30-9-2017 Riesgo financiero

Deymer urango;Yessika Guerrero;Diana Castillo

UNIMINUTO VIRTUAL Y DISTANCIA
 Contraportada

Deymer Urango Hoyos

Jessica Liliana guerrero
Diana roco castillo hurtado

Asignatura
Riesgo financiero

Tutor
Romn Andrs Agudelo
Actividad semana (5)

Uniminuto virtual distancia

Facultad de Ciencias empresariales

Bogot Colombia

30/09/2017

1
Contenido

tabla de contenido.2

Introduccin...3

Ensayo45678

Conclusin9

Textos citados.10

Bibliografa11

2
Introduccin

3
Qu es el mtodo de Montecarlo?

El mtodo de Montecarlo es un mtodo de simulacin que permite calcular

estadsticamente el valor final de una secuencia de sucesos no deterministas
(sujetos a variabilidad), como es el caso del plazo o el coste de un proyecto.
En la prctica este anlisis consiste en ejecutar varias veces los diferentes
sucesos variando aleatoriamente su valor en funcin de la funcin estadstica
que los define, dando como resultado un conjunto de valores finales. Este
conjunto de valores permite calcular el valor medio y la variabilidad para el
conjunto. Pasos ideales a seguir para el mtodo.

1. Establecer distribuciones de probabilidad. La idea inicial es la generacin

de valores para las variables que componen el modelo a efectuar. Existen una
gran variabilidad de ejemplos donde se llega anotar este punto, algunos de
ellos son: el tiempo de descompostura de una mquina, la demanda de
uninventario sobre una base diaria o semanal, el tiempo de servicio, etc.
Y una manera fcil de establecer una distribucin de probabilidad de una
variable es a travs de examen histrico. La frecuencia relativa para cada
resultado de una variable se encuentra al dividir la frecuencia de la
observacin entre el nmero total de observaciones.
2. Construir una distribucin de probabilidad acumulada para cada variable.
Aqu se tiene que convertir una distribucin de probabilidad regular a una
distribucin de probabilidad acumulada. Esto quiere decir que la probabilidad
acumulada para cada nivel de demanda no es ms que la suma del nmero en
la columna de la probabilidad agregada a la probabilidad acumulada anterior.

3. Establecer intervalos de nmeros aleatorios. En este paso se debe asignar un

conjunto de q represente a cada valor posible. Estos estn establecidos como
intervalos de nmeros aleatorios que surgieron un proceso aleatorio (tomando
el nmero de dgitos requeridos).4. Generacin de nmeros aleatorios. Estos
nmeros se pueden generar de dos maneras: la primera es, si se tiene un
problema grande y el proceso involucra miles de ensayos, lo conveniente es
utilizar algn software especializado para generarlos; la segunda, si la
simulacin se tiene que hacer a mano, los nmeros se pueden seleccionar en

4
una tabla establecida de nmeros aleatorizados. Existe una tabla para esta
ltima manera.
Utilidad del mtodo de Montecarlo en proyectos?
Las estimaciones de plazo y coste que hacemos durante la planificacin de un
proyecto estn sujetas a variabilidad. Esta variabilidad es debida tanto a la
variabilidad intrnseca de las estimaciones, una determinada tarea no cuesta o
dura siempre lo mismo, como a los riesgos asumidos, los cuales tienen una
determinada probabilidad de ocurrir y un impacto.

Por ello no es conceptualmente correcto dar un valor determinado para el

coste o la duracin del proyecto, aunque todos lo hacemos, ya que estos van a
estar sujetos a variabilidad. Por el contrario, lo ms correcto sera hablar de un
valor medio y una variabilidad para el coste y la duracin totales, los cuales
pueden determinarse mediante el anlisis de Montecarlo

De esta forma el mtodo de Montecarlo permite calcular el valor de coste y

plazo del proyecto en base a un determinado grado de confianza, y as
determinar en qu medida nuestra planificacin es realista, y va a permitir
conseguir los objetivos del proyecto. Esto significa determinar en qu
porcentaje de las simulaciones realizadas, el plazo y el coste totales son
menores a los objetivos del proyecto.
Cmo realizamos el mtodo de Montecarlo?
Debido al tamao y complejidad de los proyectos que justifican el uso de este
anlisis, en los pequeos no se usa, este se realiza mediante computador,
siendo totalmente inviable hacerlo a mano. De todas formas es recomendable
5
entender el mtodo de clculo que hay detrs de estos programas de
simulacin.

