Apunte 1

Magister en Ingeniería Industrial
Mención Gestión de Activos y Confiabilidad Operacional - MAM
TALLER DE @RISK para el Análisis de Riesgo
Jimena Pascual, PhD, MSIE
[email protected]
32-227 3715 / 9129 1176
¿Qué es el Riesgo?
Es el efecto que tiene, sobre nuestros objetivos, la incertidumbre respecto a

situaciones o eventos de nuestro entorno.
 Este efecto puede ser favorable o adverso, aunque muchas veces solo nos
preocupen los efectos negativos
 Cuando el riesgo se identifica tempranamente, entonces existe la
oportunidad de abordarlo de tal manera de minimizar sus efectos adversos
(como el impacto en tiempo y costo) en un proyecto.
 Ejemplos:
● Riesgo de falla de algún componente de un equipo crítico
● Riesgo de liberación de contaminantes en depósitos de residuos
● Riesgo de una avalancha o deslizamiento de barro en una mina subterránea
● Incertidumbre en el tiempo que tarda en producirse un componente o en el
tiempo que tarda en llegar un repuesto
 Un método común es definir el riesgo como una combinación de la
probabilidad (o posibilidad) y las consecuencias de un evento
2
Jimena Pascual, PhD − Escuela de Ingeniería Industrial − PUCV
Análisis de riesgo
 El análisis de riesgo implica la evaluación del riesgo inherente a alguna

operación, transacción, proceso o actividad. Su objetivo es generar
resultados que puedan emplearse para evaluar la naturaleza y la
distribución del riesgo, y para desarrollar estrategias apropiadas para la
gestión del riesgo.
 El análisis de riesgo nos permite evaluar diversos escenarios o resultados
posibles bajo variados supuestos, y bajo diferentes probabilidades de
ocurrencia de cada resultado.
3
Análisis de Riesgo en un modelo
Habitualmente construimos modelos determinísticos para la toma de decisiones:

● Presupuestos
● Cotizaciones y Estimaciones de costo
● Evaluaciones de proyectos de inversión
● Propagación de infecciones
● Planificación de mano de obra requerida
●…
Sin embargo en muchos de nuestros modelos existe incertidumbre respecto a uno

o más parámetros, para los que hemos asumido un “comportamiento
esperado”
● Precio de un insumo
● Tiempo entre fallas o tiempo hasta que falle un componente
● Duración de una actividad (como la finalización de una construcción)
En este taller abordaremos la incertidumbre en nuestros modelos de dos maneras:

Análisis de Sensibilidad y Simulación.
4
Análisis de Sensibilidad empleando Top Rank
El Decision Tools Suite de Palisade Corporation (http://www.palisade.com/) es un

conjunto de software que se integran a Excel ampliando sus funcionalidades para
facilitar diversos tipos de análisis numéricos y generación de reportes y gráficos.
@Risk, Top Rank, Precision Tree, Risk Optimizer, Neural Tools, Evolver, Stat Tools
5
Análisis de Sensibilidad
Se emplea durante todo el proceso de modelamiento… es un arte… no hay un

procedimiento “óptimo”
Propósito de los Análisis de Sensibilidad

 Analizar lo que es realmente importante en el problema de decisión ¿qué
elemento marca la diferencia en esta decisión?
 Construir un modelo de decisión cuya forma y contenido cumplan los
requisitos como para resolver el problema - Modelo requisito
Ejemplos de Técnicas de Análisis de Sensibilidad en Análisis de Decisiones

 Identificar variables importantes a través de diagramas de Tornado o
gráficos de araña
 Identificar efectos de interacción entre las variables importantes
 Identificar la importancia de la valoración de probabilidades (también son
variables)
6
Caso: Aerolínea Eagle (Clemen & Reilly, 2001, Making Hard Decisions)
Dick Carothers (presidente) desea expandir las operaciones de la Aerolínea Eagle.

Fondos disponibles: US$52,500
Alternativa considerada: avión usado de aerolínea Mid West
Un avión al precio de US$95,000 (Carothers cree que puede negociar un
precio entre US$85,000 y US$90,000)
Uso alternativo de los fondos: invertir en banco al 8% interés anual (=US$
4,200 el primer año)
Antecedentes
Aerolínea Eagle posee 3 aviones
El 50% de los vuelos son tipo “charter” y el 50% son regulares
(programados)
Datos sobre los ingresos esperables:
Vuelos tipo “Charter”: de $300 a $350 US$/hr
Vuelos regulares : $100 US$/hr. por persona, (vuelos en promedio 50% llenos)
Horas esperadas de vuelo con el nuevo avión : 800 a 1,000
7
(… caso análisis de sensibilidad para aerolínea Eagle)
Datos del avión de Mid West

Motores nuevos, mantenidos por la AFA (Administración Federal
Aeroespacial)
Posee todo el equipamiento que “Eagle” necesita
5 Asientos
Costo de operación de $245 dólares por hora
Costos fijos de $20,000 (=Seguro anual) + cargos financieros
Cargos financieros
Préstamo del 40% del precio al 9.5% anual (pero sujeto a cambio)
8
(…caso Eagle: análisis de sensibilidad para definir la importancia de variables)
Objetivo: Maximizar ganancias. Consideraremos ganancias anuales, ignoraremos

los impuestos
 Ganancia anual: Ingreso Total Anual – Costo Total Anual
 Ingreso Total : Ingreso por Charters + Ingresos de Vuelos Regulares

