Actividad 7 - Analisis Financiero
Actividad 7 - Analisis Financiero
Actividad 7 - Analisis Financiero
Actividad 7
Resumen simulador Rick simulator
Presentado por:
Keyla Jineth Contreras Ortega ID 816022
Docente
Nathalie Claire Raynaud Prado
Básicamente, para correr una simulación en su modelo Excel, tiene que ejecutar los
siguientes pasos:
1. Inicie un perfil de simulación o abra un perfil ya existente
2. Defina el supuesto de entrada en las celdas relevantes
3. Defina el pronóstico de salida en las celdas relevantes
4. Corra la simulación
5. Interprete los resultados
Inicie Excel y cree un nuevo modelo o abra uno ya existente (puede usar el
pertinente
Título: Especificar un título de simulación le permite crear múltiples perfiles de
simulación en un solo libro de Excel. Esto significa que ahora puede guardar diferentes
perfiles de contexto de simulación dentro del mismo modelo sin tener que borrar supuestos
ya existentes y cambiarlos cada vez que se requiera un nuevo contexto de simulación.
Usted siempre puede cambiar el nombre del perfil más tarde (Simulador de Riesgo |Editar
Perfil).
Note que una vez que un nuevo perfil de simulación ha sido creado, puede regresar
más tarde y modificar estas selecciones. Para hacerlo, asegúrese que el perfil activo
actualmente es el perfil que desea modificar, de otra manera, de Click en Simulador de
Riesgo | Cambiar Perfil de Simulación, seleccione el perfil que desea cambiar y de Click en
OK (la figura 2.2 muestra un ejemplo donde hay perfiles múltiples y como activar el perfil
seleccionado). Entonces de Click en Simulador de Riesgo / Editar Perfil de Simulación y
haga los cambios requeridos. También puede duplicar o renombrar un perfil ya existente.
El paso siguiente es establecer los supuestos de entrada en su modelo. Note que los
supuestos solo pueden ser asignados a celdas sin ninguna ecuación o función, es decir,
valores numéricos escritos que son entradas en un modelo, en vista que los pronósticos de
salida solo pueden ser asignados a celdas con ecuaciones y funciones, es decir, salidas de
un modelo. Recuerde que los supuestos y pronósticos no pueden ser establecidos al menos
que un perfil de simulación ya exista. Ejecute lo siguiente para establecer nuevos supuestos
de entrada en su modelo:
Simulación)
Riesgo
Seleccione la celda en la que desea establecer el supuesto (por ejemplo, celda G10
en el ejemplo Modelo de Simulación Básico)
De Click en Simulador de Riesgo y seleccione Pronóstico de Salida o de Click en el
cuarto icono en la barra de iconos de herramientas en el Simulador de Riesgo
ingrese la información relevante y de OK.
Nombre de Pronóstico: Especifique el nombre de la celda de pronóstico. Esto es
importante porque cuando se tiene un modelo grande con múltiples celdas de
pronóstico, el nombrar las celdas de pronóstico individualmente le permite acceder
a los resultados correctos rápidamente. No subestime la importancia de este simple
paso. Una buena práctica en modelación es usar nombres de supuestos cortos pero
precisos.
Precisión de Pronóstico: En vez de confiar en un cálculo aventurado de cuantos
intentos correr en su simulación, puede precisar o establecer controles de error y
precisión. Cuando una combinación de error-precisión ha sido alcanzada en la
simulación, la simulación pausará e informará de la precisión lograda, haciendo del
número de intentos de simulación unproceso automatizado y no requiere
estimaciones o conjeturas en el número requerido de intentos para simular. Revise la
sección de control de precisión y error para detalles más específicos.
Mostrar Ventana de Pronóstico: Le permite al usuario mostrar o no una ventana
de pronóstico en particular. El default es mostrar siempre una gráfica de pronóstico.
simulación. Esto es totalmente una preferencia del usuario y no cambia los resultados de la
simulación, sólo la velocidad de finalización de la simulación. Para incrementar la
velocidad de la simulación más adelante, puede minimizar Excel mientras la simulación
está corriendo, de este modo reduciendo la memoria requerida para actualizar visualmente
la hoja de Excel y liberar la memoria para correr la simulación. Los controles Cerrar
establecido aquí para que este pronóstico especificado muestre los niveles
precisión y errores para más detalles. Mostrar las Estadísticas Siguientes es una
preferencia del usuario relacionado con las líneas de media, mediana, primer
y tercer cuartil (25o y 75o percentiles) deben ser mostrados en la gráfica del
pronóstico.
En las gráficas de pronóstico usted puede determinar la probabilidad de ocurrencia
definiendo intervalos de confianza. Esto es, dado dos valores, ¿cuáles 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
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.
misma probabilidad.
