples
horas usando este enfoque atrasado. Tambin, tal enfoque de supuesta simulacin-optimizacin
traer malos resultados, y no es un enfoque de optimizacin estocstica. Sea extremadamente
cuidadoso de tales metodologas cuando aplique la optimizacin a sus modelos.
Los siguientes son dos ejemplos de problemas de optimizacin. Uno usa variables de decisin
continuas mientras que el otro usa variables de decisin de enteros discretos. En uno y otro
modelo puede aplicar optimizacin Discreta, optimizacin dinmica, optimizacin estocstica, o
incluso las fronteras eficientes con valuacin de sombra. Cualquiera de estos enfoques puede ser
usado para estos dos ejemplos. De ah que, por simplicidad, solo el sistema de organizacin del
modelo ser ilustrado y depende del usuario decidir cual enfoque de optimizacin correr.
Tambin, el modelo continuo utiliza el enfoque de optimizacin no lineal (esto es porque el
riesgo de portafolio computado es una funcin no lineal, y el objetivo es una funcin no lineal de
las ganancias del portafolio dividida entre los riesgos del portafolio) mientras el segundo ejemplo
de una optimizacin de entero es un ejemplo de un modelo de optimizacin lineal (su objetivo y
todas sus restricciones son lineales). De ah que estos dos ejemplos encapsulan todos los
procedimientos ya mencionados.
Optimizacin con Variables de Decisin Continua
La Figura 4.1 ilustra la muestra del modelo de optimizacin continua. El ejemplo planteado
utiliza el archivo de Optimizacin Continua que se encuentra en el men de inicio en Inicio |
Real Options Valuation | Simulador de Riesgo | Ejemplos o ingrese directamente a travs de
Simulador de Riesgo | Modelos de Ejemplo. En este ejemplo, hay 10 clases de activos
financieros (por ejemplo, diferentes tipos de fondos mutuos, acciones, o capitales) donde la idea
es colocar los activos del portafolio de la forma ms eficiente hasta que se obtenga la mejor
relacin retorno-riesgo. Es decir, para generar los mejores retornos del portafolio dados los
riesgos inherentes de cada clase de activo. Para entender verdaderamente el concepto de
optimizacin, tendremos que ahondar ms profundamente en este modelo de prueba, para ver
como el proceso de optimizacin aplicado encuentra los mejores resultados.
El modelo muestra 10 clases de activos y cada una tiene su propio conjunto de retornos y
volatilidades anualizadas. Estas medidas de retorno y riesgo son valores anualizados tales que
pueden ser consistentemente comparados entre las diferentes clases de activos. Los retornos son
calculados usando el promedio geomtrico de los retornos relativos, mientras que los riesgos son
calculados usando el enfoque de logaritmo relativo de los activos. Vea el ndice en este captulo
para encontrar ms detalles sobre el clculo de la volatilidad anualizada y los retornos
anualizados en una accin o clase de activo.
Figura 4.1 Modelo de Optimizacin Continua
Los Pesos de Colocacin (porcentaje de cada activo invertido en la cartera) en la columna E

contienen las variables de decisin, las cuales son las variables que necesitaran ser ajustadas y
probadas de tal manera que el peso total este limitado en 100% (celda E17, suma de todos los
activos del portafolio). Normalmente para iniciar la optimizacin, estableceremos estas celdas
con un valor uniforme, donde, dado el caso, las celdas E6 hasta la E15 son definidas cada una al
10%. Adems, cada variable de decisin podra tener restricciones especficas y un rango
permitido. En este ejemplo, los limites inferiores y superiores de inversin permitidos son 5% y
35% respectivamente, como se ve en las columnas F y G. Esto significa que cada clase de accin
o activo podra tener sus propios lmites de asignacin. Despus, la columna H muestra el
cociente que relaciona al retorno y al riesgo de cada activo relacionado, el cual es simplemente el
porcentaje de retorno dividido entre el porcentaje de riesgo, en el cual entre ms alto es este valor,
ms alta la relacin de beneficio dado un nivel de riesgo implcito. El modelo restante muestra las
clasificaciones de clases de activo individual clasificado en trminos de retornos, riesgo, cociente
riesgo/retorno, y porcentaje invertido o colocacin. En otras palabras, estas clasificaciones
muestran a primera vista que clase de activo tiene el riesgo ms bajo, el retorno ms alto, y as
sucesivamente.
Los retornos totales del portafolio se encuentran en la celda C17 con la formula de Excel
SUMAPRODUCTO (C6:C15, E6:E15), es decir, la suma los pesos de colocacin o inversin
multiplicado por las ganancias anualizadas para cada clase de activo. En otras palabras,
tenemos R P A R A B R B C RC D R D , donde RP es el retorno total del portafolio,
RA,B,C,D son las ganancias individuales de los activos, y A,B,C,D son los pesos respectivos,
porcentajes invertidos o colocaciones de cada activo.
Adems, el riesgo diversificado del portafolio se ubica en la celda D17 es calculado al tomar
i n m
P i2 i2 2 i j i , j i j . Aqu, i,j son las respectivas correlaciones cruzadas
i 1 i 1 j 1
entre las clases de activospor ende, si las correlaciones cruzadas son negativas, hay efectos de
diversificacin del riesgo, y el riesgo de portafolio disminuye. Pero, para simplificar los clculos
aqu mostrados, suponemos correlaciones cero entre las clases de activos en este clculo del
riesgo del portafolio, pero suponemos en las correlaciones que se aplican en la simulacin en los
retornos como se ver ms tarde. De ah que, en vez de aplicar correlaciones estticas entre estos
diferentes retornos de los activos, aplicamos las correlaciones en los mismos supuestos de
simulacin, creando una relacin ms dinmica entre los valores simulados de los retornos.
Finalmente, el cociente de riesgo/retorno o Cociente Sharpe se calcula para el portafolio. Este

valor se ve en la celda C18, y representa el objetivo a ser maximizado en este ejercicio de
optimizacin. Para resumir, tenemos las siguientes especificaciones en este modelo de ejemplo:
Objetivo: Maximizar el Cociente de Retorno/Riesgo (C18)

Variables de Decisin: Asignacin de porcentajes de inversin (E6:E15)
Restricciones en Variables de Decisin: Mnimo y Mximo Requerido (F6:G15)
Restricciones: Suma de Pesos de Colocacin Total igual al 100% (E17)
Procedimiento:
Abrir el archivo de ejemplo e inicie un nuevo perfil y dar Click en Simulador de Riesgo |
Nuevo Perfil y asgnele un nombre.
El primer paso en la optimizacin es establecer las variables de decisin. Seleccione la
celda E6 y establezca la primera variable de decisin (Simulador de Riesgo |
Optimizacin | Establecer Decisin) y de Click en el icono para vincular y seleccionar el
nombre de la celda (B6), as como los lmites inferiores y superiores en las celdas F6 y
G6. Despus, usando la herramienta de Copia del Simulador de Riesgo, copie est
variable de decisin de la celda E6 y Pegue la variable de decisin a las celdas restantes
en E7 a E15.
El segundo paso en la optimizacin es establecer la restriccin. Hay solo una restriccin
aqu, esto es, la colocacin total en el portafolio debe sumar 100%. As que, de Click en
Simulador de Riesgo | Optimizacin | Establecer Restriccin y seleccione Agregar
para aadir una nueva restriccin. Entonces, seleccione la celda E17 e igulela (=) al
100%. Y de Click en OK cuando termine.
El paso final en la optimizacin es establecer la funcin objetivo e iniciar la optimizacin.
Al seleccionar la celda de objetivo C18 y Simulador de Riesgo | Optimizacin | Correr
Optimizacin y escoger la opcin de optimizacin (Optimizacin Esttica, Optimizacin
Dinmica, o la Optimizacin Estocstica). Para comenzar, seleccione Optimizacin
Esttica. Verifique que la celda objetivo est establecida para C18 y seleccione
Maximizar. Ahora puede revisar las variables de decisin y restricciones si se requieren,
o de Click OK para correr la optimizacin esttica.
Una vez que se completa la optimizacin, usted podra seleccionar Revertir para regresar
a los valores originales de las variables de decisin as como el objetivo, o seleccione
Reemplazar para aplicar las variables de decisin optimizadas. Regularmente,
Reemplazar se escoge despus de que se termina la optimizacin.
La Figura 4.2 muestra las pantallas de este procedimiento paso a paso. Usted puede aadir
supuestos de simulacin en los retornos y el riesgo del modelo (columnas C y D) y aplique la
optimizacin dinmica y la optimizacin estocstica para una prctica adicional.
Figura 4.2 Correr Optimizacin Esttica en el Simulador de Riesgo
Los resultados finales de la optimizacin se muestran en la Figura 4.3, donde la colocacin
ptima de capitales para el portafolio se ve en las celdas E6:E15. Es decir, dadas las restricciones
de cada capital fluctuando entre 5% y 35%, donde la suma de la colocacin debe ser igual a
100%, la colocacin que maximiza la ganancia al cociente de riesgo se ve en la Figura 4.3.
Solo algunas cosas importantes se tienen que notar cuando se revisen los procedimientos de
optimizacin y resultados ejecutados hasta ese momento:
La manera correcta de correr la optimizacin es maximizar la relacin retorno/riesgo o

ganancias del Cociente Sharpe de riesgo como lo hemos hecho.
Si, en vez, maximizamos las ganancias de portafolio en total, el resultado de colocacin
ptima es trivial y no requiere obtener una optimizacin. Esto es, simplemente coloque
5% (el mnimo permitido) a los 6 activos ms bajos, 35% (el mximo permitido) al activo
con mayores retornos, y el restante (25%) a las retornos de los activos en segundo plano.
La optimizacin no es requerida. Sin embargo, al colocar el portafolio de esta manera, el
riesgo es mucho ms alto en trminos comparativos, cuando se maximiza las ganancias al
cociente de riesgo, aunque las ganancias del portafolio por s mismas son ms altas.
En contraste, uno puede minimizar el riesgo total del portafolio, pero ahora las ganancias
sern menores.
La Tabla 4.1 ilustra los resultados de tres diferentes objetivos que estn siendo optimizados:
Ganancias Cociente de
Riesgo de
Objetivo: del
Portafolio
Retorno/Riesg
Portafolio o de portafolio
Maximizar el cociente de Retorno/Riesgo 12.69% 4.52% 2,808

Maximizar Ganancias 13.97% 6.77% 2,064
Minimizar Riesgo 12.38% 4.46% 2,775
Tabla 4.1 Resultados de la Optimizacin.
De la tabla, el mejor enfoque es Maximizar el cociente de Retorno/Riesgo, es decir, por la misma

cantidad de riesgo, est colocacin provee un mayor monto de retornos. Inversamente, por el
mismo monto de retornos, est colocacin provee el monto ms bajo de posible de riesgo. Este
enfoque de maximizacin de la relacin Retorno/Riesgo es la piedra angular de la frontera
eficiente de Markowitz en la teora moderna de portafolio. Es decir, si restringimos los niveles de
riesgo del portafolio total y sucesivamente lo incrementamos (riesgo) con el tiempo obtendremos
varias colocaciones eficientes de portafolio para diferentes preferencias de riesgo. As, diferentes
colocaciones eficientes de portafolio se pueden obtener para diferentes individuos con diferentes
preferencias de riesgo.
Figura 4.3 Resultados de Optimizacin Continua
Optimizacin con Variables Discretas Enteras
Algunas veces, las variables de decisin no son continuas pero son en enteros discretos (por
ejemplo, 0 y 1). Esto es, podemos usar tal optimizacin como interruptores para encender y
apagar o decisiones de ir/no ir. La Figura 4.4 ilustra un modelo de seleccin de proyecto donde
hay 20 proyectos enlistados. El ejemplo aqu utiliza el archivo Optimizacin Discreta que se
encuentra en el men de inicio en Inicio | Real Options Valuation | Simulador de Riesgo |
Ejemplos o ingrese directamente a travs de Simulador de Riesgo | Modelos de Ejemplo. Cada
proyecto como los anteriores, tiene sus propias ganancias (VPNE y VPN para valor presente neto
expandido y valor presente netoel VPNE es simplemente el VPN ms cualquier valor
estratgico de opciones reales (real options values), costos de implementacin, riesgos y as
sucesivamente. Si se requiere, ste modelo puede ser modificado para incluir equivalencias de
tiempo completo requeridas (ETC) y otros recursos de varias funciones, y restricciones
adicionales que pueden ser establecidas con estos recursos adicionales. Las entradas en este
modelo estn generalmente vinculadas a otros modelos en hojas de trabajo. Por ejemplo, cada
proyecto tendr su flujo de efectivo descontado o ganancias en el modelo de inversin. La
aplicacin aqu es maximizar sujeto al cociente de Sharpe del portafolio de algunas colocaciones
de presupuesto. Muchas otras versiones de este modelo pueden ser creadas, por ejemplo,
maximizar las ganancias del portafolio, o minimizar los riesgos, o aadir restricciones adicionales
donde el nmero total de proyectos escogidos no puede exceder de 10, y as sucesivamente.
Todos estos elementos se pueden correr usando el modelo existente.
Procedimiento:
Abra el archivo de ejemplo e inicie un perfil nuevo al dar Click en Simulador de Riesgo |
Nuevo Perfil y asgnele un nombre.
El primer paso en la optimizacin es establecer las variables de decisin. Establezca la
primera variable de decisin al seleccionar la celda J4, y seleccione Simulador de Riesgo
| Optimizacin | Establecer Decisin, de Click en el icono para vincular y seleccionar el
nombre de la celda (B4), y seleccione la variable Binaria. Entonces, usando Copia del
Simulador de Riesgo, copie est variable de decisin de celda J4 y pegue (Pegar del
simulador de riesgo) la variable de decisin a las celdas restantes en J5 al J23. Este es el
mejor mtodo si usted solo tiene varias variables de decisin y puede nombrar cada
variable de decisin con un nombre nico para identificarlas mejor ms tarde.
El segundo paso en la optimizacin es establecer la restriccin. Aqu hay dos
restricciones, es decir, la asignacin del presupuesto total en el portafolio debe ser menor
a $5,000 y el nmero total de proyectos no debe de exceder de 6. As que, de Click en
Simulador de Riesgo | Optimizacin | Establecer Restriccin y seleccione Agregar
(ADD) para aadir una nueva restriccin. Entonces, seleccione la celda D17 <= 5000.
Repita al establecer la celda J17 <= 6.
El paso final en la optimizacin es establecer la funcin del objetivo e iniciar la
optimizacin al seleccionar la celda C19 y seleccionar Simulador de Riesgo |
Optimizacin | Correr Optimizacin y escoger la opcin de optimizacin (Optimizacin
Esttica, Optimizacin Dinmica, u Optimizacin Estocstica). Para comenzar,
seleccione Optimizacin Esttica. Verifique para asegurarse que la celda de objetivo es
el Cociente de Sharpe o las ganancias de portafolio relativas al cociente de riesgo y
seleccione Maximizar. Ahora puede revisar las variables de decisin y restricciones si se
requiere, o de Click en OK para correr la optimizacin esttica.
La Figura 4.5 muestra las pantallas de este procedimiento paso a paso. Usted puede aadir
supuestos de simulacin en el VNPE del modelo y riesgo (columnas C y F) y aplique la
optimizacin dinmica y optimizacin estocstica para prctica adicional.
Figura 4.4 Modelo de Optimizacin de Entero Discreto
Figura 4.5 Correr una Optimizacin de Entero Discreto en el Simulador de Riesgo
La Figura 4.6 ilustra una muestra de la seleccin ptima de proyectos que maximiza el Cociente
Sharpe. En contraste, uno siempre puede maximizar ganancias totales, pero como anteriormente,
este es un proceso trivial y simplemente involucra escoger el proyecto con ms ganancias e ir
bajando la lista hasta que se le acabe el dinero o exceda la restriccin del presupuesto. Al hacerlo
as, traer teorticamente proyectos no deseados como los proyectos con ms ganancias que
regularmente tienen riesgos ms altos. Ahora, si se desea, usted puede duplicar la optimizacin
usando una optimizacin dinmica o estocstica al aadir supuestos en el VPNE y valores de
Riesgo.
Figura 4.6 Seleccin ptima de Proyectos que maximiza el Cociente Sharpe
Para ms ejemplos tiles de optimizacin en accin, vea el caso de estudio en el Captulo 11 en

Integrated Risk Analysis en el libro, Real Options Analysis: Tools and Techniques, 2da Edicin
(Wiley Finance, 2005). Este caso de estudio ilustra como una frontera eficiente puede ser
generada y como el pronstico, simulacin, optimizacin, y las opciones reales pueden estar
combinadas en proceso analtico completo.
Frontera Eficiente y Tcnicas Avanzadas de Optimizacin
La grafica de la Figura 4.7, muestra la ventana de restricciones de la optimizacin para la

Frontera Eficiente. Si usted da Click en Frontera Eficiente y asigna algunas restricciones, usted
puede hacer que estas restricciones cambien dentro del modelo. Esto es, crear restricciones que
flucten dentro de los rangos preestablecidos, por ejemplo, la restriccin en la celda J17<=6
puede fluctuar entre 4 y 8 proyectos (como se ve en la Fig. 4.7), esto significa que mientras la
optimizacin se ejecuta con las restricciones incluidas en el rango asignado, J17<=4, J17<=5,
J17<=6, J17<=7 y J17<=8. Los resultados ptimos sern graficados como una frontera eficiente y
adems se generara un reporte. (Figura 4.8.1 y Figura 4.8.2). A continuacin las instrucciones
para construir una frontera eficiente con el Simulador de Riesgo.
Instrucciones :
Seleccione Simulador de Riesgo | Optimizacin | Establecer Restriccin y de Click en