● Ingreso por Charters: %Ch · HV · PCh
(%vuelos Charters) x (Horas de Vuelo Anual) x (Valor Charter)
● Ingreso por Vuelos Regulares: (1 - %Ch) · HV · PV · NA · TO
(1 - %vuelos Charters) x (Horas de Vuelo Anual) x (Precio por persona por
hora) x (Nº de asientos) x (Tasa de Ocupación promedio)
 Costo Total : Costo Fijo + Costo Variable
● Costos Fijos : S + PA · F · TI
Seguros + (Precio de Compra) x (% de financiamiento) x (Tasa de interés)
● Costos Variables : HV · CO
(Horas de vuelo anual) x (Costo de operación)
9
(…caso Eagle: pasos a seguir para análisis de sensibilidad)
Paso 1: Determinar un rango para cada variable de decisión junto con la “mejor
estimación posible” (límite inferior, valor medio, límite superior). Como análisis
preliminar calcular la variable de salida, usando primero los valores más bajos de las
variables de entrada y luego todos los valores más altos de las variables de entrada.
¿Es este un análisis de escenarios extremos (peor y mejor caso)?
Paso 2:
 Selecciona una variable en particular, digamos X
 Asígnale a las otras variables el valor de su “mejor estimación” (valor medio o base)
 Asígnale a X su menor valor y calcula las ganancias
 Asígnale a X su mayor valor y calcula las ganancias
 Asígnale a X su valor medio (base) y calcula las ganancias
 Dibuja los resultados en un gráfico de sensibilidad
Paso 3: Realiza un análisis de sensibilidad de un solo sentido para todas las variables y
grafica los resultados en un gráfico de araña
Paso 4: el rango de ganancias calculado es una medida de la incertidumbre en las
ganancias debido a la incertidumbre en la variable elegida (X). Grafica todos los
rangos de ganancias en un diagrama de tornado y determina visualmente la
importancia de las variables
10
(… caso Eagle: paso 1) abrir archivo Eagle base.xls
Bajo Medio Alto

Horas de Vuelo HV 500 800 1,000
Precio Charter x hr PCh $ 300 $ 325 $ 350
Precio Vuelos Regulares x hr PV $ 95 $ 100 $ 108
Tasa Ocupación vuelo progr. TO 40 % 50 % 60 %
% de Vuelos Charter %Ch 45 % 50 % 70 %
Costo de Operación por Hora CO $ 230 $ 245 $ 260
Seguros S $ 18,000 $ 20,000 $ 25,000
Proporción Financiada F 30 % 40 % 50 %
Tasa de Interés TI 10.5% 11.5 % 13 %
Precio de Compra Avión PA $ 85,000 $ 87,500 $ 90,000
Ingresos x Charters $ 67,500 $ 130,000 $ 245,000

Ingresos x Vuelos Regulares $ 52,250 $ 100,000 $ 97,200
Costo Fijo $ 20,677.5 $ 24,025 $ 30,850
Costo Variable $ 115,000 $ 196,000 $ 260,000
Ingresos Totales $ 119,750 $ 230,000 $ 342,200

Costos Totales $ 135,677.5 $ 220,025 $ 290,850
Ganancias Totales -$ 15,927.5 ? $ 9,975 $ 51,350 ¿?
11
(… caso Eagle: paso 2 GRAFICO DE SENSIBILIDAD PARA HORAS DE VUELO)
Gráfico de sensibilidad
Ganancias y HoraVuelo
20000
15000
Valor de Ganancias
10000
5000
4200
-5000
400
500
600
700
800
900
1000
1100
664
Valor de HoraVuelo
12
(… caso Eagle: paso 3 GRAFICO DE ARAÑA)
Gráfico de araña de Ganancias

250%
200%
150%
HoraVuelo (D2)
TasaOcupacion (D3)
% de cambio de salida
100%
PrecioVueloHora (D4)
50% PrecioCharter (D5)
PorcentajeCharter (D6)
0%
CostoOperacionHora (D7)
Seguro (D8)
-50%
PorcentajeFinanciado (D9)
-100% TasaInteres (D10)
PrecioAvion (D11)
-150%
-200%
-250%
10%
20%
30%
40%
50%
0%
-50%
-40%
-30%
-20%
-10%
% de cambio de entrada
13
(… caso Eagle: paso 4 DIAGRAMA DE TORNADO)
Gráfico Tornado de Ganancias

Impacto por entrada
TasaOcupacion (D3)
HoraVuelo (D2)
PrecioCharter (D5)
PorcentajeCharter (D6)
PrecioVueloHora (D4)
Seguro (D8)
PorcentajeFinanciado (D9)
TasaInteres (D10)
PrecioAvion (D11)
-15000
-10000
-5000
10000
15000
20000
25000
30000
35000
5000
Valor de Ganancias
14
Qué aprendemos del análisis en un sentido
 La incertidumbre respecto a la capacidad utilizada de los vuelos

programados es extremadamente importante
 Las ganancias son bastante insensibles al valor del avión, la tasa de interés y
el porcentaje financiado
 Esto nos permite identificar las variables sobre las que debemos prestar
mayor atención:
● La proporción de vuelos tipo charter, el precio de un vuelo regular, y el seguro
son importantes pero como se ubican por sobre la línea que indica la alternativa
de invertir al 8%, entonces podemos dejarlos en su valor base en una primera
etapa de análisis (y reconsiderarlas en etapas futuras)
● También podemos omitir indagar más respecto al valor del avión, la tasa de
interés y el porcentaje financiado, pues cualquier análisis probablemente igual
los dejaría en su valor base.
15
Análisis de sensibilidad en dos sentidos
El análisis de sensibilidad en un sentido ignora el efecto de cambiar múltiples

variables al mismo tiempo (interacción)
En el análisis en un sentido subestimada la sensibilidad debido a:
Efectos aditivos al variar más de una variable
Efectos multiplicativos al variar más de una variable
Caso Eagle
El Diagrama de Tornado indica que la Tasa de Ocupación (TO) y los Costos de
Operación (CO) en vuelos regulares son críticos
Determina la Ganancia Anual (GA) en función de TO y de CO
GA = %Ch · HV · PCh + (1 - %Ch) · HV · PV · NA · TO – HV · CO – S – PA · F · TI
16
(caso Eagle: análisis de sensibilidad en dos sentidos)
 Reemplaza todos los otros parámetros con sus valores medios (bases):
GA (TO, CO) = $130,000 + $200,000 · TO - $800 · CO - $24,025
 ¿Para qué valores de TO y CO es mejor comprar el avión que invertir el
dinero en el banco? Por lo tanto, ¿para que valores de TO y CO se cumple
que GA < $4,200 ?
$130,000 + $200,000 · TO - $800 · CO - $24,025 < $4,200
 $200,000 · TO < $800 · CO - $101,775
 TO < 0.004 · CO – 0.509
 La línea de indiferencia entre las dos alternativas está dada por:
TO = 0.004 · CO – 0.509
17
(caso Eagle: análisis de sensibilidad en dos sentidos, regiones estratégicas)
Región de estrategia para 'Decisión de Eagle'

