Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EXPOSICIÓN RISK
ECONOMETRÍA BÁSICA
Y X1 X2 X3 X4 X5
521 18308 185 4,041 79,6 7,2
367 1148 600 0,55 1 8,5
443 18068 372 3,665 32,3 5,7
365 7729 142 2,351 45,1 7,3
614 100484 432 29,76 190,8 7,5
Usted puede entonces escribir las variables a utilizar y las transformaciones que desee
realizar sobre la variable dependiente y las variables independientes. Puede notar que solo
puede colocar una variable como variable dependiente mientras que puede colocar
múltiples variables independientes
También puede utilizar funciones matemáticas básicas (por ejemplo, LN, LOG, LAG,
TIME, RATE, DIFF, FORECAST, RESIDUAL, +, -, /, *, etc.).
Por lo cual el modelo puede ser usado para interpolar y encontrar datos faltantes así
como también otras variables macroeconómicas como la tasa de inflación, y bienes
básicos o retornos de mercado.
Rendimientos
Años
al contado
0,0833 4,55%
0,2500 4,47%
0,5000 4,52%
1,0000 4,39%
2,0000 4,13%
3,0000 4,16%
5,0000 4,26%
7,0000 4,38%
10,0000 4,56%
20,0000 4,88%
30,0000 4,84%
Seleccione la celdas C15:C25 como los valores de X conocidos (estos son los valores
ubicados en el eje-X de la grafica de series de tiempo) y seleccione las celdas D15:D25
para los valores Y conocidos ( es importante verificar que la cantidad de datos de X y Y
conocidos sean iguales).
12,00
15,00
15,00
16,00
15,00
12,50
13,60
14,50
15,00
16,00
10,00
EXTRAPOLACIÓN NO LINEAL
Y X1 X2 X3 X4 X5
521 18308 185 4,041 79,6 7,2
367 1148 600 0,55 1 8,5
443 18068 372 3,665 32,3 5,7
365 7729 142 2,351 45,1 7,3
614 100484 432 29,76 190,8 7,5
1. Escoja el área de donde se encuentran los datos, incluya los encabezamientos (B5:G55)
2. De Click en Simulador de Riesgo l Pronóstico l Avanzado | Analisis de Regresión.
3. Escoja la Variable Dependiente (en este ejemplo, la variable Y). También las modificaciones que
considere necesarias (Regresores de Rezago, Regresión No Lineal, Regresión Escalonada)
de Click en OK. Revise el informe generado de la regresión con los reportes analíticos.
LA CURVA LOGÍSTICA S
Por ejemplo:
El desarrollo de un embrión se parte desde un ovulo fecundado y la célula comienza a
crecer.
Un Proceso Estocástico en una secuencia de eventos o caminos generados por las leyes
de probabilidad. Esto significa que eventos aleatorios pueden ocurrir en el tiempo, pero
son regidos por leyes estadísticas y probabilísticas específicas.
Procedimiento
Concepto:
Es el proceso de diseñar un modelo de un sistema real y realizar experimentos con él para
entender el comportamiento del sistema y/o evaluar estrategias para la operación del
mismo.
Contexto del Modelo
Se ilustra un modelo muy sencillo con dos supuestos (Ingresos Brutos y Costos) y un
pronóstico final (Ingreso Neto).
El modelo es un modelo dinámico, sobre el cual se pueden crear suposiciones y
pronósticos de tipo Monte Carlo. Después de ejecutar la simulación, los resultados pueden
ser extraídos y analizados posteriormente. En este modelo también podemos organizar
diferentes preferencias de simulación, ejecutar una simulación con el error y los controles
precisión, y establecer distintos valores iniciales.
Este ejemplo ilustra cómo utilizar el Simulador de Riesgos:
1. Ejecutar una simulación Monte Carlo.
2. Visualización e interpretación de los pronósticos.
3. Estableciendo valores iníciales.
4. Estableciendo preferencias
5. Extracción de los datos de la simulación.
6. Creación de nuevos perfiles y cambios entre perfiles de Simulación.
1. Ejecutando una Simulación Monte Carlo
Para ejecutar este modelo, simplemente:
1. Seleccione Simulador de Riesgo l Nuevo Perfil de Simulación (o haga Click sobre el
ícono Nuevo Perfil) y establezca un nombre.
2. Seleccione la celda G8 y de Click en Simulador de Riesgo l Entrada de Supuesto (o de
Click en el ícono Supuesto de Entrada).