La Frontera Eficiente.
Seleccione la restriccin que usted desea cambiar o los pasos a modificar (por ejemplo,
J17) e ingrese los parmetros deseados de MIN, MAX y MEDIDA DEL PROCESO.
Haga Click en Agregar y en OK dos veces.
Ejecute la optimizacin con habitualmente lo hace Simulador de Riesgo | Optimizacin |
Correr Optimizacin. Usted puede escoger entre Optimizacin Esttica, Dinmica o
Estocstica.
Los resultados se mostraran en una interface de usuario y se generara una hoja de reporte
del proceso de Frontera Eficiente con todos los detalles del proceso.
Figura 4.7: Definicin de Restricciones en la Frontera Eficiente.
Figura 4.8.1. Resultados de la Frontera Eficiente.
Figura 4.8.2. Resultados de la Frontera Eficiente.
5. HERRAMIENTAS ANALTICAS DEL SIMULADOR DE RIESGO
Este captulo tiene que ver con las herramientas analticas del Simulador de Riesgo. Estas
herramientas analticas se discuten a travs de aplicaciones de ejemplos del software del
Simulador de Riesgo, completamente ilustradas paso a paso. Estas herramientas son muy valiosas
para los analistas trabajan en el mbito del anlisis de riesgo. La aplicabilidad de cada
herramienta se discute en detalle en este captulo.
Herramientas de Tornado y Sensibilidad en la Simulacin
Teora:
Una de las herramientas ms poderosas de la simulacin es el anlisis de tornadoque captura
los impactos estticos de cada variable en el resultado del modelo. Esto es, la herramienta
automticamente perturba cada variable en el modelo en un monto preestablecido, captura la
fluctuacin en el pronstico del modelo o resultado final, y enlista las perturbaciones resultantes
clasificadas desde la ms significante a la menos significante. Las Figuras 5.1 a la Figura 5.6
ilustran la aplicacin de un anlisis de tornado. Por ejemplo, la Figura 5.1 es una muestra del
modelo de flujo de efectivo descontado donde los supuestos de entrada en el modelo se muestran.
La pregunta es, cules son los factores de xito crtico que afectan la salida del modelo en mayor
grado? Esto es, qu conduce realmente al valor presente neto de $96.63 cul variable de
entrada impacta a este valor mayormente?
La herramienta de grfica de tornado se puede obtener a travs de Simulador de Riesgo |

Herramientas | Anlisis Tornado. Para proseguir con el primer ejemplo, abra el archivo
Grficas de Tornado y Sensibilidad (lineal) en la carpeta de ejemplos. La Figura 5.2 muestra
este modelo de prueba donde la celda G6 se escoge como el resultado del objetivo a ser analizado
la cual contiene el valor presente neto. Los precedentes de las celdas del objetivo en el modelo se
usan al crear la grfica del tornado. Los precedentes son todas las variables de entrada e
intermedio que afectan el resultado del modelo. Por ejemplo, si el modelo consiste de C = D + E,
entonces D, y E son los precedentes para A (C no es un precedente ya que solo es un valor
calculado intermedio). La Figura 5.2 tambin muestra el rango de prueba de cada variable
precedente usada para estimar el objetivo del resultado. Si las variables precedentes son simples
entradas, entonces el rango de prueba ser una simple perturbacin basada en el rango escogido
(por ejemplo, el default es 10%). Cada variable precedente puede ser perturbada en porcentajes
discretos si se requiere. Un rango ms amplio es importante ya que es mejor poder probar valores
extremos que pequeas perturbaciones alrededor de los valores esperados. En ciertas
circunstancias, los valores extremos podran tener un impacto ms grande, o ms pequeo, o no
balanceado (por ejemplo, no linealidades podran ocurrir donde economas crecientes o
decrecientes de escala y el mbito se deslizan para valores ms grandes o ms pequeos de una
variable) y solo un rango ms amplio capturar este impacto no lineal.
Figura 5.1: Modelo de Prueba
Procedimiento:
Seleccione la celda de salida nica (es decir, una celda con una funcin o ecuacin) en el
modelo de Excel (por ejemplo, la celda G6 se selecciona en nuestro ejemplo)
Seleccione Simulador de Riesgo | Herramienta | Anlisis Tornado
Revise los precedentes y renmbrelos apropiadamente (quedando los precedentes para
nombres ms cortos permite un tornado visualmente ms agradable y una grfica de
araa ms fcil de leer) y de Click en OK.
Figura 5.2 Correr Anlisis de Tornado
La Figura 5.3 muestra el reporte de anlisis de tornado resultante, el cual indica que la inversin
de capital tiene el impacto ms grande en el valor presente neto, seguido por la tasa de impuestos,
precio de venta promedio, y cantidad demandada de las lneas del producto, y as sucesivamente.
El reporte contiene cuatro elementos distintos:
Resumen estadstico explicando el procedimiento ejecutado.

La tabla de sensibilidad (Figura 5.4) muestra el valor base inicial VPN de 96.63 y como
cada entrada se cambia (por ejemplo, la inversin es cambiada de $1,800 a $1,980 en la
parte superior con una oscilacin de +10%, y de $1,800 a $1,620 en la parte inferior con
una oscilacin de -10%). Los valores de la parte superior y la parte inferior resultantes en
VPN es -$83.37 y $276.63, con un cambio total de $360, hacindolo con la variable con
el mayor impacto en VPN. Las variables de precedente son clasificadas por el mayor
impacto a la de menor impacto. .
La grfica de araa (Figura 5.5) ilustra estos efectos grficamente. El eje Y es el valor del
objetivo VPN mientras que el eje X describe el cambio de porcentaje en cada valor
precedente (el punto central es el valor de caso base al 96.63 al cambio 0% del valor base
de cada precedente). Una lnea positivamente inclinada indica una relacin o efecto
positivo, mientras las lneas inclinadas negativamente indican una relacin negativa (por
ejemplo, la inversin est relacionada negativamente, lo cual significa que entre ms alto
sea el nivel de inversin, ms bajo ser el VPN). El valor absoluto de la inclinacin
indica la magnitud del efecto (una lnea escarpada indica un impacto ms alto en el eje Y
del VPN dado un cambio en el eje X precedente).
La grfica de tornado ilustra esto de otra manera grfica, donde el mayor precedente de
impacto se enlista primero. El eje X es el valor VPN con el centro de la grfica siendo la
condicin del caso base. Barras verdes en la grfica indican un efecto positivo mientras
que las barras rojas indican un efecto negativo. De ah que, para inversiones, la barra roja
en el lado derecho indica un efecto negativo de la inversin en el VPN ms altoen otras
palabras, la inversin de capital y VPN estn negativamente correlacionadas. Lo opuesto
es verdadero para precio y cantidad de productos A hasta C (sus barras verdes estn en el
lado derecho de la grfica).
Tablas Tornado y Araa
Resumen Estadstico
Una de las herram ientas de s imulacin ms poderos as es la Tabla Tornado, ya que captura los impactos es tadsticos de cada variable sobre el m odelo resultante. Es decir, la herramienta impacta de manera
automtica cada variable precedente en el modelo que s e ha es pecificado de antemano, captura las fluctuaciones sobre el m odelo final del pronstico o el res ultado final, y organiza las perturbaciones categorizadas
en orden de im portancia. Precedentes s on todas las entradas y las variables intermedias que afectan el modelo res ultante. Por ejemplo, s i el m odelo consiste de A = B + C, donde C = D + E, entonces B, D, E son los
precedentes para A (C no es un precedente ya que s lo es un valor de clculo interm edio). El rango y el nm ero de valores perturbados es es pecificado por el usuario y puede es tablecers e para probar valores
extrem os en lugar de pequeas perturbaciones alrededor de los valores esperados . En ciertos casos , los valores extremos pueden tener un im pacto des equilibrado mayor o menor (por ejem plo, no linealidades
pueden ocurrir cuando se increm enta o dism inuye una econom a de es cala y s u alcance llega a valores m ayores o m enores de la variable) y s lo un rango mayor captura este impacto no lineal.
Una Tabla Tornado organiza todas las entradas que le dan forma al m odelo, empezando con la variable de entrada que tiene el impacto ms grande s obre los res ultados . La tabla se obtiene afectando cada dato
ingresado precedente en un rango consistente (por ejem plo, 10% del cas o bas e) una a la vez, y com parando s us resultados con el cas o base. Una Tabla Araa, como su nom bre lo indica, s e as em eja a una araa
con un cuerpo central y varias piernas saliendo de ella. La pendiente positiva indica una relacin pos itiva, m ientras que una pendiente negativa indica una relacin negativa entre las variables relacionadas . Por lo
tanto, las tablas araas pueden utilizars e para vis ualizar relaciones lineales y no lineales . Las Tabla Tornado y Araa ayudan a identificar los factores crticos de xito del res ultado de una celda para poder identificar
las entradas y s imularlas . Las variables crticas identificadas que s on inciertas s on las nicas que no deben ser simuladas . No pierda s u tiem po s im ulando variables que puedan s er inciertas o tienen poco impacto
en los res ultados .
Resultados
Valor Bas e: 96.6261638553219 Cam bio de Ingreso
Resultado Resultado Rango de Ingreso Ingres o Valor Caso

Celda Precedente Inferior Superior Efectividad Inferior Superior Base
C36: Inversiones 276.62616 -83.373836 360.00 $1,620.00 $1,980.00 $1,800.00
C9: Tas a de Im pues tos Efectiva 219.72693 -26.474599 246.20 36.00% 44.00% 40.00%
C12: Precio Promedio del Producto A 3.4255424 189.82679 186.40 $9.00 $11.00 $10.00
C13: Precio Promedio del Producto B 16.706631 176.5457 159.84 $11.03 $13.48 $12.25
C15: Cantidad Producida de A 23.177498 170.07483 146.90 45.00 55.00 50.00
C16: Cantidad Producida de B 30.533 162.71933 132.19 31.50 38.50 35.00
C14: Precio Promedio del Producto C 40.146587 153.10574 112.96 $13.64 $16.67 $15.15
C17: Cantidad Producida de C 48.047369 145.20496 97.16 18.00 22.00 20.00
C5: Tas a de Descuento de Mercado con Ries go 138.23913
Ajus tado 57.029841 81.21 13.50% 16.50% 15.00%
C8: Tas a de Eros in de Precios 116.80381 76.640952 40.16 4.50% 5.50% 5.00%
C7: Tas a de Crecim iento de Ventas Anualizado9 0.588354 102.68541 12.10 1.80% 2.20% 2.00%
C24: Depreciacin 95.084173 98.168155 3.08 $9.00 $11.00 $10.00
C25: Am ortizacin 96.163566 97.088761 0.93 $2.70 $3.30 $3.00
C27: Pago de Interes es 97.088761 96.163566 0.93 $1.80 $2.20 $2.00
Figura 5.3 Reporte de Anlisis de Tornado

Notas:
Recuerde que el anlisis de tornado es un anlisis de sensibilidad esttica aplicado a cada variable
de entrada en el modeloesto es, cada variable es perturbada individualmente y los efectos
resultantes son tabulados. Esto hace al anlisis de tornado un componente clave para ejecutar
antes de correr una simulacin. Uno de los primeros pasos en el anlisis es donde los elementos
de impacto ms importantes en el modelo son capturados e identificados. El paso siguiente es
identificar cules de estos elementos de impacto son ciertos. Estos elementos de impacto inciertos
son los factores de xito crtico de un proyecto, donde los resultados de un modelo dependen de
estos factores de xito crtico. Estas variables son las nicas que deben ser simuladas. No pierda
tiempo simulando variables que ni son inciertas y tienen poco impacto en los resultados. Las
grficas de tornado ayudan a identificar a estos factores de xito crtico rpidamente y fcilmente.
Siguiendo este ejemplo, podran ser este precio y cantidad que deberan ser simulados,
suponiendo que si la inversin requerida e ndice de impuesto efectivo sean conocidos con
anticipacin y sin cambios.
Figura 5.4 Tabla de Sensibilidad
Figura 5.5 Grfica de Araa
Figura 5.6 Grfica de Tornado
Aunque la grfica de tornado es ms fcil de leer, la grfica de araa es importante para

