Asignatura:

Análisis Financiero NRC 50-58359

Actividad 7
Resumen simulador Rick simulator

Presentado por:
Keyla Jineth Contreras Ortega ID 816022

Luisa María Serrano Botello ID 816581

Diana Julieth Lasso Mejía ID 822525

Jhonnyer Orlando Gutiérrez Martínez ID 817144

Docente
Nathalie Claire Raynaud Prado

Corporación Universitaria Minuto de Dios

Administración de Empresas
San José de Cúcuta
2023
 ¿Qué es Rick simulator?

El Risk simulator es una Herramienta que ayuda a cuantificar, identificar y evaluar

el riesgo de sus proyectos o sus decisiones de manera sencilla. También nos permite realizar
análisis a diferentes tipos de riesgos así como pronosticar datos y adicionalmente sirve para
valorar proyectos e inversiones, generando un sin número de sumarios.

El Risk simulator realiza análisis de riesgo utilizando la simulación para mostrar

múltiples resultados posibles en un modelo de hoja de cálculo, y le indica qué probabilidad
hay de que se produzcan. Computa y controla matemática y objetivamente gran número de
escenarios futuros posibles, y luego le indica las probabilidades y riesgos asociados con
cada uno. Esto quiere decir que usted podrá decidir qué riesgos desea tomar y cuáles
prefiere evitar, tomando la mejor decisión en situaciones de incertidumbre.

Risk simulator también te ayuda a planificar las mejores estrategias de

administración de riesgo mediante la integración de RISKOptimizer, que combina la
simulación Monte Carlo con lo último en tecnología de resolución de problemas para
optimizar cualquier hoja de cálculo que contenga valores inciertos. Usando algoritmos
genéticos u OptQuest, junto con las funciones de RISKOptimizer puede determinar la
mejor asignación de recursos, la distribución óptima de activos, el calendario más eficiente
y mucho más.

¿ Qué es la simulación Montecarlo?

Una simulación montecarlo 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 estos valores como insumo para el modelo ya que todos estos contextos producen
resultados asociados en un modelo cada contexto puede tener un pronóstico los pronósticos
son eventos (usualmente con fórmulas o funciones) que usted define como salidas
importantes del modelo éstas usualmente son eventos tales como totales ganancias netas o
gasto bruto.

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 simulación Monte Carlo, Pronóstico, Optimización y Herramientas de Análisis

Estadístico.

 La aplicación de la simulación le permite correr simulaciones en sus modelos

basados en Excel ya existentes, generar pronósticos de simulación (distribuciones
de resultados), ejecutar ajustes de distribución (encontrando automáticamente el
mejor ajuste de distribución estadístico), computar correlaciones (mantener
relaciones entre variables), identificar sensibilidades (creando gráficos de tornado y
sensibilidad), también como correr simulaciones personalizadas y no paramétricas
(simulaciones usando datos históricos sin especificar ninguna distribución o sus
parámetros).
 La aplicación de pronóstico puede ser usada para generar pronósticos econométricos
Box-Jenkins ARIMA, pronósticos de serie de tiempo automáticos (con
estacionalidad y tendencia), regresiones multivariadas (regresiones lineales y no
lineales), extrapolaciones no lineales (ajuste de curva), y procesos estocásticos
(paseos aleatorios, reversiones a la media, procesos de salto de difusión).
 La aplicación de optimización se usa para optimizar múltiples enteros discretos,
continuos, y variables de decisión mezcladas sujetas a restricciones para maximizar
o minimizar un objetivo, y puede ser ejecutada ya sea como una optimización
estática, optimización dinámica u optimización estocástica bajo incertidumbre junto
con la simulación 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 Simulación Monte Carlo

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

Si lo desea, y para efectos de práctica, abra el archivo de ejemplo llamado Modelo

básico de Simulación y siga el ejemplo para crear una simulación. El archivo de ejemplo se
puede encontrar ya sea en el menú de inicio en Inicio | Programas | Real Options Valuation |
Simulador de Riesgo | Ejemplos o directamente a través de Simulador de Riesgo | Modelos
de Ejemplo. Para empezar una nueva simulación, primero necesitará crear un perfil de
simulación. Un perfil de simulación contiene un conjunto completo de instrucciones de
cómo le gustaría correr la simulación, es decir, todos los supuestos, pronósticos, correr
preferencias, y así sucesivamente. Tener perfiles facilita crear múltiples contextos de
simulación. Es decir, usando los mismos modelos exactos se pueden crear varios perfiles,
cada uno con sus propias y específicas propiedades y Requisitos de simulación. La misma
persona puede crear diferentes contextos de prueba usando diferentes supuestos y entradas
de distribución 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 Básico de Simulación”)

 De Click en Simulador de Riesgo y seleccione Nuevo Perfil de Simulación

 Especifique un título para su simulación, así como toda información

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).