3. Seleccione Distribución Triangular y establezca el Mínimo = 1.50, Mayor Probabilidad
= 2.00, y Máximo = 2.25 y presione OK.
4. Seleccione la celda G9 y establezca otro supuesto. En esta ocasión utilice Distribución
Uniforme con Mínimo = 0.85 y Máximo = 1.25.
5. Seleccione la celda G10 y establezca esta celda como el resultado del Pronóstico
haciendo Click en Simulador de Riesgo l Pronóstico de Salida.
6. Seleccione Simulador de Riesgo l Correr Simulación (o haga Click en el ícono Correr)
para comenzar la simulación.
2. Visualización e Interpretación de los Resultados del Pronóstico
Aquí se muestra la tabla de pronóstico cuando la Simulación se está ejecutando. Una vez
que la simulación se lleva a cabo, la tabla de pronóstico puede ser utilizada. La tabla de
pronóstico tiene varias pestañas, entre las que se incluyen el Histograma, Estadísticas,
Preferencias y Opciones. De particular interés son las primeras dos. Por ejemplo, la
primera pestaña (Histograma) muestra la distribución de probabilidad del pronóstico en
forma de un histograma, donde los valores específicos pueden determinarse utilizando las
celdas de certeza. Por ejemplo, seleccione Doble vinculo ingrese 90 en la celda de certeza
(Certeza %), y presione tab. El intervalo de confianza se despliega hasta el 90% (0.5273
y 1.1739). Lo que significa que existe un 5% de probabilidad de que los ingresos
disminuyan (se ubiquen) por debajo de $0.5273 y otro 5% de probabilidad de que
aumenten (se ubiquen) por encima de $1.1739. Alternativamente, usted puede seleccionar
en el Tipo Cola Izquierda e ingresar 1.0 en el cuadro de datos, y presionar tab, podrá ver
como la certeza de la cola izquierda es de 74.30%, indicando que existe un 74.30% de
probabilidad de que los ingresos decrecerán por debajo de $1.0 (alternativamente, existe
un 25.70% de probabilidad de que las ganancias excedan a $1.0).
La pestaña de Estadísticas muestra los resultados estadísticos del pronóstico
Un aspecto a tener en cuenta es que sus resultados no serán exactamente los mismos que
aquí se ilustran, debido a que se ejecutó una simulación (generación de números
aleatorios), y por la misma naturaleza del proceso aleatorio Monte Carlo, los resultados
no serán exactamente iguales cada vez. Sin embargo, si usa un valor Semilla, (ver
siguiente sección), los resultados serán idénticos cada vez que se ejecute el programa.
Fijar un valor Semilla es especialmente importante cuando se desea obtener los mismos
valores en cada simulación (por ejemplo, es necesario el modelo inicial para regresar al
mismo resultado para un reporte impreso o para una presentación).
3. Estableciendo un Valor Semilla.
1. Reinicie la simulación seleccionando Simulador de Riesgo l Restablecer Simulación
2. Seleccione Simulador de Riesgo l Editar Perfil de Simulación.
3. Seleccione la celda Especificar la secuencia de números aleatorios.
4. Ingrese un valor Semilla (por ejemplo, 999) y presione OK.
5. Ejecute la nueva simulación y verifique que los resultados son los mismos que los que
se obtuvieron en la simulación anterior.
Debe notar que la secuencia de números aleatorios o número semilla debe ser un valor
entero positivo. Ejecutando el mismo modelo con los mismos supuestos y pronósticos,
con idénticos valores semilla y el mismo número de pruebas o ensayos siempre darán los
mismos resultados. El número de pruebas que se lleven a cabo puede ajustarse desde la
misma ventana de propiedades.
4. Estableciendo Preferencias
La ventana de preferencias le permite especificar el número de pruebas a ejecutar en una
simulación. Además, la simulación puede detenerse si se llegara a encontrar un error de
cómputo en Excel (por ejemplo, #NUM or #ERROR). Las Correlaciones también pueden
especificarse entre pares de supuestos ingresados, y si se selecciona la opción Activar
Correlaciones, dichas correlaciones específicas serán integradas en la simulación.
5. Extrayendo Datos de la Simulación
Los supuestos de la simulación y los datos derivados del pronóstico son almacenados en
la memoria hasta que la simulación se restablece o cuando Excel se cierra. Si es necesario,
estos datos pueden ser extraídos en una hoja de cálculo de Excel. Para extraer los datos,
es necesario:
1. Ejecutar la simulación.
2. Una vez que la simulación haya terminado, seleccionar Simulador de
Riesgo\Herramientas \ Exportar Datos.