determinar si hay algunas no linealidades en el modelo. Por ejemplo, la Figura 5.7 muestra otra
grfica de araa donde las no linealidades son bastante evidentes (las lneas en la grfica no son
derechas sino curvas). El modelo empleado es Grficas de Tornado y Sensibilidad (No lineal), la
cual usa la opcin Black-Scholes del modelo de valoracin como un ejemplo. Estas no
linealidades no pueden ser indagadas por una grfica de tornado y podran ser informacin
importante para el modelo o proveer parmetros de decisin con una importante visin dentro de
las dinmicas del modelo.
Figura 5.7 Grfica de Araa No lineal
Anlisis de Sensibilidad
Teora:
Una caracterstica relacionada es el anlisis de sensibilidad. Mientras el anlisis de tornado
(grficas de tornado y grficas de araa) aplica perturbaciones estticas antes de correr una
simulacin, el anlisis de sensibilidad aplica perturbaciones dinmicas creadas despus de correr
una simulacin. Las grficas de tornado y de araa son el resultado de perturbaciones estticas,
queriendo decir que cada variable de supuesto o precedente son perturbadas en una cantidad
preestablecida, una a la vez, y las fluctuaciones en los resultados son tabuladas. En contraste, las
grficas de sensibilidad son los resultados de perturbaciones dinmicas en el sentido que
mltiples supuestos son perturbados simultneamente y sus interacciones en el modelo y
correlaciones entre las variables son capturadas en las fluctuaciones de los resultados. Las
grficas de tornado, por ende, identifican que variables influyen ms en los resultados y de ah
que sean apropiadas para la simulacin, en vista que las grficas identifican el impacto a los
resultados cuando mltiple variables interrelacionadas son simuladas de manera conjunta en el
modelo. Este efecto es claramente ilustrado en la Figura 5.8. Note que la clasificacin de los
factores de xito crtico es similar a la grfica de tornado en los ejemplos previos. Sin embargo, si
las correlaciones son aadidas entre los supuestos, la Figura 5.9 muestra una imagen muy
diferente. Note por ejemplo, que el deterioro del precio tiene poco impacto en el VPN pero
cuando algunos de los supuestos de entrada son correlacionados, la interaccin que existe entre
estas variables correlacionadas hace que el deterioro del precio tenga ms impacto.
Figura 5.8 Grfica de Sensibilidad Sin Correlaciones
Figura 5.9 Grfica de Sensibilidad Con Correlaciones
Procedimiento:
Ahora abra o cree un modelo, defina supuestos y pronsticos, y corra la simulacin (el
ejemplo que se usa aqu es el del archivo de Grficas de Tornado y Sensibilidad (lineal))
Seleccione Simulador de Riesgo | Herramientas | Anlisis de Sensibilidad
Seleccione el pronstico de opcin para analizar y de Click en OK (Figura 5.10)
Figura 5.10 Correr Anlisis de Sensibilidad
Los resultados del anlisis de sensibilidad incluyen un reporte y dos grficas clave. La primera es
una grfica de correlacin de clasificacin no lineal (Figura 5.11) que clasifica los pares de
correlaciones entre los supuesto-pronstico desde el ms alto hasta el ms bajo. Estas
correlaciones son no lineales y no paramtricas, hacindolas libres de cualquier requerimiento de
distribucin (es decir, un supuesto con una distribucin Weibull puede ser comparada con otra
con una distribucin Beta). Los resultados son bastante similares a los del anlisis de tornado
vistos previamente (claro, sin el valor de inversin de capital, el cual decidimos que fuese un
valor conocido y de ah que no fuese simulado), con una excepcin especial.
La tasa de impuesto fue relegado a una posicin mucho ms baja en la grfica anlisis de
sensibilidad (Figura 5.11) comparado con la grfica de tornado (Figura 5.6). Esto es porque por s
mismo, el ndice de impuesto tendr un impacto significativo pero una vez que las otras variables
estn interactuando en el modelo, aparece que el ndice de impuesto tiene menos efecto
dominante (esto es porque el ndice de impuesto tiene una distribucin ms pequea mientras que
los ndices de impuesto histricos tienden a no fluctuar demasiado, y tambin porque el ndice de
impuesto es un valor de porcentaje directo del ingreso antes de los impuestos, donde otras
variables de precedente tiene un efecto ms grande). Este ejemplo prueba que es importante
ejecutar el anlisis de sensibilidad despus de correr una simulacin para indagar si hay algunas
interacciones en el modelo y si los efectos de ciertas variables an permanecen. La segunda
grfica (5.12) muestra la variacin de porcentaje explicada. Esto es, de las fluctuaciones en el
pronstico, cunto de la variacin total puede ser explicada por cada uno de los supuestos una
vez se analicen todas las interacciones entre las variables? Note que la suma de todas las
variaciones explicadas es usualmente es cercana al 100% (hay algunas veces otros elementos que
impactan el modelo pero no pueden ser capturados aqu directamente), y si las correlaciones
existen, la suma algunas veces podra exceder el 100% (debido a los efectos de interaccin que
son acumulativos).
Figura 5.11 Grfica de Correlacin No lineal de Rango
Figura 5.12 Contribucin en la Varianza Explicada
Notas:
El anlisis de tornado es ejecutado antes de correr una simulacin mientras que el anlisis de
sensibilidad se ejecuta despus de correr una simulacin. Las grficas de araa en el anlisis de
tornado pueden considerar no linealidades mientras que las grficas de clasificacin de
correlacin en el anlisis de sensibilidad pueden explicar condiciones libres de distribucin y no
lineales.
Ajuste de Distribucin: Variable nica y Variables Mltiples
Teora:
Otra poderosa herramienta de simulacin es el ajuste de distribucin. Esto es, cul distribucin
usa un analista para una particular variable de entrada en un modelo? Cules son los parmetros
de distribucin relevantes? Si no existen datos histricos, entonces el analista debe hacer
supuestos acerca de las variables en cuestin. Un enfoque es usar el mtodo Delphi donde un
grupo de expertos son dados a la tarea de estimar el comportamiento de cada variable. Por
ejemplo, un grupo de ingenieros mecnicos se les puede asignar como tarea el evaluar las
posibilidades extremas del dimetro de un resorte a travs de rigurosa experimentacin o de
clculos estimados. Estos valores pueden ser usados como los parmetros de entrada de la
variable (por ejemplo, distribucin uniforme con valores extremos entre 0.5 y 1.2). Cuando hacer
pruebas no es posible (por ejemplo, las acciones de mercado y el ndice de crecimiento de
ganancias), la administracin todava puede hacer estimados de resultados potenciales y proveer
el contexto en el mejor de los casos, el ms probable de los casos, y el peor de los casos.
Sin embargo, si hay datos histricos disponibles confiables, el ajuste de distribucin puede ser
completado. Suponiendo que los patrones histricos permanezcan y que la historia tienda a
repetirse, entonces los datos histricos pueden ser empleados para encontrar la distribucin que
mejor ajuste con sus parmetros relevantes para definir mejor las variables a ser simuladas. Las
Figuras 5.13 a la 5.15 ilustran un ejemplo de ajuste de distribucin. Est ilustracin usa el archivo
de Ajuste de Datos en la carpeta de ejemplos.
Procedimiento:
Abra una hoja trabajo con datos existentes para el ajuste
Seleccione los datos que desea ajustar (los datos deben estar en una sola columna con
mltiples filas)
Seleccione Simulador de Riesgo | Herramientas | Ajuste de Distribucin (Variable
nica)
Seleccione las distribuciones especficas que desea ajustar o mantenga el default donde
todas las distribuciones se seleccionan y de Click en OK (Figura 5.13)
Revise los resultados del ajuste, escoja la distribucin relevante que desea y de Click en
OK (Figura 5.14)
Figura 5.13 Ajuste de Distribucin Simple
La hiptesis nula que se est probando es que la distribucin ajustada tiene la misma distribucin
que la poblacin de la cual provienen los datos de prueba a ser ajustados. As, si el valor p
calculado es ms bajo a un nivel alfa crtico (regularmente 0.10 0.05), entonces la distribucin
sigue una distribucin equivocada. Recprocamente, entre ms alto sea el valor p, mejor ser la
distribucin que ajusta los datos. Ms o menos, usted podra pensar en el valor p como un
porcentaje explicado, esto es, si el valor p es 0.9727 (Figura 5.14), entonces establecer una
distribucin normal con una media de 99.29 y una desviacin estndar de 10.17 explica el
97.27% de la variacin en los datos, indicando un ajuste especialmente bueno. Ambos resultados
(Figura 5.14) y el reporte (Figura 5.15) muestran la estadstica de prueba, el valor p, estadsticas
tericas (basadas en la distribucin seleccionada), estadsticas empricas (basadas en los datos sin
analizar), los datos originales (para mantener un registro de los datos empleados), y el supuesto
completo con los parmetros de distribucin relevantes (es decir, si usted seleccion la opcin de
generar supuestos automticamente y si un perfil de simulacin ya existe). Los resultados tambin
clasifican todas las distribuciones y presentan que tan bien se ajustan a los datos.
Figura 5.14: Resultados de Ajuste de Distribucin
Figura 5.15: Reporte de Ajuste de Distribucin
Para ajustar variables mltiples, es proceso es bastante similar al de ajustar variables individuales.
Sin embargo, los datos se deben organizar en columnas (es decir, cada variable es organizada
como una columna) y todas las variables son ajustadas una a la vez.
Procedimiento:
Abra una hoja de trabajo con datos existentes para ajustar
Seleccione los datos que desea ajustar (los datos deben estar en columnas simples(una
variable por columna) con mltiples filas)
Seleccione Simulador de Riesgo | Herramientas | Ajuste de Distribucin (Mltiple)
Revise los datos, escoja los tipos relevantes de distribucin que quiera y de Click en OK
Notas:
Note que los mtodos de clasificacin estadstica empleados en las rutinas de ajuste de
distribucin son la prueba Chi-cuadrado y la prueba Kolmogorov-Smirnov. Lo anterior es
empleado para probar distribuciones discretas y las distribuciones continuas ms recientes.
Brevemente, una prueba de hiptesis acoplada con una rutina de optimizacin interna se usa para
encontrar los parmetros de mejor ajuste en cada distribucin probada y los resultados son
clasificados desde el mejor ajuste al peor ajuste.
Simulacin de Ajuste (Bootstrap)
Teora:
La simulacin Bootstrap es una tcnica simple que estima la confiabilidad o exactitud de las
estadsticas de pronstico u otra muestra de datos sin analizar. Esencialmente, la simulacin
bootstrap se usa en pruebas de hiptesis. Los mtodos clsicos empleados en el pasado confiaban
en formulas matemticas para describir la exactitud de las estadsticas de muestra. Estos mtodos
suponen que la distribucin de una estadstica de muestra se aproxima a una distribucin normal,
haciendo el clculo de la estadstica del error estndar o intervalo de confiabilidad relativamente
fcil. Sin embargo, cuando una estadstica de distribucin no estaba normalmente distribuida o no
se encontraba fcilmente, estos mtodos clsicos son difciles de usar o son invlidos. En
contraste, el bootstrapping analiza estadsticas de muestras empricamente al probar
repetidamente los datos y crear distribuciones de las diferentes estadsticas de cada prueba.
Procedimiento:
Corra una simulacin
Seleccione Simulador de Riesgo | Herramientas | Autosuficiencia No Paramtrica
Seleccione solo un pronstico para aplicar bootstrap, seleccione las(s) estadstica(s) para
aplicar bootstrap, e ingrese el nmero de intentos bootstrap y de Click OK (Figura 5.16)
Figura 5.16 Simulacin Bootstrap No Paramtrica
Figura 5.17 Resultados de Simulacin Bootstrap
En esencia, la simulacin bootstrap no paramtrica puede ser denominada como una simulacin
basada en una simulacin. Es decir, despus de correr una simulacin, las estadsticas resultantes
pueden ser mostradas en pantalla, pero la exactitud de tales estadsticas y su significancia
estadstica algunas veces estn en discusin. Por ejemplo, si una estadstica de desviacin de una
simulacin de simulacin es -0.10, es verdaderamente est distribucin negativamente desviada
o es este ligero valor negativo atribuible a la posibilidad aleatoria? Qu hay de -0.15, -0.20, y as
sucesivamente. Esto es, qu tan lejos es suficiente para que la distribucin se considere como
estar negativamente desviada? La misma pregunta puede aplicarse a todas las otras estadsticas.
Es una distribucin estadsticamente idntica a otra distribucin con consideracin a algunas
estadsticas calculadas o son significativamente diferentes? La Figura 5.17 ilustra algunas
muestras de resultados de la aplicacin de bootstrap. Por ejemplo, el 90 por ciento de confianza
para la estadstica de desviacin est entre -0.2766 y 0.2327, para que el valor de 0 caiga dentro
de esta confianza, indicando que con un 90 por ciento de confianza, estadsticamente la
desviacin de este pronstico no es significativamente diferente de cero, o que est distribucin
se puede considerar como simtrica y no desviada. Recprocamente, si el valor 0 cae fuera de esta
confianza, entonces el opuesto es verdadero, la distribucin es desviada (positivamente desviada
si la estadstica de pronstico es positiva, negativamente desviada si la estadstica de pronostica
es negativa).
Notas:
El trmino bootstrap viene del refrn en ingls: to pull oneself up by ones own bootstraps, el
cual se refiere a: mejorar una situacin personal en la vida a travs de los esfuerzos propios, y
aqu es aplicable porque este mtodo usa la distribucin de las estadsticas para analizar la
exactitud de las estadsticas mismas. La simulacin no paramtrica es simplemente escoger al
azar pelotas de golf de una gran canasta con reemplazo, donde cada pelota de golf est basada en
puntos de datos histricos. Suponga que hay 365 pelotas de golf en la canasta (representando 365
puntos de datos histricos). Imagine si usted quiere que el valor de cada pelota de golf escogida al
azar sea escrito en una gran pizarra. Los resultados de las 365 pelotas escogidas con reemplazo
son escritos en la primera columna de la tabla con 365 filas de nmeros. Las estadsticas
relevantes (por ejemplo, media, mediana, desviacin estndar, y as sucesivamente) son
calculadas en estas 365 filas. El proceso entonces se repite, digamos, cinco mil veces. La pizarra
se llenar ahora con 365 filas y 5,000 columnas. Por ende, 5,000 juegos de estadsticas (esto es,
habr 5,000 medias, 5,000 medianas, 5,000 desviaciones estndar, y as sucesivamente) son
tabuladas y sus distribuciones mostradas. La estadstica de las estadsticas relevantes entonces es
tabuladas, donde, de estos resultados uno puede indagar qu tan confiables son las estadsticas.
En otras palabras, en una simple simulacin de 10,000 intentos, digamos que el promedio de
pronstico resultante es de $5.00. Qu tan cierto es este resultado para el analista? La aplicacin
de bootstrap le permite al usuario conocer el intervalo de confianza de la estadstica de media
calculada, indicando la distribucin de las estadsticas. Finalmente, los resultados de la aplicacin
de bootstrap son importantes porque de acuerdo a la Ley de los Nmeros Grandes y el Teorema
del Lmite Central en estadsticas, la media de las medias muestrales es un estimador insesgado y
se aproxima a la media verdadera de la poblacin cuando el tamao de las muestras se
incrementa.
Prueba de Hiptesis
Teora:
Una prueba de hiptesis se lleva a cabo al probar las medias y varianzas de dos distribuciones
para determinar si son estadsticamente idnticas o estadsticamente diferentes una de la otra. Es
decir, ver si las diferencias entre las medias y las variaciones de dos diferentes pronsticos que
ocurren estn basados en la posibilidad aleatoria o de hecho estadsticamente son
significativamente diferentes una de la otra.
Procedimiento:
Corra una simulacin
Seleccione Simulador de Riesgo | Herramientas | Pruebas de Hiptesis
Seleccione solo dos pronsticos para probar a la vez, seleccione el tipo de prueba de
hiptesis que desea correr, y de Click en OK (Figura 5.18)
Figura 5.18 Prueba de Hiptesis
Interpretacin de Reporte:
Una prueba de hiptesis de dos colas se lleva a cabo con la hiptesis nula (Ho) de tal manera que
las medias de poblacin de las dos variables son estadsticamente idnticas una a la otra. Si los
valores p calculados son menores o iguales a 0.01, 0.05, o 0.10, esto significa que la hiptesis
nula es rechazada, lo que implica que estadsticamente las medias del pronstico son
significativamente diferentes a los niveles de significancia de 1 %, 5% y 10%. Si la hiptesis nula
no es rechazada cuando los valores p son altos, las medias de las dos distribuciones de pronstico
son estadsticamente similares una a la otra. El mismo anlisis se ejecuta en variaciones de dos
pronsticos a la vez usando la prueba F. Si los valores p son pequeos, entonces las variaciones
(y desviaciones estndar) son estadsticamente diferentes una de la otra, de otra manera, para
valores p ms grandes, las variaciones son estadsticamente idnticas una a la otra.
Figura 5.19 Resultados de Prueba de Hiptesis
Notas:
La prueba t de dos variables con varianzas desiguales (la varianza poblacional del pronstico 1 se
espera que sea diferente de la varianza poblacional del pronstico 2) es apropiada cuando las
distribuciones del pronstico son de diferentes poblaciones (por ejemplo, datos colectados de dos
diferentes locaciones geogrficas, dos diferentes unidades de negocios operantes, y as
sucesivamente). Las pruebas t de dos variables con variaciones iguales (la variacin de poblacin
del pronstico 1 se espera que sea igual a la variacin de poblacin del pronstico 2) es apropiada
cuando las distribuciones de pronstico son de poblaciones similares (por ejemplo, datos
colectados de dos diferentes diseos de motor con especificaciones similares, y as
sucesivamente). La prueba t de dos variables dependientes es apropiada cuando las distribuciones
de pronstico son exactamente de la misma poblacin. (Por ejemplo, datos recolectados del
mismo grupo de clientes pero en diferentes ocasiones, y as sucesivamente).
Extraccin de Datos y Guardar Resultados de Simulacin
Los datos sin analizar de una simulacin pueden ser fcilmente extrados usando la rutina
Extraccin de Datos del Simulador de Riesgo. Ambos supuestos y pronsticos pueden ser
extrados pero primero se debe correr una simulacin. Los datos extrados se pueden usar
entonces para una variedad de otros anlisis.
Procedimiento:
Crea o abrir un modelo, en el cual se definan supuestos y pronsticos, y corra la
simulacin.
Seleccione Simulador de Riesgo | Herramientas | Extraccin de Datos
Seleccione los supuestos y/o pronsticos de los que desea extraer los datos y de Click en OK
Los datos pueden ser extrados a diferentes formatos:
Datos en una nueva hoja de trabajo donde los valores simulados (supuestos y
pronsticos) puedan entonces ser guardados o analizados ms tarde como se requiera.
Archivo de texto plano donde los datos puedan ser exportados dentro de otro software de
anlisis de datos.
Archivo de Simulador de Riesgo donde los resultados (ambos supuestos y pronsticos)
puedan ser recuperados ms tarde al seleccionar Simulador de Riesgo | Herramientas |
Abrir/Importar Datos.
La tercera opcin es la seleccin ms popular, esto es, guardar los resultados simulados como un
archivo *.risksim donde los resultados pueden ser recuperados ms tarde y no se necesita volver a
correr una simulacin cada vez. La Figura 5.21 muestra la caja de dilogo para extraer o exportar
y salvar los resultados de simulacin.
Figura 5.21 Reporte de Simulacin de Prueba
Crear Reporte
Despus de correr una simulacin, usted puede generar un reporte de supuestos, pronsticos, y
tambin los resultados obtenidos durante la ejecucin de la simulacin.
Procedimiento:
Abra o cree un modelo, defina supuestos y pronsticos, y corra la simulacin
Seleccione Simulador de Riesgo | Herramientas | Crear Reporte
Figura 5.21 Reporte de Simulacin de Prueba
Herramienta de Diagnstico para Pronstico y Regresin
Est herramienta analtica avanzada en el Simulador del Riesgo se usa para determinar las
propiedades economtricas de sus datos. El diagnstico incluye verificar los datos para
heteroscedasticidad, no linealidad, valores atpicos, errores de la especificacin,
micronumerosidad, estacionalidad y propiedades estocsticas, la normalidad y esfericidad de los
errores, y de multicolinealidad. Cada prueba se describe en ms detalle en sus informes
respectivos en el modelo.
Procedimiento:
Abra el modelo del ejemplo (Simulador de Riesgo | Modelos de Ejemplo | Diagnstico
de Regresin) y vaya a la hoja de trabajo de Datos de Serie de Tiempo y escoja los datos
incluyendo los nombres de las variables (las clulas C5:H55).
Tambin puede ingresar por Simulador de Riesgo | Herramientas | Herramientas de
Diagnstico. Verifique los datos y escoja la Variable Dependiente Y en la pestaa del
men. De Click en OK cuando termine (Figura 5.22).
Figura 5.22 Correr los Datos Herramienta de Diagnstico
Una violacin comn en el pronstico y en la regresin es la heteroscedasticidad (vea la Figura
5.23 para resultados de la prueba que usan la herramienta diagnstico). Es decir, el incremento a
travs del tiempo del valor de la varianza de los errores. Visualmente, el ancho de las
fluctuaciones de los datos se incrementa y se dispersa con el tiempo. Normalmente, el coeficiente
de determinacin (R-Cuadrado) cae significativamente cuando existe heteroscedasticidad. Si la
varianza de la variable dependiente no es constante, entonces el error de la varianza no ser
constante tampoco. A menos que la heteroscedasticidad de la variable dependiente sea
pronunciada, su efecto no ser severo: los mnimos cuadrados estimados aun sern imparciales, y
los estimados de la pendiente y el intercepto estarn normalmente distribuidos si los errores estn
normalmente distribuidos, o al menos distribuidos de forma asinttica (mientras el nmero de
datos se incrementa) si los errores no estn distribuidos normalmente. El estimado de la varianza
y de la pendiente en conjunto ser inexacto, pero la inexactitud no resulta considerable si los
valores de la variable independiente son simtricos respecto a sus medias.
Si el nmero de datos es pequeo (micronumerosidad), puede resultar complicado detectar las