Número de intentos: Aquí es donde el número de intentos de simulación requerido

se ingresa. O sea, correr 1,000 intentos significa que 1,000 repeticiones de salidas basadas
en los supuestos de entrada se generarán. Usted puede cambiar esto cuando desee pero la
entrada tiene que ser entero positivo. El número por default de corridas es de 1,000
intentos. Puede usar el control de precisión y error para automáticamente ayudar a
determinar cuántos intentos de simulación correr (vea la sección de control de precisión y
error para más detalles).

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

vez que se encuentra un error en el modelo de Excel. Esto es, si su modelo encuentra un
error de computación (por ejemplo, algunos valores de entrada generados en un intento de
simulación podrían tener como resultado un error por tener un valor dividido por cero en
una de sus celdas, la simulación 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 está seguro de que su modelo funciona, entonces no hay necesidad que se
verifique está preferencia.

Activar correlaciones: Si selecciona, las correlaciones entre supuestos de entrada

en parejas serán computadas. De otra manera, las correlaciones serán establecidas a cero y
una simulación se corre asumiendo que no hay correlaciones cruzadas entre los supuestos
de entrada. Como un ejemplo, aplicar correlaciones darán resultados más exactos si
realmente las correlaciones existen, y tendrá una tendencia a obtener una confiabilidad de
pronóstico más baja si existen correlaciones negativas. Después de activar las
correlaciones, puede establecer los coeficientes de correlación relevantes más tarde en cada
supuesto generado (vea la sección de correlaciones para más detalles).
 Especificar una secuencia de número aleatorio: por definición, la simulación
producirá resultados ligeramente diferentes cada vez que una simulación se ejecute. Esto es
en virtud de la rutina de generación de números aleatorios en la simulación de Monte Carlo
y es un hecho teórico en todos los generadores de números aleatorios. No obstante, al hacer
presentaciones, algunas veces podría requerir los mismos resultados (especialmente cuando
el reporte que se presenta muestra un conjunto de resultados y durante una presentación en
vivo quisiera presentar los mismos resultados que se están generando, o cuando está
compartiendo modelos con otros y quisiera que los mismos resultados se obtengan cada
vez), entonces verifique está preferencia e ingrese un número de semilla inicial. El número
semilla puede ser cualquier entero positivo. Usando el mismo valor semilla inicial, el
mismo número de intentos, y los mismos supuestos de entrada, la simulación siempre
producirá la misma secuencia de números aleatorios, garantizando el mismo conjunto de
resultados final.

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:

 Asegúrese que exista un Perfil de Simulación, o abra un perfil ya existente,

inicie un nuevo perfil (Simulador de Riesgo | Nuevo Perfil de

Simulación)

 Seleccione la celda en la que desee establecer un supuesto (por ejemplo,

celda G8 en el ejemplo Modelo de Simulación Básico)

 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 distribución que desee e ingrese los parámetros de distribución

relevantes y presione OK para insertar el supuesto de entrada en su modelo

 Note que en las Propiedades de Supuesto, hay varias áreas clave dignas de
mencionar. La siguiente figura muestra las diferentes áreas:

o Nombre de Supuesto: Esta es un área opcional que le permite ingresar nombres

únicos para que los supuestos ayuden a rastrear lo que cada supuesto representa.
Una buena práctica en modelación es usar nombres de supuestos cortos pero
precisos.
o Galería de Distribución: Esta área 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 galería y seleccione iconos grandes, iconos
pequeños, o lista. Hay más de dos docenas de distribuciones disponibles.
o Parámetros de Entrada: Dependiendo de la distribución seleccionada, se muestran
los parámetros relevantes requeridos. Usted puede, ya sea, ingresar los parámetros
directamente o vincularlos a celdas específicas en su hoja de trabajo. Codificar o
escribir los parámetros es útil cuando se asume que los parámetros de supuesto no
cambian. Ligar a las celdas de la hoja de trabajo es útil cuando los parámetros de
entrada necesitan ser visibles o puedan ser cambiados (de Click en el icono de link
para ligar un parámetro de entrada a una celda de la hoja de trabajo).
o Límite de Distribución: Estos no son usados típicamente por el analista promedio,
pero existen para truncar los supuestos dentro de la distribución. Por ejemplo, si se
selecciona una distribución normal, los límites teóricos se encuentran entre infinito
negativo e infinito positivo. Sin embargo, en la práctica, la variable simulada solo
existe dentro de algún rango más pequeño y este rango puede entonces ser
ingresado para truncar la distribución apropiadamente.
o 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 Simulación.
Vea la discusión en correlaciones más tarde en este capítulo para más detalles de
cómo asignar correlaciones y los efectos que las correlaciones tendrán en un
modelo. Note que usted puede, ya sea, truncar una distribución o correlacionarla a
otro supuesto, pero no ambos efectos.
 o Descripciones Cortas: Estas existen para cada distribución en la galería. Las
descripciones cortas explican cuando una cierta distribución es usada, así como los
Requisitos de parámetro de entrada. Vea la sección en Entender Distribuciones de
Probabilidad para Simulación de Monte Carlo para detalles en cada tipo de
distribución disponibles en el software.

Nota: Si usted está siguiendo el ejemplo, continúe estableciendo otro supuesto en la

celda G9. Está vez use la distribución Uniforme con un valor mínimo de 0.9 y un valor
máximo de 1.1. Entonces proceda a definir el pronóstico de salida en el siguiente paso. El
siguiente paso es definir pronósticos de salida en el modelo. Los pronósticos solo pueden
ser definidos en celdas de salida con ecuaciones o funciones. Lo siguiente describe el
proceso para establecer pronósticos:

 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.

Si todo se ve bien, solo de Click en Simulador de Riesgo | Correr Simulación o de

Click en el icono Correr (el octavo icono en la barra de herramientas del Simulador de
riesgo) y la simulación procederá. Usted puede también restablecer una simulación después
que ésta haya corrido para volver a correrla (Simulador de Riesgo | Restablecer Simulación
o el décimo icono en la barra de herramientas), o para pausarla durante una corrida.
También, la función paso a paso (Simulador de Riesgo | Simulación Paso a Paso o el
noveno icono en la barra de herramientas) le permite simular un solo intento, uno a la vez,
útil para educar a otros en simulación (es decir, usted puede mostrar cada intento, todos los
valores de los supuestos están siendo reemplazados y el modelo entero es recalculado cada
vez).
El paso final en la simulación Monte Carlo es interpretar las gráficas de pronóstico
resultantes. Las figuras muestran las gráficas de los pronósticos y las estadísticas
correspondientes generadas después de correr una simulación. Típicamente, lo siguiente es
importante, ya que se interpretan los resultados de una simulación:

 Gráfica de Pronóstico: La gráfica de pronóstico mostrada en la Figura es un

histograma de probabilidad que muestra los cálculos de frecuencia de valores
ocurriendo en el número total de intentos simulados. Las barras verticales muestran
la frecuencia de un valor x particular ocurriendo en un número total de intentos,
mientras la frecuencia acumulativa (línea uniforme) muestra el total de
probabilidades de todos los valores en y debajo de x ocurriendo en el pronóstico.
 Estadísticas de Pronóstico: Las estadísticas de pronóstico mostradas en la Figura,
resumen la distribución de los valores de pronóstico en términos de los cuatro
momentos de una distribución. Vea la sección Entendiendo las Estadísticas de
Pronóstico para más detalles en cuanto a que significan estas estadísticas. Puede
rotar entre el histograma y la pestaña de estadísticas al presionar la barra
correspondiente.
Preferencias: La pestaña de preferencias en la gráfica de pronóstico le permite cambiar la
vista y la percepción de las gráficas. Por ejemplo, si se selecciona Siempre mostrar ventana
en primer plano, las gráficas de pronóstico siempre serán visibles sin tomar en cuenta que
otros programas estén corriendo en su computadora. Resolución de Histograma le permite
cambiar el número de barras del histograma, desde cualquier punto de 5 barras a 100
barras. También al seleccionar Actualizar Datos le permite controlar que tan rápido corre la
simulación mientras se actualiza la gráfica de pronóstico. Esto es, si desea ver la gráfica de
pronóstico actualizada en casi cada intento, esto volverá más lenta la simulación ya que
más memoria está siendo colocada para actualizar la gráfica en contra de correr la