60%
58%
56%
54%
TasaOcupacion (D3)
52%
50%
COMPRAR
48% AVION
INVERTIR
46% EN BANCO
44%
42%
40%
38%
230
235
240
245
250
255
260
18
Resumiendo
Los análisis de sensibilidad en uno y dos sentidos nos permiten reconocer que los
resultados son inciertos al indicar un rango para las diferentes variables de entrada
 ¿Podemos conducir un análisis de sensibilidad en tres sentidos, en cuatro
sentidos?... Sí!
 Tal vez podríamos variar todos los parámetros al mismo tiempo. A esto se le
denomina Análisis de Incertidumbre.
Análisis de Incertidumbre:
 Los parámetros son inciertos, se mueven dentro de un rango
 Al especificar distribuciones de probabilidad para la incertidumbre de los
parámetros de entrada, estamos representando el cuán inciertos son estos
parámetros
 Dada la distribución de la incertidumbre de los parámetros de entrada y el
modelo de cálculo, se determina la distribución de los parámetros de salida
19
Incertidumbre de entrada
Análisis de Incertidumbre
CO
MODELO Incertidumbre de
salida
Modelo
lógico-
matemático
TO
GA
HV
20
Incertidumbre de entrada
Estadísticas
Calcular
Muestra
Calcular
Muestra
Calcular
Muestra
SALIDAS
MODELO
Análisis Monte Carlo
21
Simulación Monte Carlo con @Risk
La Simulación Montecarlo toma su nombre de las ruletas (generadoras de

números aleatorios) de los casinos de Monte Carlo en el Principado de Mónaco
 El método Monte Carlo (desarrollado en los 40’s) provee soluciones

aproximadas a una variedad de problemas (determinísticos y estocásticos)
mediante el uso de muestreo estadístico usando un computador para
generar números aleatorios.
● Experimentos de simulación manual datan del siglo XVIII (Buffon, 1733, pp. 43-
45)
 Weisstein, Eric W. "Buffon's Needle Problem." del sitio MathWorld -- un recurso web
de Wolfram. http://mathworld.wolfram.com/BuffonsNeedleProblem.html
● Se alimenta un modelo con entradas aleatorias, se muestrea (réplicas), y se
evalúan medidas de desempeño (salidas aleatorias)
Análisis de Modelo lógico Análisis de

entrada (simulador) salida
22
¿Qué hace @Risk?
Permite agregar incertidumbre (distribuciones de entrada) a

algún modelo desarrollado en una hoja de cálculo Excel.
Permite especificar la interdependencia entre dos o más
variables aleatorias (distribución de probabilidades
correlacionadas).
Ejecuta una simulación Monte Carlo, guardando los resultados,
y te permite examinarlos numérica y/o gráficamente.
Monte Carlo no genera sólo “un resultado representativo” (la
respuesta “correcta”) sino que produce una distribución de los
resutados. Con la simulación de muchas realizaciones
aleatorias se obtiene convergencia.
23
Monte Carlo: Actualizará la distribución de entrada con un nuevo
valor aleatorio elegido de cada distribución cada vez que el libro
de trabajo se recalcula. Tres pasos:
 Especificar distribuciones de probabilidad en lugar de
constantes/variables en un modelo
Generar réplicas (realizaciones de variables aleatorias)
 Repetir muchas (posiblemente cientos o miles) de veces: se
busca convergencia
24
Palisade Decision Tools > @Risk 6.2
Ver actualizaciones en
celda versus ver un
valor estático (ej. valor
esperado) en cada
Para no generar archivos iteración
muy grandes, al grabar Configuración de Simulación
elijan no almacenar (definir parámetros del
datos y gráficos luego de experimento): ej. número
haber corrido una de réplicas (iteraciones) o
simulación semilla
25
Análisis de datos de entrada: distribuciones de probabilidad
Especificación de una distribución empírica

Una forma de distribución empírica consiste en seleccionar aleatoriamente un
dato observado cada vez que se necesite generar un valor para la variable
aleatoria correspondiente
Una limitación de las distribuciones empíricas es que sólo pueden generar
valores aleatorios en el mismo rango de valores observados. Esto puede
representar una ventaja o una desventaja ¿Por qué?.
 Para el caso de una variable aleatoria (v.a.) discreta, lo anterior es equivalente
a definir una función de probabilidad puntual x , p  : i  1,... n
i i
tal que pi es la proporción de veces que el valor xi aparece en la muestra de

datos observados, y n es el número de valores distintos en la muestra.
 @Risk permite definir distribuciones empíricas discretas a través de su función
RiskDiscrete
26
(… enfoques para especificar una distribución empírica; caso continuo)
 En el caso de una v.a. continua, un enfoque es utilizar un histograma de

frecuencia de los datos observados. Un histograma particiona el rango de
valores cubierto por los datos en k intervalos adyacentes de manera tal que nj
de los datos observados están contenidos en el j-ésimo intervalo (aj -1, aj).
a0,a1 , a1,a2 ........ ak 1,ak 
 Para obtener un valor aleatorio de la variable correspondiente:
●Paso 1: se genera un valor entero entre 1 y k desde una distribución discreta
 n j  
 j , , j  1,... k 
 n  
●Paso 2: se genera el valor x (que corresponde a la realización de la variable
aleatoria de interés) asumiendo que éste puede ser cualquier valor en el
intervalo (aj -1, aj), es decir, asumiendo una distribución uniforme
 @Risk permite definir distribuciones empíricas continuas a través de su función

RiskCumul
27
(… enfoques para especificar una distribución teórica)
Especificación de una distribución teórica