violaciones de los supuestos. Con pequeas muestras, la presencia de las violaciones de supuestos
como heteroscedasticidad y no-normalidad de la varianza son difciles de detectar (Cuando estn
presentes). Con un nmero pequeo de datos, la regresin lineal ofrece menor proteccin contra
las violaciones de supuestos. Con pocos datos, puede ser difcil determinar que tan bien ajustadas
estn las lneas resultantes estn con respecto a los datos, o cundo una regresin no-lineal podra
ser ms apropiada.
An cuando ninguna de las pruebas de supuestos sean violados, una regresin lineal sobre un
pequeo nmero de datos puede que no tenga el suficiente poder para detectar una diferencia
significativa entre la pendiente y cero, an si la pendiente no es cero. El poder depende del error
residual, la variacin observada en la variable independiente, el nivel de significancia de la
prueba alfa, y el nmero de datos. El poder disminuye cuando la varianza residual se incrementa,
cuando el nivel de significancia decrece (por ejemplo, cuando la prueba se hace ms rigurosa), se
incrementa cuando la variacin en la pendiente observada se incrementa, y aumenta el nmero de
datos.
Los valores pueden no ser idnticamente distribuidos debido a la presencia de valores atpicos.
Los valores atpicos son anomalas en los datos. Pueden tener una gran influencia sobre el ajuste
realizado sobre la pendiente y el intercepto, generando un pobre ajuste sobre el conjunto total de
datos. Los valores atpicos tienden a incrementar la varianza residual, disminuyendo la
probabilidad de rechazar la hiptesis nula, por ejemplo, creando altos errores de prediccin. Esto
puede deberse a errores de registro, los cuales se pueden corregir, o tambin debidos a que no
todos los valores de la variable dependiente estn siendo muestreados de la misma poblacin.
Aparentemente los valores atpicos tambin se deben a que los valores en la variable dependiente
son de la misma poblacin, pero no normales. Sin embargo, un punto puede ser un valor inusual
dentro de una variable ya sea dependiente o independiente sin ser necesariamente un valor atpico
en la dispersin. En un anlisis de regresin, la lnea ajustada puede ser altamente sensible a los
valores atpicos. En otras palabras, regresin por mnimos cuadrados no es resistente a valores
atpicos, sin embargo, no estima la pendiente ajustada. Un punto verticalmente removido de los
otros puntos puede hacer que la lnea ajustada pase cerca de sta, en lugar de seguir la tendencia
general de la lnea del resto de datos, especialmente si el punto es horizontal y relativamente lejos
del centro de los datos.
Sin embargo, debe tenerse gran precaucin cuando se decide eliminar los valores atpicos.
Aunque en la mayora de los casos cuando los valores atpicos se eliminan, la regresin resultante
luce mucho mejor, debe existir una justificacin previa primero. Por ejemplo, si uno est llevando
a cabo una regresin de los retornos de una firma en particular, los valores atpicos causados por
bajas en el mercado deben incluirse; estos no son verdaderos valores atpicos, sino que son
inevitables ciclos del negocio.
No incluir estos valores atpicos y utilizar la ecuacin de la regresin para pronosticar el

comportamiento de la variable producir resultados incorrectos. Por el contrario, los valores
atpicos supuestamente son causados por condiciones no recurrentes de negocios (por ejemplo,
fusiones y adquisiciones) y cambios similares de estructura en los negocios que no pueden
pronosticarse, estos valores atpicos deben eliminarse y los datos funcionarn mejor en el anlisis
de regresin. El anlisis aqu realizado identifica los valores atpicos y deja a juicio del usuario
determinar si deben ser eliminados o mantenerse.
Algunas veces, una relacin no lineal entre variables dependientes e independientes es ms

adecuada que una relacin lineal. En algunos casos, ejecutar una regresin lineal puede no ser
ptimo. Si el modelo lineal no tiene la forma correcta, entonces las estimaciones de la pendiente,
el intercepto y los valores estimados de la regresin lineal sern sesgados, y estos valores
estimados no sern de mucha ayuda. Sobre un rango de variables dependiente o independientes,
los modelos no lineales pueden aproximarse bien a los modelos lineales (de hecho sta es la base
de la interpolacin lineal), pero para un modelo de prediccin ms adecuado y exacto se debe
seleccionar otra modelo adecuado para los datos seleccionados. Una transformacin no lineal
debe aplicarse primero a los datos antes de ejecutar la regresin. Un sencillo acercamiento es
tomar el logaritmo natural de la variable independiente (otra manera sera tomar la raz cuadrada
de la variable dependiente o elevarla a la segunda o tercera potencia) y ejecutar un pronstico o
prediccin de la regresin utilizando los datos no lineales ya transformados.
Figura 5.23 Resultados de Pruebas de Valores atpicos, Heteroscedasticidad, Micronumerosidad, y
No linealidad
Un error muy comn cuando se pronostican datos de series de tiempo es asumir que los valores
de los errores o perturbaciones de las variables independientes o dependientes son
independientes. Los trminos de error de la variable dependiente a travs del tiempo pueden estar
autocorrelacionados. Para valores seriales y dependientemente correlacionados, las estimaciones
de la pendiente y el intercepto sern sesgadas, y las estimaciones de sus pronsticos y varianzas
no sern confiables y por lo tanto la validez de la bondad de ajuste de la certeza estadstica ser
deficiente.
Por ejemplo, tasas de inters, tasas de inflacin, ventas, ingresos, y muchos otros datos de series
de tiempo estn normalmente autocorrelacionados, en donde los valores en el periodo actual est
relacionado con un periodo previo, y as sucesivamente (claramente, la tasa de inters de marzo
est relacionada con la de febrero, la cual a su vez, est relacionada con la de enero, y as
sucesivamente). Ignorar este tipo de relaciones llevar a pronsticos parciales y poco certeros. En
tales eventos, un modelo de autocorrelacin o un modelo ARIMA puede ser lo ideal (Simulacin
| Pronstico | ARIMA). Finalmente, las funciones de autocorrelacin de una serie que tiene una
tendencia no estacionaria decae lentamente (vase el Reporte No Estacionario).
Si la autocorrelacin total AC(1) es diferente a cero, significa que la serie de tiempo esta
ordenada serialmente y esta correlacionada. Si AC(k) decrece geomtricamente o
exponencialmente con un incremento en los rezagos, implica que la serie sigue un proceso
autorregresivo de orden bajo. De la misma manera si AC(k) disminuye hasta cero despus de un
pequeo nmero de rezagos, implica que la serie sigue un proceso de orden bajo. La
autocorrelacin parcial PAC(k) mide la correlacin entre observaciones (para series de tiempo)
que estn separadas k periodos, manteniendo constantes las correlaciones entre los rezagos
intermedios menores que k. Si el patrn de autocorrelacin total puede ser capturado por una
autoregresin u orden menor que k, entonces la autocorrelacin parcial PAC en el rezago ser
muy cercana a cero. El estadstico Ljung-Box Q analiza utiliza los valores P - Value para
identificar si los coeficientes de correlacin superiores al primer rezago son iguales a cero (la
hiptesis nula) contra la hiptesis de que no todos los rezago son cero. Cuando los P-Value son
muy pequeos (P<0.001) se puede rechazar la hiptesis nula inicial, es decir, existen valores de
los coeficientes de autocorrelacin que son significativamente diferentes de cero. Las lneas
punteadas en las grficas de las autocorrelaciones son los dos errores estndar aproximados a los
lmites. Si la autocorrelacin est dentro de estos lmites, no es significativamente diferente a cero
en (aproximadamente) el 5% del nivel de significancia.
La autocorrelacin mide la relacin de la variable dependiente Y con el pasado de ella misma.

Los rezagos distributivos, en contraste, son relaciones de los rezagos en el tiempo entre la
variable dependiente Y y diferentes variables X independientes. Por ejemplo, el movimiento y la
direccin de la tasa de prstamos hipotecarios tienden a seguir el comportamiento de Tasa de
Bonos del Tesoro pero con un rezago de tiempo (normalmente de 1 a 3 meses).
En algunas ocasiones, los rezagos en el tiempo siguen ciclos y estacionalidad (por ejemplo las
ventas de helados tienden a incrementarse durante los meses de verano y por lo tanto estn
relacionados con las ventas de verano, de los 12 meses anteriores). El anlisis de rezagos de
distribucin que se muestra a continuacin indica de que manera la variable dependiente se
relaciona con cada uno de los rezagos de tiempo de las variables independientes; as, cuando
todos los rezagos estn considerados simultneamente, se puede determinar que rezagos de
tiempo son estadsticamente significantes y deben ser considerados.
Figura 5.24 Autocorrelacin y Resultados de los Rezagos Distributivos
Otro requisito cuando se ejecuta un modelo de regresin es la suposicin de normalidad y

esfericidad del trmino del error. Si el supuesto de normalidad es violada por los valores extremos
presentes, entonces la bondad de ajuste de la regresin lineal puede que no sea la ms poderosa o
informativa de las pruebas disponibles, y esto puede significar la diferencia entre detectar un
ajuste lineal o no. Si los errores no son independientes y no estn normalmente distribuidos,
puede indicar que los datos probablemente estn autocorrelacionados o sufran de no linealidad o
algn otro tipo de error destructivo. La independencia de los errores tambin puede detectarse en
las pruebas de heteroscedasticidad (vase la Figura 5.25).
La prueba de Normalidad de los errores es una forma de prueba no paramtrica, la cual no hace
suposiciones sobre la forma especfica de la poblacin de la cual se deriva la muestra,
permitiendo que se analicen los conjuntos de datos de pequeas muestras. Esta prueba evala la
hiptesis nula de cualquier dato que haya sido tomado de una poblacin con distribucin normal,
contra una hiptesis alternativa en la que el conjunto de datos no est normalmente distribuido. Si
el estadstico-D es mayor o igual a los valores crticos D en varios niveles de significancia,
entonces se rechaza la hiptesis nula y se acepta la hiptesis alternativa (los errores no estn
normalmente distribuidos). De otra manera, si el estadstico-D es menor que el valor crtico D, no
se rechaza la hiptesis nula (los errores estn distribuidos normalmente). Esta prueba se basa en
las dos frecuencias acumulativas: una derivada del conjunto de datos muestrales, y la segunda de
una distribucin terica basada en la media y desviacin estndar de los datos de la muestra.
Figura 5.25 Prueba para la Normalidad de Errores
En ocasiones, algunas series de tiempo no pueden modelarse convencionalmente, excepto por el

mtodo de proceso estocstico, ya que los eventos subyacentes son estocsticos por naturaleza.
Por ejemplo, usted no puede modelar adecuadamente un pronstico para precios de las acciones,
tasas de inters, precio del petrleo, y otros bienes, utilizando un modelo sencillo de regresin, ya
que estas variables son altamente inciertas y voltiles, y no siguen un patrn predeterminado de
comportamiento; en otras palabras, los procesos no son estacionarios.
La estacionariedad se verifica aqu utilizando las Pruebas de Ejecucin, mientras se encuentran

otras pistas visuales en el reporte de Autocorrelacin (la grafica de la funcin de ACF decae
lentamente). Un Proceso Estocstico en una secuencia de eventos o caminos generados por las
leyes de probabilidad. Esto significa que eventos aleatorios pueden ocurrir en el tiempo, pero son
regidos por leyes estadsticas y probabilsticas especificas. Los principales Procesos Estocsticos
incluyen la Caminata Aleatoria o Proceso Browniano, Regresin a la Media y los Saltos de
Difusin. Estos procesos pueden ser utilizados para pronosticas una multitud de variables que
aparentemente sigan tendencias aleatorias pero que estn restringidas por las leyes de la
probabilidad. La ecuacin generadora del proceso es conocida de antemano, pero los resultados
reales generados se desconocen. (Vea la Figura 5.26).
El proceso de Movimiento Browniano de Caminata Aleatoria puede utilizarse para pronosticar

precios de acciones, precios de bienes bsicos o commodities, y otros datos estocsticos de datos
se series se tiempo dada una deriva (drift) o tasa de crecimiento y una volatilidad alrededor de la
trayectoria o sendero originado por la deriva. El proceso de Reversin a la Media puede utilizarse
para reducir las fluctuaciones del Proceso de Caminata Aleatoria, permitiendo al sendero creado
orientarse hacia un objetivo a largo plazo, hacindolo muy til para pronosticar variables de
series de tiempo que tienen una tasa de largo plazo, como las tasas de inters y tasas de inflacin
(estas son tasas objetivo a largo plazo determinadas por las autoridades reguladoras o el
mercado). El proceso de Difusin de Salto es muy til para pronosticar datos de series de tiempo
cuando las variables muestran ocasionalmente saltos aleatorios, tales como los precios del
petrleo o el precio de la electricidad (eventos externos y discretos pueden hacer que los precios
suban o bajen drsticamente). Finalmente, estos tres procesos estocsticos pueden mezclarse y
ajustarse como se requiera.
Figura 5.26 La Estimacin Estocstica del Parmetro del Proceso
La Multicolinealidad existe cuando hay una relacin entre las variables independientes. Cuando
esto ocurre, la ecuacin de regresin no puede estimarse del todo. En situaciones de colinealidad
cercana, la ecuacin de regresin estimada ser sesgada y proporcionar resultados inexactos.
Esta situacin es especialmente cierta cuando se utiliza una regresin por etapas o regresin
progresiva, en donde las variables independientes estn combinadas linealmente, resultando en
una ecuacin de regresin que puede ser altamente ineficiente o inexacta en trminos de los
coeficientes estimados, pues no tienen errores estndar pequeos. Una prueba rpida para
comprobar la presencia de multicolinealidad en una ecuacin de regresin mltiple, es tener un
valor de R-cuadrado elevado mientras que las estadsticas t son relativamente bajas.
Otra prueba rpida consiste en crear una matriz de correlacin entre las variables independientes.
Una correlacin cruzada indica el potencial de una autocorrelacin. La regla de oro consiste en
que si una correlacin con un valor absoluto mayor a 0.75 es indicativa de mltiples
multicolinealidades. Otra prueba para la multicolinealidad es la utilizacin del Factor de Inflacin
de Varianza (FIV), el cual se obtiene aplicando regresin de cada variable independiente hacia
todas las dems variables independientes, obteniendo el valor de R-cuadrado y calculando el FIV.
Un FIV por encima de 2.0 puede considerarse como multicolinealidad severa. Un FIV que excede
de 10.0 indica multicolinealidad destructiva. (La Figura 5.27).
Figura 5.27 Errores de Multicolinealidad
La Matriz de Correlacin producto momento de Pearson (se refiere comnmente a la R de

Pearson) entre pares de variables. El coeficiente de la correlacin se ubica entre -1.0 y + 1.0. El
signo indica la direccin de la asociacin entre las variables mientras el coeficiente indica la
magnitud o la fuerza de la asociacin. La R de Pearson slo mide una relacin lineal, y es menos
efectivo en la medicin de las relaciones no lineales.
Para probar si las correlaciones son significativas, se realiza una prueba de hiptesis de dos colas
y los valores P resultantes se muestran en la parte inferior. Valores de P, menores que 0.10, 0.05,
y 0.01 son resaltados en azul indicando que son estadsticamente significativos. En otras palabras,
un valor P para un par de variables correlacionadas que son significativa y estadsticamente
diferentes de cero, indican que hay una relacin lineal entre las dos variables.
Se debe enfatizar que una correlacin significativa no implica causalidad. Las asociaciones entre
variables en ninguna manera implican que el cambio de una variable causa que otra variable
cambie. Cundo dos variables que mueven independientemente de uno al otro pero en un sendero
relacionado, ellos pueden ser puestos en correlacin pero su relacin quizs sea falsas (por
ejemplo, una correlacin entre manchas solares y el mercado de acciones quizs sea fuerte pero
uno puede suponer eso no hay la causalidad y que est relacin es puramente falso).
El Coeficiente (R) de la Correlacin producto momento de Pearson entre dos variables (X y Y) es

relacionado a la medida de la covarianza (cov) donde Rx, Y = sy cov(x,y)/(sx). El beneficio de
dividir la covarianza por el producto de las dos desviaciones tpicas de las variables(s) es que el
coeficiente resultante de la correlacin se ubica entre -1.0 y +1.0. Esto hace que la correlacin sea
una medida relativamente buena comparar entre diferentes variables (particularmente con
unidades y magnitudes diferentes).
El rango de Spearman basado en el grado de correlacin no paramtricas se incluye tambin

abajo. La R de Spearman est relacionada con la R de Pearson en que los datos son primero
organizados y luego correlacionados. El rango de las correlaciones proporciona una mejor
estimacin de la relacin entre dos variables aun cuando una o ambas son no lineales. Se debe
enfatizar que una correlacin significativa no implica causalidad.
Las asociaciones entre variables de ninguna manera implican que el cambio de una variable causa
que otra variable cambie. Cuando dos variables que se mueven independientemente una de la otra
pero en un sendero relacionado, ellas pueden ser analizadas por medio de una correlacin pero su
relacin quizs sea espuria (por ejemplo, una correlacin entre manchas solares y el mercado de
acciones quizs sea fuerte pero uno puede suponer que entre las variables no hay la causalidad y
que esta relacin es puramente espuria o falsa).
Herramienta de Anlisis Estadstico
Otra herramienta muy poderosa en el Simulador del Riesgo es la Herramienta de Anlisis

