Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Course Objectives Describe modeling and simulations Start Crystal Ball and access resources Explain Crystal Ball probability distributions Define assumptions Correlate assumptions Analyze and present simulation results Analyze data with Crystal Ball tools Set advanced options for assumptions and forecasts Manipulate simulation controls Optimize decisions with OptQuest and analyze solutions Perform time series forecasting with Predictor
1.Modeling and Simulation Overview Oracle's Enterprise Performance Management System Model Basics Simulation Basics About Monte Carlo Simulations About Crystal Ball Model Development Process
2.Getting Started with Crystal Ball Setting Crystal Ball Start Preferences About the Welcome Dialog Box Basic Crystal Ball Terminology Crystal Ball Ribbon Additional Resources for Crystal Ball
3.Examining Probability Distributions About Probability Distributions Basic Distribution Statistics Viewing Distribution Types in the Distribution Gallery Properties of Crystal Ball Distributions Commonly Used Crystal Ball Distributions
4.Defining Assumptions About Assumptions Defining Data-Based Assumptions Through Distribution Fittings Defining DataBased Assumptions with Custom Distributions Defining Expert-Based Assumptions Referencing Cells for Parameter Values Generated Names for Assumption Cells Best Practices for Defining Assumptions
5.Defining Forecasts, Running Simulations, and Analyzing Results Defining Forecasts Running Simulations Analyzing Forecast Charts Viewing Other Charts with Forecast Data Saving and Loading Forecast Results Editing Crystal Ball Data 6.Correlating Assumptions Importance of Correlating Assumptions Rank Correlation Method Crystal Ball Options for Correlating Assumptions Defining Correlations by Modifying Assumption Definitions Adjusting Correlation Coefficients During Simulations Best Practices for Correlating Assumptions
7.Creating Reports About Crystal Ball Reports Generating Reports Extracting Data to Excel
8.Determining Assumptions with Tornado and Spider Charts Considering Assumptions About Tornado and Spider Charts Tornado Charts Versus Sensitivity Charts Creating Tornado and Spider Charts Examining Tornado Charts Examining Spider Charts
9.Working with Multiple Assumptions Batch Fitting Probability Distributions Correlating Multiple Assumptions with Correlation Matrices
10.Setting Advanced Options for Assumptions Building Distributions with Alternate Parameters Truncating Assumption Distributions Creating Distribution Functions Publishing and Subscribing to Distributions Customizing the Distribution Gallery
11.Setting Advanced Options for Forecasts Automatically Extracting Forecast Statistics Adding Marker Lines to Forecast Charts Fitting Distributions to Forecast Charts Filtering Forecast Results
12.Working with Simulation Controls Setting Precision Control Preferences Setting Sampling Preferences Setting Run Mode Preferences Selecting Options for Simulation Statistics
13.Optimizing Decisions with OptQuest About Optimization About OptQuest Optimizing Decision Variables Analyzing OptQuest Results OptQuest Performance Best Practices Performing Efficient Frontier Analysis
14.Forecasting with Predictor About Crystal Ball Predictor Creating Time Series Forecasts Working with Predictor Results Performing Linear Regressions Predictor Integration with Planning and Essbase
2009
Riesgo
Qu es riesgo?
11
Lo que pas con la crisis fue una llamada de atencin acerca de que los planes no siempre sern como se piensan
Francis Durman Entrevista a El Financiero, Diciembre 2010
12
Su origen
Del reconocimiento de la incertidumbre del futuro Nuestra incapacidad de conocer cul ser el futuro en funcin de las acciones que tomamos hoy Implica que una accin en particular puede tener mltiples resultados alternativos
13
En un sencillo sentido
Toda accin es riesgosa Unas lo son ms que otras Si se juzga que una situacin es relativamente riesgosa, tal criterio de riesgo puede ser suficiente impedimento para no llevarla cabo Aqu es donde el riesgo se transforma en un criterio de decisin Por tanto, se torna viable el anlisis de riesgo
14
Puede ser objetivo o subjetivo Riesgo objetivo: Que el resultado sea incierto no se impide que el riesgo de un evento pueda ser cuantificado La teora, la experimentacin y el sentido comn nos ayudan a determinar la objetividad de un riesgo
15
16
17
18
19
20
De Determinstico a Probabilstico
Determinsticos: proveen la solucin del anlisis una vez que usted haya introducido las variables de entrada (inputs) deseados Los problemas que estn siendo analizados se relacionan al futuro incierto La respuesta provista por el libro de trabajo Excel est basada en estimaciones de variables de entrada futuras inciertas.