Para ajustar una distribución teórica a un conjunto de datos se emplean técnicas
estadísticas, conocimiento previo, e intuición:
 generar una hipótesis relativa a la forma (Poisson, exponencial, normal, etc. )
de la distribución asociada a la variable,
 estimar los parámetros correspondientes y
 testear la “calidad” del ajuste.
Si se concluye que cierta distribución es un buen modelo para la variable
aleatoria, entonces se genera un valor aleatorio proveniente de esa distribución
cada vez que se necesita una observación de la variable
@Risk ajusta distribuciones a conjuntos de datos discretos y continuos y presenta

los ajustes realizados en un orden de prioridad que depende del valor del
estadístico de prueba del test de bondad de ajuste empleado. También provee
de análisis gráfico (histogramas, P-P plot y Q-Q plot)
28
(… enfoques para especificar una distribución teórica; métodos gráficos)
• Comparación visual de frecuencias: Consiste en construir un diagrama de

frecuencias relativas de los datos (recomendable con intervalos equi-
espaciados) y sobreponer los valores de probabilidad teórica correspondiente a
cada intervalo.
 Para un intervalo (bj-1, bj) la probabilidad teórica se calcula como
bj
rj   fˆ( x )dx
b j 1
donde fˆ( x ) es la f.d.p teórica seleccionada

 Si la distribución propuesta es un buen modelo para los datos, y el número
de datos es suficientemente grande, entonces rj y la frecuencia relativa
deben ser consistentemente cercanas.
29
Gráficos de Probabilidad (P-P plot y Q-Q plot): En general comparan la función de

distribución acumulada asociada a la distribución teórica propuesta con una
“estimación” de la función de distribución acumulada verdadera (distribución
empírica basada en los datos).
Si se tienen los datos observados ordenados de manera tal que x1< x2< x3<......< xn.
El P-P y Q-Q plot comparan las gráficas teórica y empírica:
probabilidad
1
y
x ,Fˆ ( x )vs. x , F~( x )
i i i i
Factor de
corrección para que
la distribución
empírica no iguale
F~n ( x ) a 1 para un valor
donde finito de x
Fˆ ( x ) ~ i  0.5 distribución empírica
Fn ( xi ) 
P-P x cuantil n
x i
F~n ( y )
1
Fˆ ( x i )   fˆ( x )dx distribución teórica
Q-Q Fˆ 1( y )
 30
(… enfoquesComparación de una
para especificar ajuste para precios
distribución teórica)
RiskNormal(99.1992,3.2421)
1.0
El P-P plot
0.8
compara
diferencias
verticales Empírica
Mínimo 90.2000
Máximo 104.9700
0.6 Media 99.1992
Desv Est 3.2421
El Q-Q plot Valores 100
compara
diferencias Normal
0.4 horizontales
Mínimo ??
Máximo +?
Media 99.1992
Desv Est 3.2421
0.2
0.0
108
90
92
94
96
98
100
102
104
106 31
Ejemplo: Caudal de agua caída en una

región del Amazonas durante meses de
Enero de 41 años consecutivos
AÑOS Ene AÑOS Ene
1965 69.34 1985 56.57
1966 39.48 1986 67.77
1967 27.04 1987 91.65
1968 34.78 1988 57.95
1969 83.89 1989 65.23
1970 50.72 1990 49.35
1971 48.31 1991 34.25
1972 61.63 1992 80.30
1973 60.81 1993 65.21
1974 52.39 1994 46.30
1975 38.15 1995 56.78
1976 70.12 1996 68.83
1977 61.41 1997 75.45
1978 66.09 1998 58.75
1979 75.59 1999 59.16
1980 59.53 2000 44.33
1981 58.80 2001 106.37
1982 45.76 2002 53.76
1983 53.95 2003 77.28
1984 40.95 2004 111.99
2005 40.00 32
P-P Plot
Probability-Probability CAUDAL AGUA CAIDA ENERO 1965-2005
1
0,9
Fitted p-Value DISTRIBUCIÓN TEÓRICA
0,8
0,7 LOGLOGISTIC
0,6
0,5
0,4
TRIANGULAR
0,3
0,2
0,1
0
0
1
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Input p-Value DISTRIBUCIÓN EMPÍRICA
33
Q-Q Plot
Quantile-Quantile CAUDAL AGUA CAIDA ENERO 1965-2005
120
110
Fitted Quantile DISTRIBUCIÓN TEÓRICA
100
90 TRIANGULAR
80
LOGLOGISTIC
70
60
50
40
30
20
70
20
30
40
50
60
80
90
100
110
120
Input Quantile DISTRIBUCIÓN EMPÍRICA
34
(… enfoques para especificar una distribución teórica; métodos estadísticos)
Pruebas de bondad de ajuste

 Son pruebas de hipótesis usadas para establecer formalmente si los datos
observados x1, x2, x3,......,xn corresponden a una muestra aleatoria proveniente de la
distribución propuesta. La hipótesis nula en todos estos test es:
H0 : X1, X2,......,Xn son v.a. IID con distribución fˆ .
 En general estas pruebas no son muy potentes, y son más valiosas cuando se
rechaza H0 que cuando no se rechaza. En general no son muy confiables cuando n es
pequeño y cuando n es muy grande (en este segundo caso siempre se rechaza H0 ).
Por lo tanto, estas pruebas deben entenderse como una información más al
momento de decidir respecto de una distribución teórica.
Pruebas de Criterio de Información
 Pruebas diseñadas para la selección entre varios modelos de entrada alternativos
(de buen ajuste), que priorizan distribuciones “más simples” (menos parámetros
ajustables)
 Considera el trade-off entre la calidad del ajuste y la complejidad del modelo
 Si todos los modelos se ajustan mal, estas pruebas no dan ningún aviso de ello (no
son un indicador absoluto de calidad)
35
Entre los test de bondad de ajuste más conocidos se encuentran:

 Chi-Cuadrado: es una comparación formal entre un histograma y una fdp o
dpp ajustada a los datos
 Kolmogorov-Smirnov: es una comparación formal entre la función
acumulada de la distribución teórica y la función acumulada de la
distribución observada
 Anderson-Darling: es parecido a K-S (mejorada) que está diseñado para
detectar discrepancias en las colas de las distribuciones. Tiene mayor
potencia que K-S
Entre las pruebas de criterio de información se encuentran