Estadstico, que determina las propiedades estadsticas de los datos. El diagnstico incluye
verificar los datos para varias propiedades estadsticas, de la estadstica bsica hasta evaluar las
propiedades estocsticas de los datos.
Procedimiento:
Abra el modelo del ejemplo (Simulador de Riesgo | Modelos de Ejemplos | Anlisis de
Estadsticas) y vaya a la hoja de trabajo de Datos (Data) y escoja los datos inclusive los
nombres variables (las clulas C5:E55).
De Click en el Simulador de Riesgo | Herramientas | Anlisis de Estadsticas (la Figura
5.28).
Verifique el tipo de datos, si los datos escogidos son de una sola variable o mltiples
variables organizadas en filas. En nuestro ejemplo, nosotros asumimos que las reas de
datos seleccionadas son de mltiples variables. De Click en OK cuando termin.
Escoja las pruebas estadsticas que usted desea implementar. La sugerencia (vienen
definidas previamente) es escoger todas las pruebas. De Click en OK cuando terminado
(la Figura 5.29).
Se recomienda tomar un tiempo revisando los informes que se generaron para obtener una mejor
comprensin de las pruebas estadsticas realizadas (los informes de la muestra se muestran en
Figuras 5.30-5.33).
Figura 5.28 Correr la Herramienta Estadstica del Anlisis
Figura 5.29 Pruebas Estadsticas
Figura 5.30 Muestra de un Reporte de la Herramienta de Anlisis Estadstico.
(Prueba de Hiptesis de Una Variable)
(Prueba de Normalidad)
Figura 5.33 Muestra de un Reporte de la Herramienta de Anlisis Estadstico
(Estimacin de Parmetros Estocsticos)
Herramienta de Anlisis Distribucional
Esta es una herramienta estadstica de probabilidad incluida en el Simulador del Riesgo que es
ms bien til para analizar una variedad de parmetros, y puede ser usado para calcular la funcin
(PDF) de densidad de la probabilidad, que se llama tambin la funcin (PMF) de masa de
probabilidad para distribuciones discretas (usaremos estos trminos intercambiablemente), donde
dada alguna distribucin y sus parmetros, nosotros podemos determinar la probabilidad de la
ocurrencia dada algn resultado X. Adems, la funcin (CDF) cumulativa de la distribucin se
puede computar tambin, que es la suma de los valores de PDF hasta este valor X. Finalmente, el
inverso la funcin (ICDF) cumulativa de la distribucin se usa para calcular el valor X dada la
probabilidad de la ocurrencia.
Est herramienta es accesible va Simulador de Riesgo | Herramientas | Anlisis de

Distribucin. Revisando un ejemplo, la Figura 5.34 muestra como calcular una distribucin
binomial (en otras palabras, una distribucin con dos resultados, como lanzar una moneda, donde
el resultado es cara o cruz, con alguna probabilidad definida para cada uno de los eventos).
Suponga que lanzamos una moneda dos vez, si obtenemos cara tenemos un xito, se usa una
distribucin binomial con Ensayos = 2 (tirar la moneda dos veces) y la Probabilidad = 0.50 (la
probabilidad de xito, de las caras que obtienen). Seleccionar la PDF y los valores X como de 0 a
2 con un intervalo de 1 (esto significa que solicitamos los valores 0, 1, 2 para X), las
probabilidades resultantes se proporcionan en la tabla y grficamente, as como tambin los
cuatro momentos tericos de la distribucin. Cuando los resultados del lanzamiento de la moneda
son Cara - Cara, Cruz - Cruz, Cara - Cruz y Cruz - Cara, la probabilidad que se obtiene
exactamente de obtener las distintas combinaciones de eventos solo Caras 25%, una Cara 50%, y
sin Caras son 25%.
Figura 5.34 Herramienta de Anlisis de Distribucin (Distribucin Binomial con 2 Ensayos)
De manera semejante, podemos obtener las probabilidades exactas de lanzar monedas, digamos
20 a la vez, como se ve en la Figura 5.35. Los resultados se presentan en forma de tabla y en
formatos grficos.
Figura 5.35 Herramienta de Anlisis de Distribucin
(Distribucin Binomial con 20 Ensayos)
La Figura 5.36, muestra la misma distribucin binomial pero ahora se calcula el CDF. El CDF es
simplemente la suma de los valores de PDF arriba del punto x. Por ejemplo, en la Figura 5.35, se
ve que las probabilidades de 0, 1, y 2 son 0.000001, 0.000019, y 0.000181, cuyo suma es
0.000201, que es el valor de CDF en x = 2 en la Figura 5.36. Mientras que el PDF calcula las
probabilidades de obtener 2 caras, el CDF calcula la probabilidad de que obtiene no ms de 2
caras (ni las probabilidades de 0, 1, y 2 cabezas). Tomando el complemento (en otras palabras, 1
0.00021 obtienen 0.999799 o 99.9799 %) proporciona la probabilidad de que obtengan por lo
menos 3 caras o ms.
(Distribucin Binomial CDF con 20 Ensayos)
Usando est herramienta del Anlisis de Distribucin, otras distribuciones an ms avanzadas se

pueden analizar, tal como la gamma, beta, binomial negativa, y muchos otras en el Simulador del
Riesgo. Un ejemplo adicional en el uso de la herramienta en una distribucin continua y la
funcionalidad de ICDF, la Figura 5.37 muestra la distribucin normal uniforme (la distribucin
normal con media cero y desviacin estndar de uno), donde aplicamos el ICDF para encontrar el
valor de x que corresponde a la probabilidad acumulativa de 97.50% de (CDF). Eso es, un una
cola CDF de 97.50% es equivalente dos colas 95% de intervalo de la confianza (hay una 2.50%
de probabilidad en la cola correcta y 2.50% en la cola izquierda, dividida en 95% en el centro o
en el rea del intervalo de confianza, que es equivalente a una 97.50% de rea para una cola). El
resultado es la familiar Z-score de 1.96. Por lo tanto, usando est herramienta del Anlisis de
Distribucin las cuentas estandarizadas para otras distribuciones, las probabilidades exactas y
acumulativas de otras distribuciones pueden obtenerse rpidamente y fcilmente.

(Distribucin Normal ICDF y la Z-score)
Herramienta de Anlisis de Escenarios
La herramienta de Anlisis de Escenarios en el Simulador de Riesgo le permite correr

rpidamente mltiples escenarios y sin esfuerzo con tan slo cambiar uno o dos parmetros de
entrada para determinar una variable de salida. La figura 5.38 ilustra cmo sta herramienta
trabaja sobre el modelo de flujo de caja descontado (Modelo No. 7 en la carpeta de Modelos de
Ejemplo del Simulador de Riesgo). En ste ejemplo la celda G6 (valor presente neto) es
seleccionada como la variable de inters, mientras que las celdas C9 (tasa efectiva) y C12 (precio
del producto), son seleccionadas como supuestos a modificar. Usted puede fijar el valor inicial y
el final para probar los valores, as como el tamao del paso o el nmero de pasos a ejecutar entre
estos valores. El resultado es una tabla de anlisis de escenarios (Figura 5.39), donde los
encabezados de fila y columna son las dos variables de entrada y el esquema de la tabla muestra
los Valores Presentes Netos.
Figura 5.38 Herramienta de Anlisis de Escenarios
Figura 5.39 Tabla de Anlisis de Escenarios
Herramienta Agrupacin y de Segmentacin
Una tcnica analtica final, su inters es el de Agrupacin y Segmentacin. La Figura 5.40 nos
muestra unos datos de ejemplo. Seleccione los datos y ejecute la herramienta a travs del
Simulador de Riesgo | Herramientas | Agrupacin y Segmentacin. La figura 5.40 nos
muestra un modelo de segmentacin de dos grupos. Se toma el conjunto de datos original y se
ejecutan algunos algoritmos internos (una combinacin o una agrupacin jerrquica de k-medias
y otro mtodo de momentos para encontrar los grupos que mejor se ajustan o por conglomerados
estadsticos naturales) para dividir estadsticamente o segmentar el conjunto original de datos en
dos grupos. Tambin puede ver la pertenencia a los dos grupos en la figura 5.40. Se hace evidente
que este conjunto de datos se puede dividir en tantos grupos como se desee. Esta tcnica es til en
una variedad de materias incluyendo el tema de mercadeo (La segmentacin del mercado de
clientes en varios grupos de acuerdo con su relacin, administracin gestin, etc.), la Fsica, las
ingenieras entre otras.
Figura 5.40 Herramienta de resultados de Agrupacin y Segmentacin
Simulador de Riesgo 2011 Nuevas Herramientas
Generador de Nmeros Aleatorios, Monte Carlo versus Hipercubo Latino, y Mtodos

Cpula de Correlacin
Para empezar, en la versin 2011, hay 6 generadores de nmeros aleatorios, 3 correlaciones de

cpula y 2 simuladores de mtodos de muestreo (figura 5.41). Estas preferencias se ubican a
travs del Simulador de Riesgo | Opciones.
El Generador de Nmeros Aleatorios (RNG, por sus siglas en ingls) es el corazn de cualquier
software de simulacin. Con base en los nmeros aleatorios generados, diferentes distribuciones
matemticas pueden ser construidas. La metodologa es propietaria de ROV Risk Simulator, es
una metodologa que proporciona los mejores y ms robustos nmeros aleatorios. Como se ha
sealado, hay soportados 6 generadores de nmeros aleatorios y en general, el mtodo
predeterminado de ROV Risk Simulator y el Mtodo Avanzado de Sustraccin Aleatoria son los
mtodos recomendados para su uso. No aplique los otros mtodos a menos que su modelo o
anlisis especficamente lo pida, y an as, se recomienda comprobar los resultados contra los dos
mtodos anteriormente recomendados. El de ms abajo en la lista de RNGs, es el ms simple de
los Nmeros Aleatoriamente Generados (RNGs) es el algoritmo que ms rpido se genera, en
comparacin con los resultados ms robustos de otros RNGs, que se encuentran en la parte
superior de la lista de RNGs.
En la Seccin de Correlaciones tres mtodos son compatibles: La Cpula Normal, la t-Cpula y

la Cpula Cuasi Normal. Estos mtodos se basan en tcnicas de integracin matemtica y cuando
haya duda, la Cpula Normal provee los ms cercanos y seguros resultados. La t-Cpula es
adecuada para valores extremos en las colas de las distribuciones simuladas, mientras que la
Cpula Cuasi Normal devuelve los resultados que estn entre los valores derivados de los otros
dos mtodos.
En la Seccin de mtodos de Simulacin, el Modelo de Hipercubo Latino (LHS por sus siglas en
ingls) y la Simulacin de Monte Carlo (MCS, por sus siglas en ingls), son compatibles. Tenga
en cuenta que las Cpulas y otras funciones multivariadas no son compatibles con el Hipercubo
Latino (en adelante LHS), porque ste ltimo puede ser aplicado a una variable aleatoria nica y
no sobre una distribucin conjunta. En realidad el LHS tiene un impacto limitado en la precisin
de los resultados del modelo; entre ms distribuciones haya, slo habr un modelo LHS que
aplica a las distribuciones en forma individual. El beneficio del LHS es una vez iniciada cuando
no se completa el nmero de muestras definidas en principio, por ejemplo, si se detiene la
Simulacin en la mitad de su ejecucin. El LHS aplica una fuerte carga en un Modelo de
Simulacin con un gran nmero de entradas debido a que las necesita para generar y organizar las
muestras de cada distribucin antes de ejecutar la primera muestra. Esto retrasa la ejecucin en un
modelo grande, sin embargo, genera precisin adicional, aunque mnima. Finalmente, el LHS se
aplica mejor cuando las distribuciones son bien distribuidas, simtricas y sin ningn tipo de
correlaciones. An ms LHS es una herramienta poderosa la cual produce una distribucin
uniforme de la muestra, donde MCS puede algunas veces generar distribuciones desiguales (Es
decir, los datos de la muestra puede a veces estar ms fuertemente concentrados en un rea de la
distribucin) en comparacin con una distribucin ms uniforme de la muestra (cada parte de la
distribucin se expone) cuando se aplica LHS.
Figura 5.41 Opciones del Simulador de Riesgo
Desestacionalizacin y Eliminacin de tendencias en Datos
Esta herramienta desestacionaliza y elimina tendencias de datos originales extrayendo sus

componentes (figura 5.42). En los modelos de pronstico, el proceso usualmente incluye la
remocin de los efectos de la acumulacin de datos establecidos en la estacionalidad y tendencia
mostrando nicamente cambios absolutos en los valores y permitiendo patrones potenciales
cclicos ser identificados despus de remover una deriva general, tendencias, giros, curvas y
efectos de ciclos estacionales de una serie de datos de tiempo. Por ejemplo, un conjunto de datos
sin tendencia puede ser necesario para ver una descripcin ms precisa de las ventas de una
empresa en un ao determinado con mayor claridad al desplazar el conjunto de datos desde una
pendiente con una superficie plana para ver mejor los ciclos subyacentes y las fluctuaciones.
Muchos datos de series de tiempos presentan estacionalidad en donde ciertos eventos se repiten
despus de un perodo de tiempo u estacionalidad (por ejemplo, los ingresos a una estacin de
esqu, son ms altos en invierno que en verano, y ste ciclo, predecible se repetir cada invierno)
Los perodos de estacionalidad representan cuntos perodos tendran que pasar antes de que el
ciclo se repita (por ejemplo, 24 horas en un da, 12 meses en un ao, 4 trimestres en un ao, 60
minutos en una hora, y as sucesivamente). Esta herramienta desestacionaliza y elimina
tendencias de sus datos originales para extraer los componentes estacionales. Un ndice estacional
superior a 1 indica un perodo de pico alto en el ciclo estacional y un valor por debajo de 1
indican un descenso en el ciclo.
Procedimiento (Desestacionalizacin y Eliminacin de Tendencias):
Seleccione los datos que desea analizar (Ej.: B9:B28) y de clic en Simulador de
Riesgo | Herramientas |Desestacionalizacin y Libre de Tendencias.
Seleccione Desestacionalizacin y/o Libre de Tendencias. Seleccione cualquiera
de los modelos de eliminacin de tendencias que desee ejecutar e ingrese el
orden relevante (por ejemplo: el orden polinomial, orden de promedio mvil,
orden de diferencia, u orden de tasa) y haga clic en OK.
Revisin de los dos informes generados para obtener ms detalles sobre la
metodologa, aplicacin y grficos resultantes de los datos desestacionalizados y
sin tendencia.
Procedimiento (Prueba de estacionalidad)

Seleccione los datos que desea analizar (por ejemplo, B9:B28) y haga clic el
Simulador de Riesgo | Herramientas | Prueba de Estacionalidad.
Ingrese el perodo de estacionalidad mxima a evaluar. Es decir, si introduce 6, el