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

Todo y Minimizar Todo controlan todas las gráficas de pronóstico abiertas.

Opciones: Está opción de gráfica de pronóstico le permite mostrar todos

los datos de pronóstico o filtrar valores dentro/fuera que caigan en algún

intervalo especifico que escoja. También el control de precisión puede ser

establecido aquí para que este pronóstico especificado muestre los niveles

de error en la tabla de estadísticas. Vea la sección sobre controles de

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

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 serán entonces

mostrados. En este ejemplo, hay 5% de probabilidad de que el ingreso esté por

debajo de $0.5273 y otro 5% de probabilidad de que el ingreso esté arriba de

$1.1739. Esto es, el intervalo de confianza de dos colas es un intervalo simétrico

centrado en el intermedio o el valor del 50 percentil. Así, ambas colas tendrán la

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.

2.3 Correlaciones y Control de Precisión

2.3.1 Lo Basico de las correlaciones

El coeficiente de correlación es una medida de la fuerza y la dirección de la relación entre

dos variables, y puede tomar cualquier valor entre -1.0 y +1.0. Es decir, el coeficiente de
correlación puede ser descompuesto en su signo (relación positiva o negativa entre dos
variables) y la magnitud o fuerza de la relación (entre más alto el valor absoluto del
coeficiente de correlación, más fuerte es la relación).

El coeficiente de correlación puede ser computado en varias maneras. El primer

enfoque es calcular manualmente la correlación r de dos variables X y Y usando:

El Segundo enfoque es usar la función 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 función

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 correlación resultante será calculada y mostrada. Es importante notar que la
correlación no implica causa. Dos variables aleatorias completamente no relacionadas
podrían mostrar alguna correlación, 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 están
correlacionados pero no hay causa entre los dos).

Hay dos tipos generales de correlación: correlaciones paramétricas y no paramétricas. El

Coeficiente de Correlación de Pearson es la medida de correlación más común, y
usualmente se refiere como coeficiente de correlación. No obstante, la correlación de
Pearson es una medida paramétrica, lo cual significa que requieren ambas variables estén
correlacionadas para tener una distribución normal subyacente y que la relación entre las
variables sea lineal. Cuando estas condiciones se violan, lo cual es muy seguido en el caso
de la simulación Monte Carlo, las contrapartes no paramétricas se vuelven más importantes.

El Rango de Correlación de Spearman y el Tau de Kendall son las dos alternativas. La

correlación de Spearman es más comúnmente usada y más apropiada cuando se aplica en el
contexto de la simulación de Monte Carlo—no hay dependencia en distribución normal y
linealidad, significando que las correlaciones entre variables diferentes con diferente
distribución pueden ser aplicadas. Para calcular la correlación de Spearman, primero
clasifique todos los valores de variable X y Y entonces aplique el cálculo de la correlación
de Spearman.

En el caso del Simulador de Riesgo, la correlación empleada es la correlación más robusta

del rango no paramétrico de Spearman. Sin embargo, para simplificar el proceso de
simulación, y ser consistente con la función de correlación de Excel, las entradas de
correlación requeridas son las del coeficiente de correlación de Pearson.

El Simulador de Riesgo entonces aplicará sus propios algoritmos para convertirlos

dentro del rango de correlación 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 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.

2.3.2 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), sólo

ingrese las correlaciones en la matriz de correlación en la Galería de Distribución.
 Con los datos existentes, corra la herramienta Multi-Ajuste (Simulador de Riesgo
│Herramientas │Ajuste Distribución Múltiple) para ejecutar el ajuste de
distribución y obtener la matriz de correlación entre un par de variables. Si existe un
perfil de simulación, los supuestos ajustados automáticamente van a contener los
valores de correlación 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 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:

Calificaciones y Cerveza: – Entre más beben, calificaciones más bajas (no en

exámenes)

Calificaciones y Estudio: + Entre más estudian, calificaciones más altas

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).