 AIC: Akaike Information Criterion (@Risk recomienda emplear ésta)
 BIC: Bayesian Information Criterion
36
Valor-p para los test de bondad de ajuste

 Es el nivel de significancia al cual uno rechazaría H0 para el valor dado
del estadístico de prueba.
 Es una medida de ajuste, más es mejor
 valor-p grande: buen ajuste
 valor-p pequeño: mal ajuste
Ejemplo de llegada de autos a una intersección (número de autos que llegan

entre las 7:00 y 7:05 AM):
 H0: los datos se distribuyen Poisson
 Estadístico de prueba:  02  27.68 , con 5 grados de libertad
 valor-p = 0.00004, significa que rechazamos H0 con un nivel de
significancia 0.00004, por ende la distribución Poisson se ajusta mal a los
datos.
37
Muchos software usan el valor-p para generar automáticamente un ranking de las

distribuciones y determinar cuál es la de mejor ajuste. Hay que tomar las siguientes
precauciones:
 El software no conoce los fundamentos físicos de los datos, por lo que
puede sugerir familias de distribuciones que son inapropiadas.
 Un ajuste cercano a los datos no siempre se traduce en un buen modelo de
entrada (input).
 El valor-p no da muchas indicaciones respecto de dónde ocurren los
desajustes
 Recomendación: inspeccionar los métodos automáticos de selección
comparándolos con métodos gráficos.
38
Comentarios respecto del ajuste de distribuciones a un conjunto de datos

 No es una ciencia exacta — no hay respuesta “correcta”
 Considerar distribución teórica vs. empírica
 Considerar el rango de la distribución
● Infinita para ambos lados (e.g., Normal)
● Positiva (e.g., Exponencial, Gamma)
● Limitada (e.g., Beta, Uniforme)
 Considerar la facilidad de manipular los parámetros para afectar la media o
varianza
 Análisis de sensibilidad en el modelo de simulación
 Valores extremos, datos multi-modales
● Tal vez se puede fraccionar el set de datos o modificarlo
39
Qué hacer si no hay datos

 Ocurre más a menudo de lo que quisiéramos
 No hay una buena solución; algunas opciones son:
● Entrevistar “expertos”
● Min, Max: Uniforme
 Promedio, % error o error absoluto: Uniforme
● Min, Moda, Max: Triangular o Pert (Beta)
 Moda puede ser diferente de la Media — permite asimetrías
● Tiempo entre llegadas — independiente, estacionario
 Exponencial — igual necesitamos un valor para la media
● Tiempo entre fallas de un componente: Weibull
● Número de eventos “aleatorios” en un intervalo: Poisson
● Suma de “contribuciones” independientes: Normal
● Producto de “contribuciones” independientes: Lognormal
40
Ejemplos de análisis de datos de entrada
Ver archivo ajuste de distribuciones datos varios.xls
41
Ejemplos de Simulación Montecarlo en @Risk
Papas Fritas
 Estás pensando emplear una receta nueva para la producción de papas fritas de
tu exclusivo local de “papas diet” ubicado en Reñaca, pero enfrentas muchas
fuentes de incertidumbre. En el proceso de analizar tu decisión, puedes
cuestionarte el si obtendrás un valor esperado positivo para tus ganancias …
¿cuál puede ser la distribución de tus ganancias?
 Supongamos que se desconoce el tamaño del mercado pero tus creencias
subjetivas indican que el tamaño del mercado puede representarse por una
distribución Normal con media de 100 mil cartuchos de papas fritas y una
desviación estándar de 10 mil.
 El precio de venta de tu cartucho de papas fritas es de 500 pesos (0.5 mil pesos).
Los costos variables se distribuyen uniformemente entre 0.08 y 0.12 mil pesos
por cartucho. Los costos fijos también son aleatorios distribuidos
triangularmente con parámetros 6,500, 8,000 y 9,000 miles de pesos (esto es el
barrio alto!!) para el mínimo, moda y máximo, respectivamente.
42
(…ejemplos simulación: Papas Fritas)
 La participación (P) de mercado que obtendrás es incierta y, estrictamente

hablando, es una variable aleatoria continua que podría tomar cualquier valor
entre 0% y 100%. Tú has decidido, sin embargo, que tus creencias al respecto
pueden modelarse adecuadamente con la siguiente distribución discreta:
PARTICIPACION DE MERCADO PROBABILIDAD

16% 0.15
19% 0.35
25% 0.35
28% 0.15
 Entonces la ganancia neta está dada por:

(tamaño · P) · (precio – costo variable) – costo fijo
43
(…ejemplos simulación: Papas Fritas)
Si nos interesa determinar la probabilidad de obtener Ganancias netas positivas

(abrir archivo papas fritas base.xls):
Definir variable de salida

 B12: Añadir Salida (Botón o Click derecho>@Risk o fx)
Definir Distribuciones (Botón)
 B5: Modelar Tamaño Mercado con Normal(100000, 10000)
 B6: Proporción de mercado: DISCRETE (ver tabla D6:E9)
● Usar botón Asignar Referencias de Excel como Argumentos para leer datos desde
rangos D6:D9 y E6:E9
 B8: Costo variable Uniforme
 B9: Costo Fijo Triangular
Iniciar Simulación (Botón)
44
(…ejemplos simulación: Papas Fritas con múltiples salidas)
Estudiemos ahora los escenarios en los cuales el precio del cartucho es de .4, .45,
.50, .55 y .6 mil pesos.
 En celdas C15:C19 escribir tabla 0.4, 0.45,…, 0.6 para los posibles precios
 Click en celda B7 y luego en botón de barra de fórmulas fx
● Seleccionar @Risk Distribution en Categoría
● Buscar RISKSIMTABLE, Aceptar
● Marcar C15:C19
 En el campo Simulaciones de la barra de herramientas de sección
Simulación escribir 5
 Ver resultados en viñeta sección Resultados (ej. Desviación estándar)
45
(…ejemplos simulación: Papas Fritas con demanda en función del precio)
Consideremos ahora que por cada 100 pesos de aumento en el precio, la

participación de mercado disminuye en 5%:
Ganancia neta = [tamaño · (P + Cambio en P)] · (precio – costo variable) – costo fijo
 Cerrar hojas de cálculo y abrir Papas Fritas Precio base.xls