Simulador de Riesgo pondr a prueba los siguientes perodos de estacionalidad:
1, 2, 3, 4, 5, 6. Perodo 1, por supuesto, no implica la estacionalidad en los datos.
Revise el informe generado para obtener ms detalles sobre la metodologa,

aplicacin, grficos resultantes y los resultados de la estacionalidad de la prueba.
La mejor periodicidad estacional aparece en primer lugar (en el puesto por la
medida ms baja de la medida del error RMSE) y todas las medidas pertinentes
del error se incluyen para la comparacin: la raz del error cuadrado medio
(RMSE), error cuadrtico medio (MSE), la desviacin media absoluta (MAD), y
el error medio porcentual absoluto (MAPE).
Figura 5.42 Desestacionalizacin y Libre de Tendencia
Anlisis de Componentes Principales
El Anlisis de Componentes Principales es el camino para identificar los patrones en los datos, y
remodelar los datos de tal forma que se pueda resaltar sus similitudes y diferencias (Figura 5.43).
Los patrones de los datos son muy difciles de encontrar en altas dimensiones cuando existen
mltiples variables, y las grficas de altas dimensiones son muy difciles de representar e
interpretar. Una vez que los patrones son identificados en los datos, pueden ser comprimidos y los
nmeros de las dimensiones pueden ser reducidos. Esta reduccin de las dimensiones de los datos
no significa mucho en cuanto a la prdida de informacin. Ms bien, se pueden obtener los
mismos niveles de informacin a travs de un nmero reducido de variables.
Procedimiento
Seleccione los datos a analizar (por ejemplo., B11:K30), haga clic en Simulador
de Riesgo | Herramientas | Anlisis de Componentes Principales y haga clic
en OK
Revise el informe generado para los resultados calculados.
Figura 5.43 Anlisis de Componentes Principales
Anlisis de Cambio Estructural
El cambio Estructural examina si los coeficientes de distintos conjuntos de datos son iguales y
estos exmenes son comnmente utilizados en anlisis de series de tiempo para examinar la
presencia de un cambio estructural (Figura 5.44). El conjunto de datos de series de tiempo pueden
ser divididos en dos subconjuntos y cada subconjunto puede ser examinado uno al otro y en todo
el conjunto de datos para determinar estadsticamente si en verdad hay un inicio de cambio en un
periodo de tiempo particular. El examen de cambio estructural es utilizado con frecuencia para
determinar si las variables independientes tienen diferentes impactos sobre diferentes subgrupos
del universo, tales como examinar si, la nueva campaa de marketing, las actividades, eventos
grandes, adquisicin, privatizacin, etc. tienen impacto sobre los datos de series de tiempo.
Una prueba de hiptesis de una cola es realizada sobre la hiptesis nula (Ho) de tal manera que
los subconjuntos de datos son estadsticamente similares entre s, es decir, no hay cambio
estructural estadsticamente significativo. La hiptesis alternativa (Ha) es que los dos
subconjuntos de datos son estadsticamente diferentes entre s, lo que indica un posible cambio
estructural, si el clculo de los valores p es inferior o igual a 0.01, 0.05 0,10, entonces la
hiptesis es rechazada, lo que implica que los dos subconjuntos de datos son diferentes
estadsticamente significativos al 1%, 5% y al 10% de nivel de significancia. Grandes valores p
indican que no hay cambio estructural estadsticamente significativo. Suponga que el conjunto de
datos tiene 100 puntos de datos de series de tiempo, puede ajustar varios puntos de cambio para
examinar, por ejemplo, puntos de datos: 10, 30 y 51 ( esto significa que se ejecutarn 3 puntos de
cambio estructural sobre los siguientes conjuntos de datos: punto de datos 1-9 comparado con 10-
100; punto de datos 1-29 comparado con 30-100; y 1-50 comparado con 51-100, para ver si en
verdad al inicio de los puntos de datos 10, 30 y 51 existen cambios en la estructura subyacente).
Procedimiento
Seleccione los datos (por ejemplo, B11:B25), haga clic en Simulador de Riesgo
| Herramientas | Examen de Cambio Estructural, e ingrese los puntos
relevante en los cuales desea aplicar la prueba sobre los datos (por ejemplo., 6,
10, 12) y haga clic en OK
Revise el informe para determinar cul de estos puntos evaluados indican un
punto de cambio estructural estadsticamente significativo en sus datos y qu
puntos no.
Figura 5.44 Anlisis de Cambio Estructural
Pronsticos de lneas de tendencia
Las lneas de tendencia pueden ser usadas para determinar si una serie de datos de tiempo sigue
una tendencia apreciable (Figura 5.45). Las tendencias pueden ser lineales o no lineales (pueden
ser exponencial, logartmica, promedio, de poder o polinomial).
Procedimiento
Seleccione los datos que desee analizar, haga clic en Simulador de Riesgo |
Pronstico | Lneas de Tendencia, seleccione las lneas de tendencia
correspondientes a los datos que escogi (Ej. Seleccione todos los mtodos, por
defecto) ingrese el nmero de periodos a pronosticar (Ej. 6 periodos) y de clic en
OK.
Revise el reporte para que decida cul de estos ejemplos de lneas de tendencia
provee el mejor ajuste y pronstico para sus datos
Figura 5.45 Pronsticos de Lneas de Tendencia
Herramienta de Verificacin del Modelo
Despus de que un modelo ha sido creado y los supuestos y los pronsticos han sido establecidos,
usted puede correr la simulacin normalmente o ejecutar la herramienta de Revisin del Modelo
(Figura 5.46) para saber si el modelo ha sido establecido correctamente. Como alternativa si el
modelo no se ejecuta y usted sospecha que alguna configuracin podra ser incorrecta corra esta
herramienta desde Simulador de Riesgo | herramientas | Verificacin del Modelo para
identificar donde podra haber problemas. Tenga en cuenta que si bien esta herramienta revisa los
problemas ms comunes del modelo, as como los problemas de los supuestos y los pronsticos
en el Simulador de Riesgo, no es de ninguna manera lo suficientemente fuerte para detectar todo
tipo de problemas. Vaya hasta el desarrollador del modelo para percatarse que el modelo funciona
correctamente.
Figura 5.46 Herramienta de Verificacin del Modelo
Herramienta de Ajuste de Distribucin Percentil
La herramienta de ajuste de Distribucin Percentil (Figura 5.47) es otra alternativa para ajustar las
distribuciones de probabilidad. Hay algunas herramientas relacionadas y cada una tiene sus usos y
ventajas.
Ajuste de Distribucin (Percentiles) - usando un mtodo alterno de entrada (percentiles y
primer/segundo combinacin de momentos) para encontrar el mejor ajuste de parmetros
de una distribucin especfica sin necesidad de tener datos fijos. Este mtodo es idneo
cuando hay insuficientes datos, nicamente cuando los percentiles y momentos estn
disponibles, o como medio para recuperar datos de la distribucin completa con
nicamente dos o tres puntos de datos, sin embargo, el tipo de distribucin debe ser
conocida.
Ajuste de distribucin (simple) Usando mtodos estadsticos se pueden ajustar sus datos a
todas las 42 distribuciones para encontrar la mejor distribucin y sus parmetros de
ingreso. Mltiples puntos de datos se necesitan para establecer un buen ajuste aunque el
tipo de distribucin puede o no ser conocida.
Ajuste de Distribucin (Mltiple) Usando mtodos estadsticos puede ajustar su base de
datos sobre mltiples variables al mismo tiempo, usando los mismos algoritmos como la
variable simple, incorpora una comparacin con la matriz de correlacin entre las
variables. Mltiples puntos de datos se necesitan para establecer un buen ajuste aunque el
tipo de distribucin puede o no ser conocida.
Distribucin Personalizada (Ajuste de datos) Usando tcnicas de remuestreo no
paramtricas se genera una distribucin personalizada con datos existentes y simulando la
distribucin con base en esta distribucin emprica. Pocos puntos de datos son requeridos
y el tipo de distribucin puede o no ser conocido.
Procedimiento
De clic en Simulador de Riesgo | Herramientas| Ajuste de Distribucin
(Percentiles), seleccione la distribucin de probabilidad y los tipos de entrada
que desea usar, establezca los parmetros y Ejecute para obtener los resultados.
Revise los resultados de la R-cuadrada ajustada y compare los resultados
empricos con el ajuste terico para determinar si su distribucin est bien
establecida.
Figura 5.47 Herramienta de Ajuste de Distribucin Percentil
Tablas y Grficos de Distribucin: Herramienta de Distribucin de Probabilidad
Tablas y Grficos de Distribucin es una nueva herramienta de Distribucin de Probabilidad que

es muy poderosa y con un mdulo rpido, usado para la generacin de tablas y grficos de
distribucin (Figuras 5.48 5.51). Hay tres herramientas similares en el Simulador de Riesgo
pero cada cual hace cosas diferentes:
Anlisis de Distribucin: Se usa para clculos pequeos de PDF, CDF, e ICDF de las 42
probabilidades de distribucin disponibles en el Simulador de Riesgo, y genera una tabla
de probabilidad con estos valores.
Tablas y Grficos de Distribucin: La herramienta de Distribucin de Probabilidad ya
descrita aqu compara diferentes parmetros de una misma distribucin (Ej. Las formas y
los valores PDF, CDF, ICDF de una distribucin Weibull con Alfa y Beta de (2, 2), (3,
5), y (3.5, 8) y los traslapa uno encima de otro)
Grficos Superpuestos: Usados para comparar diferentes distribuciones (inclusin de
supuestos tericos y resultados de pronsticos empricamente simulados), los superpone
uno encima de otro para que se puedan comparar visualmente.
Procedimiento
Ejecute el ROV BizStats en Simulador de Riesgo | Tablas y Grficos de
Distribucin, presione el botn de Aplicar Entradas Globales para cargar una
muestra establecida de inclusin de parmetros o ingrese los suyos y ejecute para
calcular los resultados. El resultado de los cuatro momentos y los CDF, ICDF,
PDF son calculados en cada una de las 45 distribuciones de probabilidad (Figura
5.48)
Figura 5.48 Herramienta de Distribucin de Probabilidad (45 Distribuciones de Probabilidad)
Haga clic en Grficos y Tablas (Figura 5.49), seleccione una distribucin [A] (ej.
Arcseno), elija si desea ejecutar el CDF, ICDF o el PDF [B], ingrese los
parmetros necesarios y presione ejecutar Grfico o Ejecutar Tabla [C]. Usted
puede intercambiar entre las pestaas de Grfico y Tabla para ver los resultados,
as como probar algunos de los iconos de la tabla [E] para ver sus efectos en el
grfico.
Tambin puede cambiar dos parmetros [H] para generar mltiples grficos y
tablas de distribucin ingresando por De/a/paso o usando los parmetros
personalizados y dando clic en ejecutar. Por ejemplo y como est ilustrado en la
figura 5.50, corra la distribucin Beta y seleccione PDF [G], seleccione Alfa y
Beta para cambiar [H] usando supuestos personalizados [I], e ingrese los
parmetros relevantes: 2; 5; 5 para Alfa y 5; 3; 5 para Beta
[J] y presione Ejecutar Grfico. Esto generar tres distribuciones Beta [K]: Beta
(2.5), Beta (5,3), y Beta (5,5) [L]. Explore, varios tipos de grficos, lneas de
divisin, lenguaje y escenario decimal [M], y trata de re-ejecutar la distribucin
usando la teora contra los valores empricamente simulados [N].
La figura (5.51) ilustra las tablas de probabilidad generadas por una distribucin
binomial donde la probabilidad de xito y la cantidad de ensayos exitosos
(variable aleatoria X) estn seleccionados para variar [O] usando la opcin
De/a/paso. Trate de replicar los clculos como se muestran y presione la pestaa
Tabla [P] para ver los resultados de la funcin de densidad de probabilidad. En
este ejemplo la distribucin binomial con un valor inicial de entrada de ensayos
= 20, Probabilidad (de xito) = 0.5, y aleatoria X o nmero de ensayos exitosos
= 10, donde la probabilidad de xito tiene un rango de cambio desde 0., 0.25,,
0.50 y se muestra como una variable de fila, y el nmero de ensayos exitosos
tambin se le permite variar desde 0, 1, 2,, 8, y se muestra como la variable:
Columna. PDF es elegida y por lo tanto los resultados de la tabla muestran la
probabilidad de los eventos ocurridos. Por ejemplo, la probabilidad de tener
exactamente 2 xitos cuando se corren 20 ensayos y donde cada uno de los
ensayos tiene un 25% , la probabilidad de xito es 0.0669 6.69%
Figura 5.49 ROV Distribucin de Probabilidad (Grficas PDF y CDF)
Figura 5.50 ROV Distribucin de Probabilidad (Grficas Sobrepuestas Mltiples)
Figura 5.51 ROV Distribucin de Probabilidad (Tablas de Distribucin)
ROV BizStats
Esta nueva herramienta ROV BizStats es un mdulo, muy poderoso y rpido en el Simulador de
Riesgo que es usado para ejecutar modelos analticos y estadsticas para negocios en sus datos.
Contiene ms de 130 modelos analticos y estadsticos (Figuras 5.52 5.55). A continuacin
presentamos un repaso rpido en pocos pasos para empezar el funcionamiento del modulo y los
detalles sobre cada uno de los elementos en el software.
Procedimiento
Ejecute ROV BizStats en el Simulador de Riesgo | ROV BizStats, presione Ejemplo
para cargar una base de datos de muestra y el perfil del modelo [A] o ingrese sus datos, o
elija copiar y pegar en la cuadrcula de los datos [D] (Figura 5.52). Usted puede agregar
sus propias notas o los nombres de las variables en las notas de la fila [C].
Seleccione el modelo correspondiente [F] ejectelo en el paso 2 y usando la
configuracin de datos de entrada de ejemplo [G], ingrese las variables correspondientes
[H]. Separe las variables con el mismo parmetro con punto y coma y use una nueva
lnea (presione Entrar para crear una nueva lnea) para diferentes parmetros.
Presione Ejecutar [I] para computar los resultados [J]. Usted puede ver algunos
resultados analticos correspondientes, grficos o estadsticas entre varias pestaas en el
paso 3.
Si lo desea, usted puede ingresar un nombre al modelo para salvar el perfil en el paso 4
[L]. Muchos modelos pueden ser salvados con el mismo perfil. Los modelos pueden ser
editados o borrados [M], reordenados en orden de aparicin [N], todos los cambios
pueden ser salvados [O] en un perfil simple con la extensin *.bizstats.
Notas
El tamao del nmero de celdas para los datos se puede establecer en el men, el nmero
de celdas puede ubicarse arriba de 1,000 variables de columna con un milln de filas de
datos por variable. El men tambin permite cambiar los lenguajes y los decimales para
sus datos.
Al empezar, siempre es bueno cargar el archivo de ejemplo [A] el cual viene completo
porque trae algunos datos y modelos creados previamente [S]. De doble clic en algunos
de estos modelos, ejectelos y los resultados se mostrarn en el rea de reporte [J], los
cuales a veces traen grficos o estadsticas [T/U]- El ejemplo sirve para saber cmo
ingresar los parmetros [H], con base en la descripcin que trae el modelo [G], as usted
puede crear su modelo personalizado.
Presione sobre los rtulos de las variables [D], seleccione una o ms variables al tiempo,
luego de clic derecho para agregar, borrar, copiar, pegar o visualizar [P] las variables
seleccionadas.
Los modelos tambin pueden ingresarse usando la consola de Comandos [V/W/X]. Para
conocer cmo trabaja, de doble clic y ejecute el modelo [S] y vaya a la consola de
Comandos [V]. Puede replicar un modelo o construir el suyo y ejecutarlo a travs del
Comando [X] cuando est listo. Cada lnea en la consola representa un modelo con sus
correspondientes parmetros.
El archivo completo *.bizstats (donde estn salvados los datos y los diferentes archivos),
puede ser editado directamente en un XML [Z] a travs del editor XML desde el men del
archivo. Se puede cambiar el perfil y quedar establecido una vez el archivo sea salvado.
Consejos
Haz clic en la(s) cabecera(s) de la(s) columna(s) para seleccionar la(s) columna(s) enteras
o variable(s), y una vez seleccionadas, puedes hacer clic derecho sobre la cabecera para
Auto Ajustar la columna, Cortar, Copiar, Borrar, o Pegar los datos. Tambin puedes
hacer clic encima y seleccionar varias cabeceras de columnas o seleccionar muchas
variables y hacer clic derecho y seleccionar Visualizar para graficar los datos.
Si una celda tiene un valor grande que no se muestra completamente, haz clic encima y
posiciona el mouse sobre la celda y vers un comentario emergente mostrando el valor
entero, o simplemente redimensiona la columna de la variable (arrastra la columna para
hacerla ms amplia, haz doble clic sobre el borde de la columna para autoajustar la
columna, o haz clic sobre la cabecera de la columna y selecciona Auto Ajuste).
Utiliza las teclas arriba, abajo, izquierda y derecha para moverse por la tabla, o utiliza las
teclas Inicio y Fin del teclado para moverte al principio o final de la fila. Tambin puedes
utilizar combinaciones de teclas como: Ctrl+Inicio para saltar a la celda superior
izquierda, Ctrl+Fin para la celda inferior derecha, Shift+Arriba/Abajo para seleccionar un
rea en especifico, y as sucesivamente.
Puedes ingresar notas cortas para cada variable en la fila de Notas. Recuerda hacer tus
anotaciones cortas y sencillas.
Prueba los diversos iconos en la tabla de Visualizacin para cambiar la apariencia de los
grficos (ejemplo, rotar, desplazar, acercar/alejar, cambiar colores, agregar leyenda, y as
sucesivamente)
El botn de Copiar es utilizado para copiar los Resultados, Grficos, y Estadsticas en el
Paso 3 luego de que un modelo es corrido. Si no se corre ningn modelo, entonces el
botn de copiar solo copiar una pgina en blanco.
El botn de Reporte solo funcionar si existen modelos almacenados en el Paso 4 o si hay
datos en la tabla, en caso contrario el reporte generado estar vacio. Necesitars
Microsoft Excel instalado para ejecutar la extraccin de datos y los reportes de
resultados, y Microsoft PowerPoint disponible para ejecutar los reportes de grficos.
En caso de dudar sobre como ejecutar un modelo en especifico o un mtodo estadstico,
comienza el perfil de ejemplo y revisa como los datos son ajustados en el Paso 1 o como
los parmetros de entrada son ingresados en el Paso 2. Puedes usar esto como guas para
comenzar y plantillas para tus propios datos y modelos.
El idioma puede ser cambiado en el men de Lenguaje. Ten en cuenta que existen 10
idiomas disponibles en el software y ms por ser aadidos. Sin embargo, algunos pocos
resultados sern mostrados aun en Ingles.
Puedes cambiar como la lista de modelos del Paso 2 es mostrada cambiando la Vista en la
lista desplegable. Puedes listar los modelos alfabticamente, categricamente, y por
requerimientos de entrada datos ten en cuenta que en ciertos lenguajes Unicode
(ejemplo, Chino, Japons y Coreano), no existe arreglo alfabtico y por lo tanto la
primera opcin no estar disponible.
El software puede manejar distintos ajustes decimales y numricos (ejemplo, mil dlares
y cincuenta centavos pueden ser escritos como 1,000.50 o 1.000,50 o 1000,50 y as
sucesivamente). Los ajustes decimales pueden ser ajustados en el men Datos |
Configuracin Decimal de ROV BizStats. Sin embargo, si tiene duda, por favor cambie
los ajustes regionales del computados a Ingles Americano (English USA) y mantenga el
1,000.50 estndar de Norte Amrica en ROV BizStats (ese ajuste garantiza el trabajo con
ROV BizStats y los ejemplos por defecto).
Figura 5.52 ROV BizStats (Anlisis Estadstico)
Figura 5.53 ROV BizStats (Visualizacin de Datos y Grficas de Resultados)
Figura 5.54 ROV BizStats (Consola de Comandos)
Figura 5.55 ROV BizStats (Editor XML)
Metodologas de Pronstico mediante Redes Neuronales y Lgica Difusa Combinatoria
El trmino de Red Neuronal es empleado comnmente para referirse a una red o circuitos de
neuronas biolgicas mientras que el uso moderno que se le ha dado al trmino consiste en
describir redes neuronales artificiales constituidas por neuronas o nodos artificiales recreados en
un ambiente de software. La metodologa intenta imitar el pensamiento e identificacin de
patrones, actividades realizadas por el cerebro y neuronas, y en nuestro caso, se busca identificar
patrones con la finalidad de pronosticar datos de series de tiempo.
Esta metodologa se encuentra dentro del mdulo ROV BizStats en el Simulador de Riesgo,
localizado en Simulador de Riesgo | ROV BizStats | Red Neuronal as como tambin en
Simulador de Riesgo | Pronstico | Red Neuronal. La figura 5.56 muestra la metodologa de
pronstico de Red Neuronal.
Procedimiento
Haz clic en Simulador de Riesgo | Pronstico | Red Neuronal.
Comienza ingresando datos de manera manual o copia aquellos datos que tengas en el
portapapeles (ejemplo, selecciona y copia datos de Excel, abre esta herramienta y pega
tus datos haciendo clic en el botn Pegar)
Selecciona si deseas ejecutar un modelo de Red Neuronal Lineal o No Lineal, ingresa el
numero deseado de Periodos de Pronstico (ejemplo, 5), el nmero de Capas ocultas en
la Red Neural (ejemplo, 3), y el nmero de Perodos de Prueba (ejemplo, 5).
Haz clic en Correr para ejecutar el anlisis y revisar los resultados procesados y grficos.
Tambin puedes hacer Copiar de los resultados y grafico al portapapeles y pegarlo en
cualquier otra aplicacin.
Note que el nmero de capas ocultas en la red es un parmetro de entrada y necesitar ser
calibrado con los datos que se ingresen. Normalmente, mientras ms complicado sea el patrn de
datos, necesitar un mayor nmero de capas ocultas y el tiempo de cmputo ser mayor. Se
recomienda que empiece con 3 capas. Los periodos de prueba es el nmero de puntos de datos
utilizados en la calibracin final del modelo de la red Neuronal por lo que recomendamos utilizar
al menos el mismo nmero de perodos que desee para pronosticar que el perodo de prueba.
Por otro lado, el trmino de lgica difusa se deriva de la teora de conjunto difuso para tratar con
un razonamiento aproximado en vez de uno precisoa diferencia de la lgica ntida, donde
conjuntos binarios tienen lgica binaria, las variables difusas pueden tener un valor de verdad que
se encuentra entre 0 y 1 y no estn restringidos por los dos valores de verdad de la lgica
proposicional clsica. Este esquema de ponderacin difusa es empleado junto con un mtodo
combinatorio para obtener resultados de pronsticos de series de tiempo dentro del Simulador de
Riesgo como se muestra en la Figura 5.57, y es el ms adecuado cuando es aplicado a datos de
series de tiempo que tienen estacionalidad y tendencia. Esta metodologa se encuentra dentro del
mdulo ROV BizStats en el Simulador de Riesgo, en Risk Simulator | ROV BizStats | Lgica
Difusa Combinatoria as como en Simulador de Riesgo | Pronstico| Lgica Difusa
Combinatoria. La Figure 5.57 muestra la metodologa de pronstico de Red Neuronal.
Procedimiento
Haz clic en Simulador de Riesgo | Pronstico | Lgica Difusa Combinatoria.
Comienza ingresando datos de manera manual o copia aquellos datos que tengas en el
portapapeles (ejemplo, selecciona y copia datos de Excel, abre esta herramienta y pega
tus datos haciendo clic en el botn Pegar).
Selecciona de la lista desplegable la variable a la que desea realizarse el anlisis, ingresa
el periodo de estacionalidad (ejemplo, 4 para datos trimestrales, 12 para datos mensuales,
y as), y el numero deseado de Periodos de Pronstico (ejemplo, 5).
Haz clic en Correr para ejecutar el anlisis y revisar los resultados procesados y grficos.
Tambin puedes hacer Copiar de los resultados y grafico al portapapeles y pegarlo en
cualquier otra aplicacin.
Tenga en cuenta que ni las redes neuronales ni las tcnicas de lgica difusa han sido establecidas
como un mtodo confiable y vlido en el dominio de pronstico en el mundo de los negocios, ya
sea a nivel estratgico, tctico u operativo. Aun as, existe una investigacin en curso requerida en
estos campos de pronstico avanzado, sin embargo, el Simulador de Riesgo proporciona lo
fundamental de estas dos tcnicas con el propsito de realizar pronsticos de series de tiempo.
Recomendamos que no utilice ninguna de estas tcnicas de manera aislada sino que combnelas
con otras metodologas de pronstico del Simulador de Riesgo para construir modelos ms
robustos.
Figure 5.56 Redes Neuronales
Figure 5.57 Lgica Difusa Combinatoria
Optimizador de Bsqueda Objetivo
La herramienta de Goal Seek es un algoritmo de bsqueda aplicado para encontrar la solucin de