2.3.3 Los Efectos de Correlaciones En la Simulacion de Monte Carlo

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.

2.3.4 Control de Precisión y Error

Una herramienta muy poderosa en la simulación de Monte Carlo es la del control de

precisión. Por ejemplo, ¿Cuántos intensos son considerados suficientes para correr en
un modelo complejo? El control de precisión saca al tanteo la estimación del numero
relevante de intentos al permitir que la simulación se detenga si el nivel de precisión pre
especificado es alcanzado.

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.

Asegurese de no confundir tres diferentes términos: error, precisión y confiabilidad.

Aunque suenan similares, los conceptos son significativamente distintos. Una simple
ilustración esta al orden. Suponga que usted es fabricante de tortillas especiales para
tacos y esta interesado en averiguar cuantas de estas tortillas están 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 cuantas de ellas están rotas.
Usted manufactura 1 millon de cajas al dia (esta es su población) pero usted abre 10
cajas al azar (este es su tamaño de muestra, también conocida como su numero de
intentos en una simulación). El numero calculado de tortillas rotas es de 18.2. basado en
estas 10 pruebas o intentos, el promedio es de 18.2
2.3.5 Entender las Estadísticas de Pronóstico

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).

La Figura 2.19 ilustra el primer momento—donde, en este caso, el primer momento de

esta distribución se mide por la media o valor promedio

El Segundo momento mide la extensión de una distribución, la cual es una medida

de riesgo. La extensión o amplitud de una distribución mide la variabilidad de una
variable, es decir, el potencial de que una variable pueda caer en diferentes regiones
de la distribución—en otras palabras, los potenciales escenarios de los resultados. La
Figura 2.20 ilustra dos distribuciones con primeros momentos idénticos (medias
idénticas) pero segundos momentos muy diferentes o riesgos. La visualización
puede ser más clara en la Figura 2.21. Como ejemplo, supongamos que hay dos
acciones y los movimientos de la primera acción (ilustrado por la línea más oscura)
con fluctuaciones más pequeñas es comparado con los movimientos de la segunda
acción (ilustrado por la línea punteada) que tiene una fluctuación mucho mayor en
su precio. Claramente un inversionista vería la acción con la fluctuación más
dispersa como más riesgosa porque los resultados de la acción más arriesgada son
relativamente más desconocidos que el de la acción de menor riesgo. El eje vertical
en la Figura 2.21 mide los precios de las acciones, de esta manera, la acción más
riesgosa tiene un rango más amplio de resultados potenciales. Este rango se traduce
en una amplitud de distribución (el eje horizontal) en la Figura 2.20, donde la
distribución más amplia representa el capital más riesgoso. De ahí que, la amplitud o
extensión de una distribución mide los riesgos de una variable.
Note que en la Figura 2.20, ambas distribuciones tienen primeros momentos
idénticos o tendencias centrales pero claramente las distribuciones muy son
diferentes. Está diferencia en la amplitud de distribución es medible. Matemática y
estadísticamente, la amplitud o riesgo de una variable puede medirse a través de
diferentes estadísticas, incluyendo el rango, la desviación estándar, varianza,
coeficiente de variación, y percentiles
El tercer momento mide la desviación de una distribución, es decir, la distribución
está orientada hacia un lado o al otro. La Figura 2.22 ilustra una desviación negativa
o desviación izquierda (la cola de los puntos de la distribución está orientada hacia a
la izquierda) y la Figura 2.23 ilustra una desviación positiva o desviación derecha (la
cola de los puntos de la distribución está orientada a la derecha). La media es
siempre desviada hacia la cola de la distribución mientras que la mediana permanece
constante. Otra manera de ver esto es que la media se mueve pero la desviación
estándar, varianza, o amplitud pueden permanecer aún constante. Si el tercer
momento no es considerado, entonces sólo se deberían mirar los retornos esperados
(por ejemplo, mediana o media) y el riesgo (desviación estándar), ¡un proyecto
positivamente desviado podría ser escogido incorrectamente!
Por ejemplo, si el eje horizontal representa las ganancias netas de un proyecto,
entonces claramente una distribución desviada negativamente o a la izquierda podría
ser preferida ya que hay una probabilidad más alta de mayores ganancias (Figura
2.22) comparada a probabilidad más alta de un nivel menor de mayores ganancias
(Figura 2.23). De este modo, en una distribución desviada, el promedio es una mejor
medida de ganancias, ya que las medianas para ambas figuras 2.22 y 2.23 son
idénticas, los riesgos son idénticos, y de ahí, un proyecto con distribución
negativamente desviada en sus beneficios netos es una mejor opción. La falla al
estimar una desviación de una distribución de un proyecto podría significar escoger
el proyecto incorrecto (por ejemplo, dos proyectos podrían tener primeros y
segundos momentos idénticos, es decir, ambos tienen ganancias y perfiles de riesgo
idénticos, pero sus desviaciones de distribución pueden ser muy diferentes).