 Agregar distribuciones a celdas B5:B8
 ¿Qué significa la fórmula en celda B19?
 Definir rango B19:B23 como salida (rango) “ganancias netas”
 Simular… ¿¿¿hay interacción???
 Gráficos
46
(…ejemplos simulación: Papas Fritas, modelo jerárquico)
Supón que no estás seguro respecto a la media del tamaño de mercado (de
distribución normal). Tu incertidumbre respecto a este parámetro se puede
modelar como una variable aleatoria de distribución uniforme entre 90 y 110 mil
cartuchos de papas fritas (incertidumbre de segundo orden).
 Cerrar otros modelos
 Abrir modelo Papas fritas jerarquico base.xls
 Se ha insertado nueva fila 5
 En B5: media de tamaño de mercado es RiskUniform(90000,110000)
 B6: tamaño de mercado definido como RiskNormal con media enlazada
(link) a celda B5
 B7: RiskDiscrete ; B9 y B10 uniforme y triangular respectivamente
 B13: Agregar salida (output)
 Simular … ¿qué pasa con desviación de ganancias?
47
(…ejemplos simulación: Papas Fritas con entradas correlacionadas)
Modelamiento de variables aleatorias dependientes

Breve Repaso:
La covarianza es una medida de la dependencia lineal entre variables aleatorias
Cov( X i , X j )  Cij  E[( X i  i )( X j   j )]  E( X i X j )  i  j
Cij  C ji
si i=j, entonces Cij  Cii   i2
Si Xi y Xj son v.a. independientes entonces Cov(Xi, Xj ) = 0 y se dice que las v.a. están
no-correlacionadas. En general lo inverso no se cumple (es decir, v.a. no-
correlacionadas no necesariamente son independientes entre si)
48
(…repaso para modelar entradas correlacionadas)
Si Cij > 0, entonces se dice que Xi y Xj están positivamente correlacionadas

 Xi > i y Xj > j tienden a ocurrir conjuntamente
 Xi < i y Xj < j tienden a ocurrir conjuntamente
Si Cij < 0, entonces se dice que Xi y Xj están negativamente correlacionadas
 Xi < i y Xj > j tienden a ocurrir conjuntamente
 Xi > i y Xj < j tienden a ocurrir conjuntamente
Para cuantificar la dependencia lineal entre dos variables se prefiere usar la

correlación, rij, pues esta medida es adimensional (i.e., es más fácil de interpretar
que la covarianza) Cij
r ij  Cor ( X i , X j )  i  1, 2,, n  1  rij  1
i  j
2 2 j  1, 2,, n
 Si rij es cercana a 1, entonces las variables están altamente positivamente

correlacionadas
 Si rij es cercana a -1, entonces las variables están altamente negativamente
correlacionadas
49
(…repaso para modelar entradas correlacionadas)
r = 0.0 r = 0.5
r = 0.9 r = 1.0
50
Correlación en @Risk
 La correlación estándar es conocida como la Correlación del Producto-Momento

de Pearson.
 El procedimiento de correlación en @Risk utiliza la Correlación Jerarquizada de
Spearman
 Por lo que esa es la correlación que deberán proveer para el modelo
 Ver los siguientes archivos:
● [email protected]
● 2.Ejemplo.numérico.correl.xls
● 3.base.calc.correl.xls
Para fijar semilla: botón Configuración de simulación > Muestreo >

Semilla inicial (del generador de números aleatorios): Fijo ( por ej.
en valor 141592653)
51
 Abre el archivo 4.Ej.corr.requiere.agregar.corrmat.xls

 Iniciamos asumiendo que ya hemos hablado con los expertos y ellos han
indicado que los precios entre los mercados están correlacionados
 Tenemos las siguientes correlaciones (de Spearman)
● Correlación entre precios del mercado 1 y mercado 2: 0.82
 Desde la ventana de Modelo @Risk.
● Haz click sobre el botón de Ventana de Modelo
● En ventana Entradas, con tecla Control apretada marcar las variables a correlacionar
(Mercado 1 / Precio Mercado, Mercado 2 / Precio Mercado y Mercado 3 / Precio Mercado)
● Click derecho> Correlacionar > Crear nueva matriz, luego escribir nombre para la
correlación y agregar correlaciones en la tabla. Click OK. Elegir dónde pegar la matriz.
● Correr simulación
 Cada variable aleatoria que está correlacionada se identifica al agregar un
argumento RiskCorrmat(Correlacion_precios;”número”) a la distribución de
@Risk
 Notar que la probabilidad de perder dinero es mayor que en caso sin correlación
52
@RISK Correlations Mercado 1 / Precio Mercado in $B$4 Mercado 2 / Precio Mercado in $B$5 Mercado 3 / Precio Mercado in $B$6
Mercado 1 / Precio Mercado in $B$4 1
Mercado 2 / Precio Mercado in $B$5 0.82 1
Mercado 3 / Precio Mercado in $B$6 0.73 0.5 1
53
Funciones Avanzadas de @Risk
Funciones asociadas a las variables de
entrada y salida
 RiskCompound(<frecuencia>,<severidad
>):.
● La cantidad de rocas en una muestra (N)
se distribuye Poisson con media 2. La
masa (gr.) de cada roca, xi, se distribuye
Lognormal con media 2500 y desviación
estándar 600.
● La función RiskCompound(Poisson(2);
RiskLognorm (2500, 600) ) entrega el
peso total de las rocas de la muestra:
𝑁
𝑖=1 𝑥𝑖
● Esta función fue desarrollada para la
industria de seguros, por lo que tiene dos
parámetros adicionales
 Deducible: le resta el monto indicado a
cada realización de la severidad
 Límite: limita el monto de severidad
54
(…funciones avanzadas)
 RiskResample
● RiskResample(2;{1;2.1;4.45;99}) permite definir una distribución empírica empleada
para re-muestrear (con reemplazo) desde un set de datos listados entre {}. Los valores
se eligen aleatoriamente en cada réplica.
● RiskResample(1; A1:A500) permite especificar los datos de la muestra en un conjunto
de celdas. En una simulación, los valores se emplean en el orden de la tabla.
 RiskSplice
● RiskSplice(RiskNormal(1;1);RiskPareto(1;1);2) combina (une) una distribución Normal
a una distribución Pareto en el punto de intersección 2
● La dist#1 y la dist#2 no pueden estar correlacionadas. La propia distribución
RiskSplice sí puede estar correlacionada con otra distribución.
55
 RiskMakeInput
● Las variables de entrada (distribuciones) de un modelo de simulación son típicamente
especificados en una celda del modelo en Excel. Las variables de salida de simulación
son funciones de las variables de entrada. La función RiskMakeInput especifica una
expresión en función de variables de entrada que reemplaza a esas variables de
entrada en un análisis de sensibilidad de las salidas.
●RiskMakeInput(RiskNormal(10;1)+RiskTriang(1;2;3)+A5) permite especificar que la
expresión en () sea tratada como una variable de entrada de simulación (y
reemplazar así a las expresiones que la alimentan en el análisis de sensibilidad)
●La función RiskMakeInput no necesita ser predecesora de la celda de Salida, pero si
las distribuciones que en ella se incluyen
a+b
56
 RiskCategory: para especificar que una variable de entrada sea agrupada con otras
en una misma categoría y que esta categoría se emplee en los análisis de sensibilidad
y reportes de salida
 RiskCollect: especifica que se desea recolectar (guardar) las realizaciones de esta
distribución durante una simulación. El uso de esta función requiere también
seleccionar, en la ventana Configuraciones de Simulación > Muestreo, la opción
Recolecte Muestras de Distribución: Entradas marcadas con Collect
 RiskConvergence
● Especifica información para el monitoreo de la convergencia de una variable de salida en
particular.
 Tol es para especificar el nivel de tolerancia deseado (± valor)
 Tipo_tol es 1 cuando valor es absoluto y 2 cuando valor es relativo (es un %)
 Nivel_Confianza es el nivel de confianza para la prueba de convergencia
 Use_Media o Use_desv_est es VERDADERO cuando se usará la media o la desviación estándar
para la convergencia
 RiskOutput(;;;RiskConvergence(3%;2;95%;VERDADERO)) especifica una tolerancia de un ±3% con
un nivel de confianza del 95% cuando el parámetro monitoreado es la media.
● La función RiskConvergence retorna FALSO cuando no se ha logrado convergencia y
VERDADERO cuando sí.
57
 RiskDepC: designa una variable dependiente en un par de muestras