Los riesgos; sujetos a una probabilidad de ocurrencia y a un impacto. Si

tenemos un riesgo con una probabilidad de ocurrencia del 15%, y un impacto
de 1000 y 1 da, diremos que el 15% de las veces que se ejecute el proyecto,
este va a durar un da ms y costar 1000 ms, el 85% de las veces restantes
no.

Modelo Logit y Probit

De respuesta s y no, en funcin de: la cantidad de residuo slido que estima
genera a la semana; de la cantidad de material que recicla a la semana y en

6
funcin del estrato social y del tipo de usuario: 1(pequeo generador); 2
(mediano generador) y 3 (gran generador).
El modelo logit planteado es:
En donde las variables son:
X1: Tipo de usuario: 1(pequeo generador); 2(mediano generador) y 3(gran
generador).
X2: Autoriza recibir informacin acerca del proceso de reciclaje: 0 (no); 1 (s).
X3: Cantidad de material que recicla a la semana.
X4: Cantidad de residuo slido que estima genera a la semana.
X5: Estrato social.
Y: Realiza separacin de material reciclable en la fuente.
Los resultados obtenidos pueden observarse a continuacin:

Coefficients:
Estimate Std. Error z value PR (>|z|)
(Intercept) -1.41366 0.63169 -2.238 0.02523 *
X1 0.13466 0.38462 0.350 0.72626
X2 0.48341 0.27966 1.729 0.08389
X3 237.23325 77.79066 3.050 0.00229 **
X4 -0.62633 0.06956 -9.005 < 2e-16 ***
X5 0.17895 0.11909 1.503 0.1329
El modelo obtenido es de la forma (6) donde:
= 1.4136 + 0.1346 x1 + 0.4834 x2 + 237.2332 x3 0.6263 x4 + 0.1789 x5

7
Se puede observar que el valor del coeficiente 0,13466 significa que, dejando
todas las dems variables constantes, un cambio de usuario por ejemplo de
usuario 1 a usuario 2, aumentara la probabilidad de separar material reciclable
en la fuente en
0,13 veces. El valor 0,48 significa que las personas que estn de acuerdo en
recibir informacin sobre el proceso de reciclaje aumentan en 0,48 veces la
probabilidad de separar efectivamente material reciclable en la fuente, dejando
las dems variables constantes. El valor 237,23325 significa que un aumento
en 1K de la cantidad de material que recicla a la semana, aumenta la
probabilidad de la variable respuesta en 237,23 veces la probabilidad de
separar material en la fuente, manteniendo constantes las dems variables. Por
ultimo, un aumento en 1K de la cantidad de residuo slido que se genera a la
semana produce un incremento de 0,17 veces la probabilidad de separar
material reciclable en la fuente.

8
 Conclusin
Podemos concluir que los mtodos Montecarlo y Modelo Logit y Probit son
procesos aleatorios, estocsticos o probabilsticos suelen desafiar la intuicin
y, a veces, aun la de los matemticos. Sin embargo, la teora de las
probabilidades es tan precisa que, la verdad, uno se queda pasmado. Cmo
puede predecirse lo que es aleatorio, azaroso, en apariencia impredecible.

9
TEXTOS CITADOS
LIBRO
En lnea
Quantum Monte Carlo: Origins, Development, Applications por Anderson,
James B 2007
Monte Carlo methods are a class of computational algorithms for simulating
the behavior of a wide range of various physical and mathematical systems
(with many...
Libro electrnico:

LIBRO
En lnea
Estimacin de las provisiones esperadas en una institucin financiera
utilizando modelos logit y probit/estimated reserves expected in a financial
institucin usan logit and probit

10
Bibliografa

Recuperado por

https://www.recursosenprojectmanagement.com/metodo-de-montecarlo/

file:///C:/Users/deymer/Downloads/10-15-1-PB.pdf

https://es.slideshare.net/ingenierlaupt/modelos-probit-y-logit-presentation

11