una variable dentro de un modelo. Si conoces el resultado que deseas a partir de una formula o
modelo, pero no se est seguro acerca del valor de entrada que requiere la frmula para obtener
dicho resultado, utilice la caracterstica Simulador de Riesgo | Herramientas | Bsqueda
Objetivo. Note que Bsqueda Objetivo trabaja nicamente con un valor de entrada para la
variable. Si desea aceptar ms de un valor de entrada, utilice las rutinas de optimizacin de
Simulador de Riesgo. La Figura 5,58 muestra un modelo sencillo y como Bsqueda Objetivo es
aplicado.
Figure 5.58 Bsqueda Objetivo
Optimizador de Una Sola Variable
El Optimizador de una sola Variable es un algoritmo de bsqueda utilizado para encontrar la

solucin a una sola variable dentro de un modelo, como lo hace la rutina de Bsqueda Objetivo
discutida anteriormente. Si desea el valor de resultado, mximo o mnimo, posible de un modelo
pero no est seguro de cual sea el valor de entrada que requiere la frmula para obtener dicho
valor, utilice la caracterstica Simulador de Riesgo | Herramientas | Optimizador de Una Sola
Variable (Figura 5.59). Note que este optimizador de una sola variable se ejecuta bastante rpido
pero solo aplica para encontrar una variable de entrada. Si quiere aceptar ms de un valor de
entrada, utilice las rutinas avanzadas de optimizacin del Simulador de Riesgo. Tenga en cuenta
que esta herramienta es incluida en el Simulador de Riesgo porque a veces puede requerir un
clculo de optimizacin rpido para una sola variable de decisin y esta herramienta proporciona
esa capacidad sin tener que establecer un modelo de optimizacin con perfiles, precondiciones de
simulacin, variables de decisin, objetivos, y restricciones.
Figure 5.59 Optimizador de Una Sola Variable
Algoritmo Gentico de Optimizacin
Un algoritmo gentico es una bsqueda heurstica que imita el proceso de evolucin neuronal.
Esta heurstica es empleada rutinariamente para generar soluciones tiles para problemas de
optimizacin y bsqueda. Los algoritmos genticos pertenecen a una clase ms grande de
algoritmos evolutivos, los cuales generan soluciones para problemas de optimizacin empleando
tcnicas inspiradas en la evolucin neuronal, como la herencia, mutacin, seleccin y mezcla.
El algoritmo gentico est disponible en Simulador de Riesgo | Herramientas | Algoritmo

Gentico (Figura 5.60). Se debe tener cuidado calibrando las entradas del modelo ya que los
resultados son bastante sensibles a las entradas (las entradas por defecto son provistas como una
gua general para los niveles de entrada ms comunes), y se recomienda que la Prueba de
Bsqueda de Gradiente sea elegida para un conjunto de resultados ms robusto (puedes desactivar
esta opcin para comenzar y luego activarla corriendo de nuevo el anlisis para comparar los
resultados)
Nota: En varios problemas, los algoritmos genticos pueden tener una tendencia a convergir hacia
puntos ptimos locales e incluso arbitrarios en vez del ptimo global para el problema. Esto
significa que este no sabe cmo sacrificar el ajuste de corto tiempo para ganar un ajuste de tiempo
prolongado. Para problemas de optimizacin especfica y casos de problemas, otros algoritmos de
optimizacin pueden encontrar mejores soluciones que los algoritmos genticos (dada la misma
cantidad de tiempo de computo). Por lo tanto, es recomendado que primero corra el Algoritmo
Gentico y luego vuelva a correrlo activando la opcin de Aplicar Prueba de Bsqueda del
Gradiente (Figura 5.60) para chequear la robustez del modelo. Este gradiente de bsqueda va a
intentar ejecutar combinaciones de tcnicas de optimizacin tradicional con mtodos de
Algoritmos Genticos y devolver la mejor solucin posible. Finalmente, a menos que exista una
necesidad terica especfica para usar Algoritmos Genticos, recomendamos emplear el mdulo
de Optimizacin de Simulador de Riesgo para resultados ms robustos, que te permiten ejecutar
rutinas dinmicas basadas en riesgo ms avanzadas y de optimizacin estocstica.
Figure 5.60 Algoritmo Gentico
Ayudas y Tcnicas Valiosas
Los siguientes son algunos rpidos consejos tiles y tcnicas directas para los usuarios
avanzados del Simulador de Riesgo. Para detalles sobre cmo usar herramientas
especficas, por favor, busque la seccin correspondiente en el manual del usuario.
Consejos: Supuestos (Interfaz del Usuario para establecer supuestos)
Seleccin Rpida: Seleccione alguna distribucin y escriba una letra y esta se

ubicar en la primera distribucin que empieza con esa letra (Ejemplo: presione
Distribucin Normal y teclee W, inmediatamente lo llevar a la distribucin
Weibull).
Vista con click derecho: Seleccione alguna distribucin, presione clic derecho y
seleccione las diferentes visualizaciones de las distribuciones (iconos grandes,
iconos pequeos, estado).
Tab para actualizacin de Grficos: Despus de ingresar algunos nuevos
parmetros (Ej. Escriba una nueva media o desviacin estndar), presione Tab en
el teclado o presione en cualquier parte sobre la interfaz fuera del marco para ver
como el grfico de la distribucin de la probabilidad se actualiza
automticamente.
Introducir Correlaciones: Usted puede introducir correlaciones por parejas
directamente (las columnas se ajustan de acuerdo a la necesidad), use la
herramienta de ajuste de la distribucin mltiple para que automticamente
calcule e introduzca todas las parejas de correlaciones, o despus de establecer
algunos supuestos, use la herramienta de edicin de correlacin para introducir su
matriz de correlaciones.
Ecuaciones en un Supuesto de Entrada: Slo celdas vacas o con valores estticos
pueden ser asumidas como supuestos; sin embargo, muchas veces habr la
necesidad de introducir una funcin o una ecuacin en la misma, esto se podr
hacer s, primero se introduce el supuesto y luego se escribe la funcin o la
ecuacin (cuando la simulacin est corriendo, los valores simulados
reemplazaran la funcin, y si la simulacin se completa, la funcin o la ecuacin
se mostrarn de nuevo en la celda).
Consejos: Copiar y Pegar
Copiar y Pegar usando Escape: Cuando escoja una celda y use la funcin copiar
del Simulador de Riesgo, este copia todo en el portapapeles de Windows,
incluyendo el valor de la celda, ecuacin, funcin, color, fuente, y tamao;
igualmente los supuestos y los pronsticos y las variables de decisin del
Simulador de Riesgo. Posteriormente si Usted aplica la funcin Pegar del
Simulador de Riesgo, tiene dos opciones. La primera, es aplicar dicha funcin
directamente y todos los valores anteriormente nombrados sern pegados en la
nueva celda. La segunda opcin es, primero presionar la tecla Escape en el
teclado y luego aplicar la opcin Pegar del Simulador de Riesgo. Al oprimir
Escape el Simulador de Riesgo entiende que usted quiere pegar el supuesto,
pronstico, o la variable de decisin y no los valores de la celda, el color, la
ecuacin, la funcin, la fuente y dems. Al oprimir Escape antes que la opcin
pegar le permite mantener el objetivo de la celda y sus valores y computaciones,
y pega nicamente los parmetros del Simulador de Riesgo.
Copiar y Pegar en Muchas Celdas: Usted puede seleccionar muchas celdas para
copiar y pegar (incluyendo o no supuestos).
Consejos: Correlaciones
Establecer supuestos: fije parejas de correlaciones usando el dialogo del supuesto

(Es ideal para ingresar varias correlaciones, nicamente).
Editar correlaciones: Configurar una matriz de correlacin introducida
manualmente introducindola o pegndola desde el portapapeles de Windows
(Ideal para matrices de correlacin grandes y correlaciones mltiples).
Ajuste de una Distribucin Mltiple: Automticamente computa e ingresa parejas
de correlaciones (ideal para relacionar el ajuste de variables mltiples,
automticamente calcula las correlaciones y decide cul correlacin es
estadsticamente significativa).
Consejos: Diagnsticos de Datos y Anlisis Estadsticos
Estimacin del Parmetro Estocstico: En los reportes de Anlisis Estadsticos y

de Diagnsticos de Datos, hay una pestaa de estimaciones de parmetros
estocsticos que estiman la volatilidad, la deriva, la tasa de reversin a la media y
la tasa de difusin y salto con base en datos histricos. Tenga en la cuenta que los
resultados de los parmetros se basan nicamente en datos histricos, y que los
parmetros pueden cambiar con el tiempo y en funcin con la cantidad de datos
histricos. Adems el anlisis de resultado muestra todos los parmetros y esto
no implica que modelo cual sea el proceso estocstico (Por Ejemplo: Movimiento
browniano, reversin a la media, salto - difusin un proceso mixto) que mejor
se ajuste. Corresponde al usuario tomar esta decisin con base en la variable de
series de tiempo que ser pronosticada. El anlisis no puede determinar qu
proceso es mejor, pues esto corresponde al usuario (Por ejemplo el proceso de
movimiento browniano es el mejor para modelar el precio de las acciones, pero
ste no puede determinar que los datos histricos analizados pertenecen a una
poblacin o alguna otra variable, slo el usuario sabr esto). Por ltimo un buen
consejo es que si un determinado parmetro est fuera del rango normal, el
proceso que requiere este parmetro de entrada es muy probable que el proceso
no sea el correcto. (por Ej. Si la tasa de reversin a la media es de 110% es
probable que sta no sea la correcta.
Consejos: Anlisis de Distribucin, Grficos y Tablas de Probabilidad
Anlisis de Distribucin: Se usa para calcular en forma rpida los PDF, CDF,
ICDF de las 42 distribuciones de probabilidad disponibles en el Simulador de
Riesgo, y muestra estos valores en una tabla.
Tablas y Grficos de Distribucin: Usados para comparar diferentes parmetros
de la misma distribucin (Ej. Las formas y valores PDF, CDF, ICDF de una
Distribucin Weibull con Alfa y Beta de (2,2), (3,5) y (3, 5,8), superponindolas
una encima de otra).
Grficas Sobrepuestas: Usados para comparar diferentes distribuciones
(introduccin de supuestos tericos y resultados de pronsticos empricamente
simulados) y superponerlos uno encima de otros para una comparacin visual.
Consejos: Frontera Eficiente
Variables de Frontera Eficiente: Para acceder a ellas, primero se establecen los

lmites del modelo antes de establecer las variables de la frontera eficiente.
Consejos: Celdas de Pronstico
Celdas de Pronstico sin ecuaciones: Usted puede establecer pronsticos de

salida sin una ecuacin valor alguno (Simplemente ignore el mensaje de
advertencia), pero verifique que el grfico del pronstico resultante est vaco.
Los pronsticos de salida, se establecen tpicamente en celdas vacas cuando hay
macros que estn siendo calculadas y la celda continuamente se estar
actualizando.
Consejos: Grficos de Pronstico
El Tabulador contra la barra Espaciadora: Presione el Tabulador en el teclado

para actualizar el grfico del pronstico y obtenga el percentil y los valores de
confianza una vez usted ingrese algunos supuestos, y presione la barra
espaciadora para rotar entre varias pestaas en el grfico del pronstico.
Vista Normal vs. Vista Global: presione sobre estas pestaas para rotar entre una
interfaz con pestaas y una global donde todos los elementos del grfico de
pronstico son visibles al tiempo.
Copiar copie la grfica de pronstico o la vista global dependiendo si desea la
vista normal o global
Consejos: Pronstico
Vincular la Direccin de la Celda: S usted selecciona los datos en la hoja de

clculo y luego ejecuta la herramienta de pronstico, la direccin en la celda de
los datos seleccionados se incluir automticamente en la interfaz del usuario, de
lo contrario tendr que introducir manualmente la direccin en la celda o usar el
icono de enlace para buscar la localizacin de los datos pertinentes.
Pronstico RMSE: selo como una medida de error universal sobre mltiples
modelos de pronsticos para hacer comparaciones sobre la exactitud de cada
modelo.
Consejos: Pronstico: ARIMA
Periodos de Pronstico: El nmero de filas con datos exgenos tiene que exceder
las filas de datos de series de tiempo pero como mnimo los perodos de
pronstico deseados. (Ej. Si quiere pronosticar 5 perodos en el futuro y tiene
unos datos de series de tiempo con 100 puntos, usted necesitar, por lo menos
105 o ms datos de puntos en la variable exgena), de lo contrario slo corra
ARIMA sin la variable exgena para pronosticar tantos perodos como desee y
sin ninguna limitacin.
Consejos: Pronstico: Econometra Bsica
Separacin de Variables con punto y coma: Separacin de variables

independientes usando punto y coma.
Consejos: Pronsticos: Logit, Probit y Tobit
Requerimientos de Datos: Las variables dependientes para correr los modelos