correlacionadas
● RiskNormal(100;10;RiskDepC(“Precio”;0.5)) indica que esta variable con distribución
Normal depende de la variable Precio, por lo que el muestreo de la distribución
RiskNormal(100;10) estará correlacionada positivamente (dado que 0.5 > 0) con la
variable independiente identificada como Precio.
 RiskIndepC: designa a la variable independiente en un par de variables que se
desean correlacionar.
● RiskLognorm(10;10;RiskIndepC(“Precio”)) establece que la distribución Lognormal es
la distribución independiente, por lo que esta distribución se muestrea primero. Las
variables dependientes se muestrean después en función de la realización obtenida
de RiskLognorm(10;10) y de la correlación especificada en cada una de ellas.
58
Funciones asociadas a estadísticas de salida de simulación

 RiskCorrel
● RiskCorrel(A10;A11;1) retorna el coeficiente de correlación Pearson entre los
resultados de simulación de las celdas A10 y A11. Esta función se puede usar entre
celdas de entrada y entre celdas de salidas de simulación.
 RiskResultsGraph: añade un gráfico de los resultados de simulación a la hoja de
cálculo
● RiskResultsGraph(A10) genera un gráfico de la variable de salida especificada en la
celda A10 y lo sitúa a partir de la celda en donde se ubica la función empleando el
tipo de gráfico predeterminado (histograma, acumulativo ascendente o acumulativo
descendente)
● RiskResultsGraph(A10;C10:M30;1;VERDADERO;1;99) genera un gráfico de los
resultados asociados a la celda A10 y lo construye en el rango C10:M30 en formato
de histograma, y establece los delimitadores izquierdo y derecho en los percentiles
1% y 99%, respectivamente
59
Filtros de entrada y salida
 El uso típico de filtros en estadística es para calcular promedios recortados

 El filtro es un método robusto que permite estabilizar la estimación del centro
de la distribución de salida, lo cual tiene sentido cuando hay simetría
 Con este método se busca descartar observaciones extremas que afectan las
estimaciones de centro
 Diferencias entre trucar y filtrar variables de entrada:
● Cuando se trunca una distribución (variable de entrada), los valores fuera de rango no
se generan (por ende no impactan las salidas)
● Cuando se filtra, los datos extremos sí se generan, pero no se usan para la estimación
de los parámetros de la muestra, un para gráficos o análisis de sensibilidad (ver el
botón Datos de Simulación en el ícono Xi)
60
Búsqueda de Objetivo (Goal Seek)
 El GoalSeek de @Risk es similar al de

Excel excepto que emplea simulación
para determinar el valor de un
parámetro que “optimiza” un
estimador de una variable salida (como
el estimador de la media) de interés.
 Se emplea cuando se conoce el valor
deseado en la salida (RiskOutput) pero
se conoce qué valor de entrada genera
esa salida
 Botón Análisis Avanzado > Búsqueda de
objetivo
 Definir parámetros y luego pulsar
Analizar
61
Análisis de estrés
Se emplea para encontrar la distribución de una variable aleatoria (una cantidad

incierta) dado que ésta es relativamente grande o relativamente pequeña, es decir,
encontrar la distribución de probabilidades condicional de que un resultado se
encuentre en un extremo (colas de la distribución) del rango de posibles resultados
Ejemplo: Una empresa es dueña de una propiedad que puede enfrentar importantes daños
producto de un terremoto. Se estima que el posible daño, en millones de pesos, es una
cantidad incierta que se distribuye Lognormal con media 300 y desviación estándar 150
Las pérdidas pueden ser iguales a los