21
Una solucin es
extender el anlisis tratando de encontrar conjuntos de supuestos con lmites inferiores y superiores razonables y utilizar los mismos para limitar el anlisis.
22
25
26
27
Incertidumbre
Usted conoce el rango de posibles resultados para un componente en su anlisis, pero usted no conoce cul de esos resultados se materializar en una situacin dada.
28
La pregunta
Es la exposicin lo suficientemente significativa como para hacer que el tomador de decisiones lo piense dos veces antes de tomar su decisin?
30
suficientemente significativa
Relacionada al apetito de riesgo del tomador de decisiones. Cmo mide el tomador de decisiones cunto equivale a suficientemente significativa? Aqu es donde la probabilidad sale a flote.
31
32
33
Si se considera que la exposicin no es lo suficientemente significativa como para llevar a cabo una accin entonces el tomador de decisiones est efectivamente implicando que existen suficientes activos lquidos para contrarrestar un mal resultado si ste llegase a ocurrir.
34
As que, cmo se las ingenia uno para evaluar las exposiciones negativas y/o positivas?
35
36
37
. Nadie puede ver el futuro, as que usted debe utilizar su mejor juicio, basado en la experiencia acumulada y en la experiencia de otros expertos, a la hora de realizar su anlisis.
38
40
Para convertir un libro de trabajo Excel determinstico a una evaluacin de riesgo probabilstica, debemos agregar incertidumbre en el anlisis. Debemos conocer conceptos de probabilidad
41
Fundamentos de Probabilidad
1. Probabilidad es una medida de la posibilidad de que un evento ocurra. 2. Los valores estn restringidos entre 0 y 1. 3. Estn definidos tanto para variables discretas como continuas. 4. Las distribuciones de probabilidad describen el conjunto de todos los posibles resultados y su asociada posibilidad de ocurrencia.
42
Si la variable es continua,
Describa las probabilidades en trminos de
Funcin de densidad El rea por debajo de la funcin de densidad =1 Las probabilidades son obtenidas al examinar el rea debajo de la funcin de densidad entre los dos valores de inters
43
44
Medidas de centralidad
Media: Este consiste en el promedio ponderado por las probabilidades de los valores de la variable aleatoria. Moda: Este es el resultado que ocurre ms frecuentemente. Para una variable continua aleatoria es el valor asociado con el punto ms alto de la funcin de densidad. Mediana o percentil 50: Este es el valor en el medio, la mitad de los valores se encuentren por encima de l, la mitad de los valores se encuentran por debajo de l.
45
Medidas de variabilidad
Desviacin estndar: Esta es el promedio ponderado de probabilidades de las distancias respecto del promedio al cuadrado, ajustadas en unidades. Mnimo y mximo. Rango = mximo - mnimo
46
47
48
49
50
En la funcin de densidad
Usted puede ver la forma de la distribucin. Nos muestra de una sola vez si usted posee una pequea probabilidad de un evento muy extremo (sesgo), donde se encuentra la mayora de los resultados, y donde se encuentra el punto ms alto de la distribucin (moda).
51
52
Modelo deterministico
Construccin Sin probabilidades
Validacin
Cuantificacin De riesgos
Reemplace Nmeros por Distribuciones Y estructuras De probabilidad
Clculos De probabilidad
Clculo De Distribuciones De salida Para Aspectos clave
53
2009
59
Existe una norma en la industria utilizada para la variable en cuestin? Cundo fue la ltima vez que alguien verific tal norma?
Si no existe una norma en la industria, existen datos histricos relevantes para determinar la incertidumbre de una variable en cuestin? Si nada de lo anterior aplica Localice a un experto y obtenga su opinin profesional
Distribucin normal
Distribucin normal
Porqu la distribucin normal es una buena distribucin para muchos fenmenos? Ley de los Grandes Nmeros o El Teorema del Lmite Central
Distribucin normal
Descrita por primera vez por Abraham DeMoivre, un matemtico francs. Basado en los trabajos de los Bernoulli En Doctrina de las Probabilidades, 1733. Con base en la forma de la curva normal se desarrolla inmediatamente el concepto de la desviacin estndar.