Alternativamente, una probabilidad de una cola puede ser calculada. La figura 2.11 muestra
una selección de Cola Izquierda al 95% de confianza (es decir, escoja Cola Izquierda como
el Tipo, ingreso dado. Por ejemplo, ¿Cuál 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 será calculada
(en este caso hay, una probabilidad del 174.30% de que el ingreso este por debajo de $1).
Es posible también. 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 la cola derecha de mas allá 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)
TIPS: La ventana de pronostico es ajustar al dar Click y arrastrar la esquina derecha del
fondo de la ventana de pronostico. Finalmente, siempre es aconsejable que antes de volver
a correr una simulación, la simulación actual deba ser restablecida (Simulador de Riesgo /
Restablecer Simulador). Recuerde que necesitara dar TAB en el teclado para actualizar la
grafica y los resultados cuando escriba los valores de certeza o valores de cola derecha o
izquierda.
puntos de datos por X y Y son ordenadas en las celdas A1:B10, entonces la función
ingresen el producto del momento más común de la correlación de Pearson (por ejemplo,
computado usando la función CORREL de Excel), mientras que en los códigos
matemáticos, convertimos estas correlaciones simples en correlaciones basadas en el rango
de Spearman para simulaciones de distribución.
Note que la matriz de correlación debe de ser positiva definida. Esto es, la correlación
debe de ser matemáticamente válida. Por ejemplo, suponga que está intentando
correlacionar tres variables: calificaciones de estudiantes graduados en un año en
particular, el número de cervezas que ellos consumen en una semana, y el número de
horas que estudian en una semana. Uno supondría que las siguientes relaciones de
correlación existen:
Cerveza y Estudio: – Entre más beben, estudian menos (ebrios y festejando todo el
tiempo)
Sin embargo, si usted suministra una correlación negativa entre Calificaciones y
Estudio, y suponiendo que los coeficientes de la correlación tienen altas magnitudes, la
matriz de correlación será no definida positiva. Parecería lógico, Requisitos de
correlación, y matemáticas matriciales. No obstante, coeficientes más pequeños pueden
algunas veces funcionar aún con una lógica errada. Cuando se ingresa una matriz de
correlación no positiva o errónea, el Simulador de Riesgo automáticamente le
informará, y le ofrecerá ajustar estas correlaciones a algo que sea semipositivo definido
mientras mantiene la estructura completa de la relación de la correlación ( los mismos
signos asi como las mismas potencias relativas).
Aunque los cálculos requeridos para correlacionar variables en una simulación son
complejos, los efectos resultantes son bastante claros. La Figura 2.14 muestra un
modelo de correlación simple (Modelo de Efectos de Correlación en la carpeta de
ejemplo) El cálculo de la ganancia es solamente el precio multiplicado por la cantidad.
El mismo modelo es duplicado sin correlaciones, correlación positiva (+0.8), y
correlación negativa (-0.8) entre el precio y cantidad.
Las estadísticas se muestran en la Figura 2.15. Note que la desviación estándar del
modelo sin correlaciones es de 0.1450, comparado con 0.1886 para la correlación
positiva y 0.0717 para la correlación negativa. Es decir, para modelos simples, las
correlaciones negativas tienden a reducir extensión promedio de la distribución u crear
una ajustada y mas centrada distribución del pronostico cuando se compara a las
correlaciones positivas con extensiones de promedio mas grandes. En todo caso, la
media permanece relativamente estable. Esto implica que las relaciones hacen poco
para cambiar el valor esperado de proyectos pero pueden reducir o incrementar un
riesgo de proyecto.
La figura 2.16 ilustra los resultados después de correr una simulación, extrayendo los
datos sin analizar de los supuestos y calculando las conclusiones entre las variables. La
figura muestra que los supuestos de entrada son recuperados en la simulación. Esto es .
usted ingresa correlaciones +0.8 y -0.8 y los valores simulados resultados tienen las
mismas correlaciones.
La funcionalidad del control de precisión lo deja establecer cuan preciso quiere que sea
su pronostico. Hablando en términos generales, entre mas intentos son calculados, el
intervalo de confiabilidad se hace mas angosto y las estadísticas se vuelven mas
precisas. La presentación del control de precisión en el Simulador de Riesgo usa la
característica de intervalos de confianza para determinar cuando la exactitud
especificada de una grafica ha sido lograda. Para cada pronostico, usted puede
especificar el intervalo de confianza para el nivel de precisión.
La mayoría de las distribuciones pueden ser definidas hasta cuatro momentos. El primer
momento describe su localización o tendencia central (retornos esperados), el segundo
momento describe su amplitud o extensión (riesgos), el tercer momento es desviación
direccional (los eventos más probables), y el cuarto momento su grado más alto o
amplitud en las colas (pérdidas o ganancias catastróficas). Los cuatro momentos deben
de ser calculados prácticamente e interpretados para proveer una visión más
comprensible del proyecto bajo análisis. El Simulador de Riesgo provee resultados de
los cuatro momentos en su tabla de Estadísticas en la gráfica de pronóstico. El primer
momento de una distribución mide la proporción esperada de la ganancia de un
proyecto particular. Mide la localización de los contextos del proyecto y posibles
resultados en promedio. Las estadísticas comunes para el primer momento incluyen la
media (promedio), mediana (centro de distribución), y la moda (el valor que ocurre más
frecuentemente).