daños, pero en este ejemplo se asume
que las pérdidas son iguales a los daños
sólo si éstos son menores a 450
millones, y que se ven amplificadas en
una potencia de 1.1 si los daños son
mayores a 450 millones
pérdidas=SI(daños<450,daños,daños^1.1)
62
(…ejemplo seguro para pérdidas extremas en caso de terremoto)
Supón que se está evaluando un seguro ante daños extremos que especifica lo
siguiente:
 Si los daños son menores o iguales al percentil 90, el dueño asume todas las
pérdidas
 Si son mayores, la compañía de seguros asume todas las pérdidas
● ¿cuál es la distribución de las pérdidas desde la perspectiva de la compañía de

seguros?
● ¿cuál es la distribución de las pérdidas enfrentadas por el dueño de la
propiedad?
● ¿Cuánto cobrará la compañía de seguros por este contrato?
● Ver ejemplo analisis estres base.xls
63
(…análisis de estrés)
 El análisis de estrés permite evaluar

los efectos de estresar todas las
distribuciones de entrada (es decir,
restringir el muestreo a valores
delimitados por un par de
percentiles) o puede también
reemplazar una a una cada
distribución de entrada original por
una distribución “estresada”
 Después de completar una
simulación, el análisis de estrés
entrega una colección de reportes y
gráficos que permiten analizar los
efectos, en las salidas, de haber
usado entradas estresadas
64
Análisis de Sensibilidad en @Risk
 El análisis de sensibilidad avanzado permite seleccionar un número de

distribuciones o celdas de la hoja de cálculo y ejecutar simulaciones de prueba
mientras se modifican estas variables de entrada a lo largo de un rango
● Ejecuta una simulación completa en cada uno de los conjuntos de posibles valores
para una variable de entrada, rastreando los resultados de simulación para cada
valor
● Los resultados de simulación muestran cómo cambió la variable de salida en función
de la variable de entrada
● Cuando se realiza el análisis de sensibilidad se toma una a una las variables de
entrada y se les cambia su valor, y las otras variables se dejan libres (se muestrean
como en cualquier simulación)
● Si la variable de entrada analizada es una distribución de probabilidades los valores
que toma típicamente se finan en los valores de sus diversos percentiles (ej. 1, 5, 25,
50, 75, 95, 99) se fija en un distinto valor a lo largo de un rango mínimo-máximo de
la distribución (típicamente percentiles)
65

Apunte 1

Cargado por

Copyright:

Formatos disponibles

Apunte 1

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apunte 1

Cargado por

Copyright:

Formatos disponibles

Magister en Ingeniería Industrial

Mención Gestión de Activos y Confiabilidad Operacional - MAM

TALLER DE @RISK para el Análisis de Riesgo

Jimena Pascual, PhD, MSIE

Es el efecto que tiene, sobre nuestros objetivos, la incertidumbre respecto a

 El análisis de riesgo implica la evaluación del riesgo inherente a alguna

Habitualmente construimos modelos determinísticos para la toma de decisiones:

Sin embargo en muchos de nuestros modelos existe incertidumbre respecto a uno

En este taller abordaremos la incertidumbre en nuestros modelos de dos maneras:

El Decision Tools Suite de Palisade Corporation (http://www.palisade.com/) es un

Se emplea durante todo el proceso de modelamiento… es un arte… no hay un

Propósito de los Análisis de Sensibilidad

Ejemplos de Técnicas de Análisis de Sensibilidad en Análisis de Decisiones

Dick Carothers (presidente) desea expandir las operaciones de la Aerolínea Eagle.

Datos del avión de Mid West

Objetivo: Maximizar ganancias. Consideraremos ganancias anuales, ignoraremos

 Ingreso Total : Ingreso por Charters + Ingresos de Vuelos Regulares

Bajo Medio Alto

Ingresos x Charters $ 67,500 $ 130,000 $ 245,000

Ingresos Totales $ 119,750 $ 230,000 $ 342,200

Gráfico de araña de Ganancias

Gráfico Tornado de Ganancias

 La incertidumbre respecto a la capacidad utilizada de los vuelos

El análisis de sensibilidad en un sentido ignora el efecto de cambiar múltiples

GA = %Ch · HV · PCh + (1 - %Ch) · HV · PV · NA · TO – HV · CO – S – PA · F · TI

 $200,000 · TO < $800 · CO - $101,775

 TO < 0.004 · CO – 0.509

 La línea de indiferencia entre las dos alternativas está dada por:

Región de estrategia para 'Decisión de Eagle'

Análisis Monte Carlo

La Simulación Montecarlo toma su nombre de las ruletas (generadoras de

 El método Monte Carlo (desarrollado en los 40’s) provee soluciones

Análisis de Modelo lógico Análisis de

Permite agregar incertidumbre (distribuciones de entrada) a

Especificación de una distribución empírica

tal que pi es la proporción de veces que el valor xi aparece en la muestra de

 En el caso de una v.a. continua, un enfoque es utilizar un histograma de

 @Risk permite definir distribuciones empíricas continuas a través de su función

Especificación de una distribución teórica

@Risk ajusta distribuciones a conjuntos de datos discretos y continuos y presenta

• Comparación visual de frecuencias: Consiste en construir un diagrama de

donde fˆ( x ) es la f.d.p teórica seleccionada

Gráficos de Probabilidad (P-P plot y Q-Q plot): En general comparan la función de

Ejemplo: Caudal de agua caída en una

Pruebas de bondad de ajuste

Entre los test de bondad de ajuste más conocidos se encuentran:

Entre las pruebas de criterio de información se encuentran

Valor-p para los test de bondad de ajuste

Ejemplo de llegada de autos a una intersección (número de autos que llegan

Muchos software usan el valor-p para generar automáticamente un ranking de las

Comentarios respecto del ajuste de distribuciones a un conjunto de datos

Qué hacer si no hay datos

Ver archivo ajuste de distribuciones datos varios.xls

 La participación (P) de mercado que obtendrás es incierta y, estrictamente

PARTICIPACION DE MERCADO PROBABILIDAD

 Entonces la ganancia neta está dada por:

Si nos interesa determinar la probabilidad de obtener Ganancias netas positivas

Definir variable de salida

Consideremos ahora que por cada 100 pesos de aumento en el precio, la