DeMoivre escribe
A pesar de que el azar produce irregularidades, an as las probabilidades son infinitamente grandes para que, en el proceso del tiempo, tales irregularidades no mantendrn ninguna proporcin a la recurrencia de aquel Orden que resulta naturalmente del DISEO ORIGINAL
Regla prctica
Si no se est seguro de cul distribucin aplica, pero se sabe que es bsicamente simtrica, adems de que no se saben los valores mnimos y mximos, entonces la distribucin normal es una candidata razonable Otras distribuciones tambin pueden cumplir las caractersticas anteriores: Pert, Weibull.
Distribucin LogNormal
Razonable para utilizar en muchas variables financieras Valores no pueden ser menores que 0 Existe una pequea probabilidad de un valor extremadamente grande (sesgo positivo) Otras distribuciones que cumplen estos requisitos (Paretto y Exponencial) Requiere de una media y una desviacin estndar
Distribucin BetaGeneral
Muy flexible Funciona bien si se poseen datos histricos o la estimacin de un experto sobre 3 puntos de una distribucin (P10, P50, P90). Ms flexible que la Pert y permite generar colar ms delgadas y largas Ms adelante veremos un ejemplo
Distribuciones discretas
Discreta, Binomial, DiscretaUniforme, Poisson, Geomtrica Describen resultados que pueden ser contados Frecuentemente, aunque no siempre, la variable incierta es el conteo de cuntas veces ha sucedido un evento.
Discreta (Discrete)
La ms general de las distribuciones discretas Se especifica la lista de resultados discretos posibles, y luego se le asignan correspondientemente las posibilidades de ocurrencia a cada resultado
Distribucin Binomial
Util para especificar condiciones de encendido/apagado (binarias)
Ejemplos de la Binomial
Probabilidad de que la Fiscala realice un evento con cobertura periodstica esta semana Probabilidad de descubrir petrleo en un prospecto Probabilidad de que haya un corte elctrico en este mes Probabilidad de que cierto producto alimenticio infectado pase una infeccin en particular
Propsito
Pueda ser que no existan datos numricos o bien que los datos numricos no describan correctamente el comportamiento en el futuro. Necesitamos entonces confiar en el mejor juicio del experto.
Puntos principales
1. Cmo obtener el mejor juicio de los expertos. 2. Capturando el juicio profesional sobre una distribucin de probabilidad utilizando las distribuciones Pert y BetaGeneral. 3. Utilizando una ronda de probabilidad para capturar evaluaciones sobre la probabilidad discreta y la probabilidad en las colas. 4. Ajustando una distribucin al juicio.
Antes
Durante
Despues
Mtodos heursticos
Se basa en la utilizacin de reglas empricas para llegar a una solucin. El mtodo heurstico conocido como IDEAL, formulado por Bransford y Stein (1984), incluye cinco pasos:Identificar el problema; definir y presentar el problema; explorar las estrategias viables;avanzar en las estrategias; y lograr la solucin y volver para evaluar los efectos de las actividades (Bransford & Stein, 1984)
Reglas prcticas utilizadas por los individuos para arribar rpidamente a conclusiones. La idea es que estas reglas prcticas comprimen el detalle en sus componentes esenciales
Los siguientes mtodos heursticos pueden causar que los expertos introduzcan sesgos en sus respuestas.
Se juzga un evento en particular por qu tan cercanamente el mismo representa un miembro estereotipado del grupo.
El sesgo resulta cuando el individuo le pone demasiada atencin a detalles especficos (que puedan o no contener informacin relevante para el juicio) mientras se ignora o no se le pone suficiente atencin a la informacin de contenido tal y como informacin base.
Sesgos motivacionales:
Esto resulta debido a que los individuos desean un resultado en particular, as que especifican valores para asegurarse tal resultado.
Enmarcamiento.
Esto se refiere a individuos siendo capaces de juzgar mejor un evento si ste se plantea desde cierta perspectiva en vez de otra. Los juicios de los individuos pueden ser hechos mejor desde un marco o punto de vista en contraposicin a otro.
Reduccin de sesgos
La clave para obtener la mejor respuesta consiste en conozca a su experto.
Al realizar esto, usted est forzando al experto a reconocer el evento reciente, luego a reconsiderar si el mismo debera ponderarse con poco o mucho peso en el juicio del experto.