Esta sección demuestra el poder de la simulación Monte Carlo, pero para comenzar
con la simulación, se necesita primero el concepto de distribuciones de probablidad.
Para empezar a comprender probabilidad, considere este ejemplo: Usted desea
observar la distribución de salarios no exentos dentro de cierto departamento de una
gran compañía. Primero, reúna datos sin analizar—en este caso, los salarios de cada
empleado sin excepción en el departamento. Segundo, organice los datos en un
formato adecuado y trace los datos como una distribución de frecuencias en una
gráfica. Para crear una distribución de frecuencia, divida los salarios en intervalos de
grupo y muestre estos intervalos en el eje horizontal de la gráfica. Después ordene el
número o frecuencia de empleados en cada intervalo en el eje vertical de la gráfica.
Ahora ya puede ver fácilmente la distribución de salarios dentro del departamento
Una mirada a la gráfica ilustrada en la Figura 2.25 revela que la mayoría de los
empleados (aproximadamente 60 de un total de 180) gana entre $7.00 a $9.00 por
hora.
Usted puede poner en una gráfica los datos como una distribución de probablidad.
Una distribución de probabilidad muestra el número de empleados en cada intervalo
como una fracción del número total de empleados. Para crear una distribución de
probablidad, divida el número de empleados en cada intervalo por el número total
de empleados y enliste los resultados en el eje vertical de la gráfica.
La gráfica en la Figura 2.26, muestra el número de empleados en cada grupo de
salario como una fracción 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 distribución Discreta, por
ejemplo, puede describir el número de caras en cuatro lanzamientos de una moneda
como 0, 1, 2, 3, y 4. Las Distribuciones Continuas son realmente abstracciones
matemáticas porque suponen la existencia de cualquier intervalo posible entre dos
números. Es decir, una distribución continua asume que hay un número infinito de
valores entre dos puntos cualquiera, en la distribución. Sin embargo, en muchas
situaciones, usted puede usar una distribución Continua efectivamente para
aproximar una distribución Discreta aún cuando el modelo continuo no
necesariamente describa la situación exactamente.
Gráficar los datos es una guía para seleccionar una probabilidad de distribución. Los
pasos siguientes proveen de otro proceso para seleccionar una distribución de
probabilidad que mejor describa las variables inciertas en sus hojas de trabajo.
Para seleccionar la distribución de probabilidad correcta, siga los siguientes pasos:
Vea la variable en cuestión. Haga una lista de todo lo que sabe de las
condiciones alrededor de esta variable. Usted podría reunir valiosa
información acerca de la variable incierta a partir de los datos históricos. Si
los datos históricos no están 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 distribución que caracteriza a esta variable. Una distribución
caracteriza a una variable cuando las condiciones de la distribución hacen
juego con las de la variable.
Una simulación Monte Carlo en su forma más simple es un generador de números
aleatorios que es útil para análisis de pronóstico, estimación y riesgo. Una simulación
calcula numerosos contextos o escenarios de un modelo al escoger repetidamente
valores de una distribución 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 pronóstico. Los pronósticos son eventos (usualmente con fórmulas 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 simulación Monte Carlo
como sacar pelotas de golf de una gran canasta repetidamente con reemplazo.
medida y forma de la canasta depende del supuesto de entrada de distribución (por
ejemplo, una distribución normal con una media de 100 y una desviación
estándar de 10, contra una distribución uniforme o distribución triangular) donde
algunas canastas son más profundas o más simétricas que otras, permitiendo que
ciertas pelotas sean sacadas más frecuentemente que otras. El número de pelotas
sacadas repetidamente depende del número de intentos simulados. Para un modelo
grande con múltiples supuestos relacionados, imagine que el modelo grande es una
canasta muy grande, donde varias canastas bebé residen. Cada canasta bebé tiene su
propio conjunto de pelotas de golf que están rebotando alrededor. Algunas veces
estas canastas bebés están tomadas de las manos unas con otras (si hay una
correlación entre las variables) y las pelotas de golf están rebotando en parejas
mientras que otras están 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 pronóstico de
la simulación. Con la simulación Monte Carlo, el Simulador de Riesgo genera valores
aleatorios para cada supuesto de distribución de probabilidad que son totalmente
independientes. En otras palabras, el valor aleatorio seleccionado para un intento no
tiene efecto en el próximo valor aleatorio generado. Utilice las pruebas de Monte
Carlo cuando quiera simular contextos de “supuestos-reales-si” para su modelo de
hoja de cálculo.