Logit y Probit debern ser nicamente binarios (0 y 1), mientras el modelo Tobit
puede tomar un binario y otro valor decimal numrico, Las variables
independientes para todos los tres modelos pueden tomar cualquier valor
numrico.
Consejos: Pronsticos: Procesos Estocsticos
Supuestos de Entrada por defecto: En caso de duda, use los supuestos por defecto
como un punto de inicio para desarrollar su modelo personalizado.
Herramienta de Anlisis Estadstico para la Estimacin de Parmetros: Use esta
herramienta para calibrar los parmetros en los modelos de proceso estocstico
estimndolos con sus datos.
Modelo de Proceso Estocstico: A veces, si la interfaz del usuario del Proceso
Estocstico se bloquea durante mucho tiempo, es probable que sus supuestos
sean incorrectos y el modelo no se ha especificado correctamente (Ej. Si la tasa
reversin a la media es de 110% es probable que ese paso no sea el correcto, y as
sucesivamente), por favor intente con otros supuestos use un modelo diferente.
Consejos: Pronstico: Lneas de Tendencias
Resultados del Pronstico: Vaya al final del informe para ver los valores
pronosticados.
Consejos: Instalando Funciones
Funciones RS: Se establecen hiptesis de entrada y se obtiene estadsticas de

pronstico que se pueden usar dentro de la hoja de clculo. Para esto debe
instalar primero las funciones del Simulador de Riesgo (Inicio, Programas, Real
Options Valuation, Risk Simulator, Tools, instalar funciones), posteriormente,
dentro de Excel, corra una simulacin antes de establecer las funciones de
Simulador de Riesgo. Vaya al ejemplo de muestra 24 para ver un ejemplo de
cmo se usan estas funciones.
Consejos: Empezar los Ejercicios y los Videos
Empezar los Ejercicios- Hay mltiples ejemplos paso a paso con resultados y
ejercicios interpretados disponibles en Inicio, Programas, Real Options
Valuation, Acceso Directo del Simulador de Riesgo, Estos ejercicios estn
destinados para que rpidamente tome agilidad con el uso del software.
Usando los videos- Estos disponibles, gratis, en nuestro sitio Web en
www.realoptionsvaluation.com/download.html o
www.rovdownloads.com/download.html
Consejos: La identificacin del Hardware
Clic derecho para copiar la identificacin del Hardware- En la instalacin de la

interfaz del usuario, seleccione o de doble clic sobre HWID para seleccionar su
valor, clic derecho para copiarlo o de clic sobre el correo HWID para ingresar y
generar un correo con el HWID.
Troubleshooter: Ejecute este solucionador desde Inicio, Programas, Real Options
Valuation, Carpeta del Simulador de Riesgo y ejecute la herramienta Obtener
HWID para obtener su HWID.
Consejos: Modelo de Hipercubo Latino (LHS) vs. Simulacin de Montecarlo (MCS)
Correlaciones Cuando establezca parejas de correlaciones entre los supuestos

introducidos, recomendamos usar la Simulacin Montecarlo en el Simulador de
Riesgo, en el men de Opciones. El modelo Hipercubo Latino no es compatible
con el mtodo de cpula correlacionada para la simulacin.
Divisiones de la LHSUn gran nmero de divisiones retardar la simulacin
mientras se provee una uniformidad en los resultados de la simulacin
Aleatoriedad: Todas las tcnicas de aleatoriedad en la simulacin en el men
Opciones han sido probadas y todos son buenos simuladores y consideran los
mismos niveles de aleatoriedad con grandes nmeros en los ensayos para
ejecutar.
Consejos: Recursos en lnea
Libros, Videos bsicos, Modelos, Instrucciones, son recursos disponibles en

nuestro sitio web:
www.realoptionsvaluation.com/download.html,
www.rovdownloads.com/download.html
Consejos: Optimizacin:
Resultados Inviables - Si al ejecutar la optimizacin retorna con un mensaje

resultados no factibles, puede cambiar los lmites de la igualdad (=) a una
desigualdad (>= <=) y probar de nuevo. Esto aplica cuando usted ejecuta un
anlisis de frontera eficiente
Consejos: Perfiles
Mltiples Perfiles: Cree y cambie muchos perfiles dentro de un modelo simple.

Permite que usted corra escenarios sobre la simulacin porque es capaz de
cambiar los parmetros de entrada o los tipos de distribucin del modelo, los
efectos se ven en los resultados.
Perfil requerido: Supuestos, Pronsticos, o variables de Decisin no pueden ser
creados si no hay un perfil activo. Sin embargo, una vez exista, no hay que crear
ms al mismo tiempo. De hecho si se desea ejecutar un modelo de simulacin
agregando supuestos o pronsticos, usted debe tener el mismo perfil
Perfil Activo: El ultimo perfil usado cuando usted salv Excel ser
automticamente abierto la prxima vez
Mltiples Archivos de Excel: Cuando cambia entre muchos modelos abiertos en
Excel, el perfil active ser el nico del actual modelo de Excel.
Trabajo con perfiles cruzados: Sea cuidadoso cuando tenga muchos archivos de
Excel abiertos porque si en uno de los archivos tiene un perfil activo y usted
accidentalmente cambia a otro archive Excel y asume los supuestos y pronsticos
de este archivo, estos no se ejecutarn y se invalidarn.
Borrar Perfiles: Copiar y borrar perfiles ya existentes, pero tenga en cuenta que
por lo menos un perfil debe existir en el archivo de Excel as borre los dems.
Ubicacin del Perfil: Los perfiles que Usted crea (Que contienen supuestos,
pronsticos, Variables de Decisin, objetivos, lmites, etc.), se guardan en una
hoja de clculo oculta y cifrada. Es decir se guardan automticamente cuando
usted salva Excel.
Consejos: Clic derecho y otras teclas de acceso directo
Click derecho: Usted puede abrir el men de acceso directo del Simulador de
Riesgo dando click sobre cualquier celda en Excel
Consejos: Salvar
Guardar el archivo Excel: Salve todo la configuracin del perfil, supuestos,

pronsticos, variables de decisin, y su modelo Excel (Incluyendo cualquier
reporte, grfico y datos extrados del Simulador de Riesgo
Guardar Grficos: Guarde los grficos de pronstico permitiendo que tenga la
misma configuracin una ver recupere y aplique grficas en el futuro (use los
iconos de abrir y salvar en los grficos de pronstico).
Guardar y Extraer datos simulados en Excel: Extrae supuestos y pronsticos
ejecutados; el archivo de Excel guardar los datos para recuperarlos ms tarde.
Guardar Datos Simulados y Grficos en el Simulador de Riesgo: Use el
Extractor de Datos del Simulador de Riesgo y guarde un archivo *.RiskSim el
cual le permitir abrir un dinmico grfico de pronstico con los mismos datos en
un futuro sin tener que re-ejecutar la simulacin.
Guardar y generar reportes: Los reportes de simulacin y otros reportes analticos
son extrados en hojas de clculos aparte, por eso el archivo entero de Excel
tendr que ser salvado para un futuro prximo
Consejos: Tcnicas de Modelaje y Simulacin
Generador de Nmeros Aleatorios: Hay seis generadores aleatorios de nmeros

debidamente respaldados (Ver el manual para los detalles) y en general los
mtodos por defecto de ROV del Simulador de Riesgo y el Advance Subtractive
Random Shuffle estn recomendados para usarse. No aplique otros mtodos a
menos que su modelo u anlisis especficamente lo requiera, sin embargo, an as
recomendamos probar los resultados contra estos dos mtodos aqu nombrados.
Consejos: Kit de Desarrollo del Software (SDK) y las bibliotecas (DLL)
SDK, DLL y OEM: Todos los anlisis en el Simulador de Riesgo pueden ser
invocados fuera del software y se pueden integrar a cualquier propiedad del
software. Para ello contacte a admin@realoptionsvaluation.com para ms detalles
o use nuestro Kit de Desarrollo del Software para acceder a los archivos
analticos de Dynamic Link Library (DLL)
Consejos: Iniciar el Simulador de Riesgo con Excel
Solucionador de problemas ROV Troubleshooter: Ejecute este solucionador para

obtener su identificacin del Hardware (HWID por sus siglas en ingls) para
propsito de licencia y para ver algunas instrucciones sobre requisitos para
volver a cargar el Simulador de Riesgo cuando ha sido accidentalmente
deshabilitado
Iniciar El Simulador de Riesgo cuando comienza Excel: Usted puede configurar
para que el Simulador de Riesgo inicie automticamente cada vez que usted abre
Excel. Esta preferencia est en el men Simulador de Riesgo| Opciones.
Consejos: Simulacin de Sper Velocidad
Modelo de Desarrollo: Si desea correr la sper velocidad en su modelo, pruebe al

correr unas pocas simulaciones con sper velocidad, mientras construye el
modelo con esto estar seguro que el producto final correr bien. No espere hasta
que el modelo final est completo para no dar marcha a tras para identificar
dnde los enlaces no cubrieron o dnde las funciones fueron incompatibles.
Velocidad Regular: En caso de duda trabaje con la simulacin de velocidad
regular.
Consejos: Anlisis Tornado
Anlisis Tornado: No deber ser ejecutado slo una vez. Esto se usa como una
herramienta de un modelo de diagnstico, lo que significa que podr ser corrida
muchas veces en el mismo modelo. Por ejemplo, en un gran modelo, el Tornado
puede ser ejecutado la primera vez usando todas las instrucciones por defecto y
as todos los precedentes sern mostrados (Seleccione Mostrar todas las
variables). Este anlisis simple mostrar un gran reporte y un grfico tornado
(potencialmente insatisfactorio). Sin embargo proporciona un gran punto de
partida para determinar cuntos de los precedentes son considerados factores
crticos de xito. Por ejemplo el grfico tornado podr mostrar que las primeras 5
variables tiene alto impacto en la salida, mientras que las 200 restantes, tienen
poco o ningn impacto, en cuyo caso un anlisis en un segundo Tornado
mostrar menos variables. Para la segunda ejecucin seleccione mostrar las 10
variables Top, si las primeras 5 son crticas, crea as un buen informe y un
grfico Tornado el cual muestra un contraste entre los factores claves y los
menos crticos. (Nunca se debe mostrar un grfico Tornado con slo variables
claves sin mostrar las variables menos crticas como contraste para los efectos del
resultado)
Variables Predeterminados: Los puntos de prueba por defecto pueden
incrementar los valores en 10% en un mayor valor para evaluar la no-linealidad
(El grfico Araa mostrar lo no lineal, y el Tornado mostrar la simetra si los
efectos precedentes no son lineales)
Valores Cero y Enteros: Supuestos con valores cero o enteros solo deben ser
seleccionados en el grfico Tornado antes de que se ejecute, de lo contrario el
porcentaje de ruido o perturbacin podr invalidar el modelo (Ej. Si el modelo
usa una tabla de consulta donde enero=1, febrero=2, marzo=3, etc. Perturbando
el valor 1 en un rendimiento del 10% , 0.9, y 1.1 el modelo no tendr sentido)
Opciones de Grfico: Trate con varias opciones de grfico para encontrar el
mejor mtodo para activar o no su modelo
Consejos: Solucionador de Problemas - Troubleshooter
Solucionador de problemas ROV: Corra este solucionador para obtener la

identificacin de su Hardware (HWID por sus siglas en ingls) para propsito de
licencia y para ver algunas instrucciones sobre requisitos y para volver a cargar el
Simulador de Riesgo cuando ha sido accidentalmente deshabilitado.

Manual de Risk Simulator en Espanol

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Manual de Risk Simulator en Espanol

Enviado por

Direitos autorais:

Formatos disponíveis

SIMULADOR DE RIESGO

Manual de Usuario en Espaol

Johnathan Mun, Ph.D., MBA, MS, CFC, CRM, FRM, MIFC

Escrito por el Dr. Johnathan Mun.

Escrito, diseado, y publicado en los Estados Unidos de Amrica.

Admin@RealOptionsValuation.com o visite www.realoptionsvaluation.com

2005-2011 por el Dr. Johnathan Mun. Todos los derechos reservados.

LO NUEVO EN LA VERSIN 2011......................................................................................... 13

2. SIMULACIN MONTE CARLO ......................................................................................... 19

Qu es una simulacin Monte Carlo?.................................................................................. 19

Manual de Usuario (Simulador de Riesgo) 3 2005-2011 Real Options Valuation, Inc.

Diferentes Tipos de Tcnicas de Pronstico ........................................................................ 77

Manual de Usuario (Simulador de Riesgo) 4 2005-2011 Real Options Valuation, Inc.

4. OPTIMIZACIN ................................................................................................................. 111

Metodologas de Optimizacin .......................................................................................... 111

5. HERRAMIENTAS ANALTICAS DEL SIMULADOR DE RIESGO .............................. 127

Herramientas de Tornado y Sensibilidad en la Simulacin ................................................ 127

Simulador de Riesgo 2011 Nuevas Herramientas .................................................................... 171

Manual de Usuario (Simulador de Riesgo) 5 2005-2011 Real Options Valuation, Inc.

Ayudas y Tcnicas Valiosas...................................................................................................... 196

Manual de Usuario (Simulador de Riesgo) 6 2005-2011 Real Options Valuation, Inc.

Manual de Usuario (Simulador de Riesgo) 7 2005-2011 Real Options Valuation, Inc.

Bienvenido al Software SIMULADOR DE RIESGO

El Simulador de Riesgo (Risk Simulator) es un software de simulacin Monte Carlo, Pronstico,

El software Simulador de Riesgo tiene los siguientes mdulos:

Simulacin Monte Carlo (corre simulaciones paramtricas y no paramtricas de 42

Activo nico SLS (para resolucin de opciones de abandono, seleccin, contraccin,

Manual de Usuario (Simulador de Riesgo) 8 2005-2011 Real Options Valuation, Inc.

SLS Multinominal (para resolver opciones trinomiales de reversin a la media, opciones

Requisitos y Procedimientos de Instalacin

Procesador Pentium IV o superior (Es recomendado un procesador Dual Core).

Manual de Usuario (Simulador de Riesgo) 9 2005-2011 Real Options Valuation, Inc.

Para Windows XP con Excel XP, Excel 2003 o Excel 2007/2010:

Manual de Usuario (Simulador de Riesgo) 10 2005-2011 Real Options Valuation, Inc.

Figura 1.2 Pantalla Inicial del Simulador de Riesgo

Manual de Usuario (Simulador de Riesgo) 11 2005-2011 Real Options Valuation, Inc.

Manual de Usuario (Simulador de Riesgo) 12 2005-2011 Real Options Valuation, Inc.

Lista completa de las capacidades del Simulador de Riesgo

1. Disponible en 10 idiomas: Ingls, Francs, Alemn, Italiano, Japons, Coreano,

Manual de Usuario (Simulador de Riesgo) 13 2005-2011 Real Options Valuation, Inc.

20. 6 generadores de nmeros aleatorios: Generador Sustractor Avanzado ROV,

Manual de Usuario (Simulador de Riesgo) 14 2005-2011 Real Options Valuation, Inc.

31. ARIMA: Modelo autorregresivo integrado de media mvil ARIMA (P,D,Q)

Manual de Usuario (Simulador de Riesgo) 15 2005-2011 Real Options Valuation, Inc.

Mdulo de herramientas Analticas

58. Evaluar el modelo: Encuentra los errores ms comunes en su modelo.

Manual de Usuario (Simulador de Riesgo) 16 2005-2011 Real Options Valuation, Inc.

Mdulo de estadsticas y BizStats

80. Ajuste de distribucin por percentil: Usa percentiles y optimizacin para

Manual de Usuario (Simulador de Riesgo) 17 2005-2011 Real Options Valuation, Inc.

Manual de Usuario (Simulador de Riesgo) 18 2005-2011 Real Options Valuation, Inc.

Qu es una simulacin Monte Carlo?

Manual de Usuario (Simulador de Riesgo) 19 2005-2011 Real Options Valuation, Inc.

Una Mirada de Alto Nivel del Software

El software de Simulador de Riesgo tiene variadas y diferentes aplicaciones incluyendo la

La aplicacin de la simulacin le permite correr simulaciones en sus modelos basados en

La aplicacin de pronstico puede ser usada para generar pronsticos economtricos

La aplicacin de optimizacin se usa para optimizar mltiples enteros discretos,

Correr una Simulacin Monte Carlo

Manual de Usuario (Simulador de Riesgo) 20 2005-2011 Real Options Valuation, Inc.

1. Empezando un Nuevo Perfil de Simulacin

Ttulo: Especificar un ttulo de simulacin le permite crear mltiples perfiles de

Manual de Usuario (Simulador de Riesgo) 21 2005-2011 Real Options Valuation, Inc.

Pausar en un error de simulacin: Si se selecciona, la simulacin se detiene cada vez