Sesgos motivacionales:
Reconozca que el experto estar motivado para dar una respuesta que le d ventaja a l o ella. Utilice su respuesta de acuerdo a ello.
Enmarcamiento (contexto)
Conozca a su experto. Si usted conoce a su experto, usted puede enmarcar las preguntar que invocarn el mejor juicio del experto.
4.Defining Assumptions
6.Correlating Assumptions
7.Creating Reports
Esquema de presentacin
Cuantificacin de los eventos estratgicos
Presentacin 1: Cisnes negros y otros eventos difciles de pronosticar Presentacin 2: Redes y su impacto en distribuciones de probabilidad Caso prctico: Flujos descontados de efectivo con cuantificacin de riesgos estratgicos
http://www.edge.org/3rd_culture/taleb08/taleb08_index.html
En el 2006, escribe
La institucin respaldada por el gobierno Fannie Mae, cuando veo sus riesgos, parece estar sentada sobre un barril de dinamita, vulnerable al ms pequeo hipo. Pero no hay de qu preocuparse: su gran cantidad de cientficos consideraban estos eventos como poco probables.
En el 2010 escribe:
El conocimiento estadstico y las probabilidades aplicadas es el ncleo del conocimiento; las estadsticas es lo que dicen si algo es verdadero, falso o meramente anecdtico; es la lgica de la ciencia, es el instrumento para la toma de riesgos; es las herramientas aplicadas de la epistemologa; usted no puede ser un intelectual contemporneo y no pensar probabilsticamente pero, no seamos tontos. El problema es mucho ms complicado de lo que pareciera para el usuario mecanicista casual que la aprendi en el post-grado. Las estadsticas pueden engaarte. De hecho, estn engaando al gobierno en este momento. Pueden inclusive llevar a la quiebra al sistema. Enfrentmoslo: el uso de los mtodos probabilsticos para la estimacin de los riesgos recin acaban de hacer quebrar todo el sistema bancario).
El cisne negro
Definicin: Una expresin latina ya utilizada por Juvenal y popularizada en el s. XVI en Londres. Este fenmeno describe la imposibilidad. Todos los cisnes deben ser blancos porque los registros histricos de cisnes reportan que son blancos. Sin embargo, en 1697 se descubrieron los cisnes negros en Australia. Entonces, el termin se transform para connotar que una imposibilidad percibida podra posteriormente ocurrir.
2. 3.
Adicionalmente
Actuamos como que si no existiera. Los cientficos sociales han operado bajo la falsa creencia que sus herramientas pueden medir la incertidumbre a los problemas reales ha tenido efectos ridculos. El gran fraude intelectual: la distribucin normal Vase las siguientes cifras del DJIA
Dow Jones Industrial Average, 1950-2010.
14,000
12,000
10,000
8,000
6,000
4,000
2,000
ene-50
ene-52
ene-54
ene-56
ene-58
ene-60
ene-62
ene-64
ene-66
ene-68
ene-70
ene-72
ene-74
ene-76
ene-78
ene-80
ene-82
ene-84
ene-86
ene-88
ene-90
ene-92
ene-94
ene-96
ene-98
ene-00
ene-02
ene-04
ene-06
ene-08
ene-10
Distribucin de campana
El enfoque es en lo ordinario y luego se lidia con las excepciones. Sirve en donde se pueda generalizar que el mayor elemento no est muy alejado del promedio. Si existe un efecto gravitatorio o si hay limitaciones fsicas
Distribucin de campana
Si hay grandes fuerzas equilibrantes que vuelvan las situaciones a equilibrio relativamente rpido despus que las condiciones diverjan del equilibrio. La desviacin estndar realmente slo tiene significado en distribuciones simtricas (Gaussianas)
Los expertos
La incapacidad para predecir cisnes negros implica la incapacidad para predecir el curso de la historia. (proyecciones a 30 aos plazo, proyecciones del precio del petrleo a 30 aos, etc.) Lo sorprendente no son los errores de pronstico sino ms bien nuestra ausencia de la conciencia respecto de los mismos. As, algunos profesionales que creen que son expertos, en realidad no lo son. Son mejores narrando los eventos, no predicindolos. An peor, lo hacen con modelos matemticos. Cuestionario de estimaciones
La lnea de Maginot
Excesivo enfoque en lo que se conoce. Tendemos a aprender lo preciso, no lo general. El hroe olvidado de la prevencin. Que hubiese pasado si se hubiere aprobado una ley obligando a las lneas areas a tener puertas de seguridad en las cabinas de piloto de los aviones.