El cuarto momento o Curtosis mide el punto más alto de una distribución. La

Figura 2.24 ilustra este efecto. El fondo (denotado por una línea punteada) es una
distribución 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 más planas (distribuciones platicúrtica como la distribución
Uniforme), mientras los valores positivos indican colas más gruesas (distribuciones
leptocúrticas como las distribuciones de t - student o Lognormal). La distribución
descrita por la línea en negrita tiene un exceso de Curtosis más alto, así que el área
debajo de la curva es más gruesa en las colas y tiene menos área en el cuerpo central.
Está condición tiene mayores impactos en el análisis de riesgo como para las dos
distribuciones en la Figura 2.24, Los primeros tres momentos (medio, desviación
Estándar, y desviación) pueden ser idénticos pero el cuarto momento (Curtosis) es
discreta. Está condición significa que, aunque las ganancias y riesgos son idénticos,
las probabilidades de que ocurran eventos extremos y catastróficos (grandes
pérdidas potenciales o grandes ganancias) sean más altas para una distribución de
alta Curtosis (por ejemplo, las ganancias del mercado de bolsa son leptocúrticas o
tienen Curtosis altas). Ignorar la Curtosis de un proyecto puede ser perjudicial.
Básicamente, un valor con exceso de Curtosis más alto indica que los riesgos debajo
son más altos (por ejemplo, el Valor en Riesgo de un proyecto podría ser
significante).

2.3.6 Entender las Distribuciones de Probabilidad para una Simulación

Monte Carlo

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.

2.4 Distribuciones Discretas

El siguiente es un listado detallado de los diferentes tipos de distribuciónes de
probabilidad que pueden ser usadas en la simulación Monte Carlo. Esta lista se
incluye en el apéndice para referencia del lector.
La distribución Bernoulli es una distribución Discreta con dos resultados (por
ejemplo, cara o cruz, éxito o fallo, 0 o 1). La distribución Bernoulli es la distribución
binomial con un intento y puede ser usada para simular condiciones Si/No o
Éxito/Fallo. Está distribución es piedra base de otras distribuciones más complejas.
Por ejemplo:
 Distribución Binomial: la distribución Bernoulli con el número más alto del
total de intentos n y calcula la probabilidad de éxitos x dentro de este total
de intentos.
 Distribución Geométrica: la distribución Bernoulli con el número más alto
de intentos y calcula el número de fallos requeridos antes de que ocurra el
primer éxito.
 Distribución Binomial Negativa: la distribución Bernoulli con el número
más alto de intentos y computa el número de fallos antes de que el x-esimo
éxito ocurra.
Las construcciones matemáticas para la distribución de Bernoulli son las siguientes:
La probabilidad de éxito (p) es el único parámetro de distribución. También es
importante notar que sólo hay un intento en la distribución Bernoulli, y el valor
simulado resultante es de 0 ó 1.
Requisitos de Entrada:
Probabilidad de éxito > 0 y < 1 (es decir, 0.0001 ≤ p ≤ 0.9999)
La distribución binomial describe el número de veces en el que un evento en
particular ocurre en un número fijo de intentos, tales como el número de caras en 10
vueltas de una moneda o el número de artículos defectuosos escogidos de entre 50.
Condiciones