Extremistn
Mediocristn o Extremistn?
Es de vital importancia saber cuando nos movemos en un reino u otro para saber cuales son las herramientas o paradigmas que podemos aplicar en cada caso y adems hay que tener en cuenta que la mayora de las veces nos movemos por Extremistn, aunque pensamos lo contrario.
Mediocristan
No escalable Aleatoriedad tipo 1 o suave El miembro ms tpico es mediocre Los ganadores obtienen un pequeo segmento del total Ejemplo: audiencia de un cantante de pera antes del gramfono Ms probable de encontrar en nuestro ambiente ancestral El efecto del cisne negro no le afecta Sujeto a la gravedad
Extremistan
Escalable Aleatoriedad tipo 2 radical El ms "tpico" es gigante o enano; no hay miembros tpicos Efectos en donde el ganador se lleva todo Audiencia actual de un artista Ms probable encontrar en nuestro ambiente contemporneo Vulnerable al efecto del cisne negro No hay restricciones fsicas a su magnitud
Tirana de lo accidental
Difcil predecir con base en la informacin pasada La historia brinca La distribucin es Mandelbrtica (fractal)
Tipos de decisiones
Binarias: (M0)
Solo importa si algo es falso o verdadero. Algo es verdadero o falso con cierto grado de confianza Depende del Momento Cero (slo la probabilidad del evento)
Complejas: (M1) Importa tanto la frecuencia como el impacto, o alguna funcin del impacto.
Mediocristn
1
2
3
4
Extremistn
Cuadrante 1:
Decisiones simples
Mediocristn
Decisiones binarias simples en Mediocristn Situaciones comunes en la academia, en los laboratorios y en los casinos (la falacia ldica) Tendemos a estudiarlos porque es muy fcil modelarlos
Cuadrante 2:
Decisiones simples
Extremistn
Cuadrante 3:
Decisiones complejas
Mediocristn
Se pueden usar muy bien algunos mtodos estadsticos de teora de valor extremo Picos sobre umbrales; mximos de bloque
Cuadrante 4:
Decisiones complejas
Extremistn
Ac no llegan los dominios de la estadstica El dominio de los cisnes negros. No base sus decisiones basado en teoras estadsticas
DECISIONES SIMPLES
DECISIONES COMPLEJAS
Extremedamente Bien robustas a los robustas a los cisnes cisnes negros negros Bien robustas a los cisnes negros Lmites de la estadstica extremada fragilidad a los cisnes negros
de riesgos estratgicos
El efecto del pequeo mundo Stanley Milgram (Harvard, 1950s) estudi este fenmeno que se convirti en mito urbano de los 6 grados de separacin. En los ltimos aos, el estudio de las redes se ha convertido, por virtud propia, en una ciencia completa.
Redes
Fenmenos naturales, tecnologa y cultura que pueden ser adecuadamente descritos por redes Transporte areo, redes sociales, internet, sistemas de distribucin, neurologa, gentica, organizaciones complejas, terrorismo, epidemiologa, etc.)
Meta de la ciencia
Crear un lenguaje y una estructura comn de pensamiento que pueda caracterizar fenmenos tan dispares y describirlos
Escalabilidad libre
El grado-entrada de la red puede ser descrito con una regla simple: Nmero de pginas Web con grado-entrada k = 1 / k2
Exponente asumido 1.50 1.20 1.40 1.22 2.80 2.14 0.80 0.80 1.10 1.00 1.30 3.00 1.50 2.00
En octubre del 2009, ms de 830 millones de usuarios visitaron las redes sociales a travs de computadoras National Geographic, Abril 2010.
KAIXINOOI
STUDIVZ SITES VKONTAKTE SKYROCK VK MIXI ODNOKLASSNIKI BEBO WER-KENT-WEN BHARATASTUDENT HATENA BOOKMARK
24
17 17 16 14 13 10 8 7 4 4
Aplicaciones generales
Aplicaciones en tecnologa y ciencia Bsquedas eficientes en la Web Control de epidemias Control de grandes organizaciones Preservacin de ecosistemas Sistemas inmunolgicos Organizaciones criminales y terroristas