3. Seleccionar los supuestos relevantes o los pronósticos a extraer y hacer Click en OK.
La Simulación Correlacionada
Este ejemplo ilustra cómo utilizar el Simulador de Riesgo para:
1. Llevar a cabo una simulación con variables correlacionadas
2. Extraer datos y determinar las correlaciones finales
Contexto del Modelo
Este modelo ilustra cómo establecer variables correlacionadas en una simulación Monte Carlo,
extrayendo los datos, y confirmando que las correlaciones estén estrechamente relacionadas con
las correlaciones de entrada en el modelo.
Modelo Correlacionado
Solamente abra el perfil existente, ejecute la simulación, extraiga los datos, y calcule una matriz
de correlación. Los resultados por 5,000 pruebas son proporcionados en este ejemplo. Debe tener
en cuenta que las entradas en correlaciones pares fueron de 0.50 y las correlaciones resultantes
calculadas de los datos son muy similares a las correlaciones requeridas de entrada.
Pares de correlaciones de 0.50 entre todas las variables:
A 100,00
B 100,00
C 100,00
D 100,00
E 100,00
F 100,00
Para reproducir el conjunto de datos, solamente establezca todas las variables como Distribución
Normal con Media=100 y Desviación Estándar =10, N~(100, 10) y correlaciones de 0.5 para cada
variable. Ejecute 5,000 pruebas con un valor semilla de 123456.
A B C D E F
93,75 86,07 77,84 86,76 96,26 89,85
91,36 93,30 95,84 102,04 86,40 91,88
102,29 90,24 102,00 108,01 104,83 103,81
104,64 90,19 97,91 89,48 99,95 105,91
86,79 89,54 80,49 70,12 89,42 87,11
97,32 100,99 110,57 92,41 107,92 91,80
105,90 102,93 101,27 105,66 95,94 106,76
84,60 77,91 84,40 75,55 88,60 85,29
79,74 85,90 87,52 86,16 81,27 93,13
106,69 93,61 98,69 91,62 93,50 97,38
97,70 91,11 100,40 116,27 99,43 100,63
98,40 98,83 93,95 99,96 90,52 90,85
Matriz de Correlación
A B C D E F
A 1
B 0,49 1
C 0,52 0,49 1
D 0,51 0,51 0,50 1
E 0,52 0,51 0,51 0,51 1
F 0,50 0,48 0,50 0,49 0,50 1
Contexto de Modelo
Este ejemplo ilustra cómo utilizar el Simulador de Riesgos para:
Los resultados de las estadísticas de la simulación indican que las variables negativamente
correlacionadas proporcionan un valor ajustado o una desviación estándar más pequeña
que el total del nivel de riesgo en el modelo.
Esta relación existe debido a que las correlaciones negativas proporcionan un efecto de
diversificación en las variables, y por lo tanto, tienen a hacer que la desviación estándar
sea ligeramente más pequeña. Así que necesitamos asegurarnos de ingresar correlaciones
cuando en efecto existan correlaciones para esas variables. De otra manera, este efecto no
será tomado en cuenta dentro de la simulación.
El modelo de correlación positiva tiene una desviación estándar más amplia. Una
correlación positiva tiente a hacer que ambas variables apunten en la misma dirección,
haciendo que los extremos finalicen más ampliamente, por lo mismo se incrementa el
riesgo en general. Por lo tanto, el modelo sin correlaciones tendrá una desviación estándar
ubicada entre las correlaciones de los modelos correlacionados positiva y negativamente.
Observe que los valores previstos o medios no cambian mucho. De hecho, si se ejecutan
suficientes pruebas de simulación, los valores teóricos y empíricos de las medias
permanecen iguales. El primer momento (Media) no cambia en las correlaciones. Sólo el
segundo momento (dispersión) cambiará.
Debe tener en cuenta que esta característica existe solamente en modelos sencillos que
tengan una relación positiva. Por ejemplo, un modelo Precio x Cantidad es considerado
un modelo con una relación "positiva" (como Precio + Cantidad), en donde una
correlación negativa disminuye el rango mientras que una correlación positiva aumenta
el rango.
Lo contrario sucede cuando existen modelos con relación negativa. Por ejemplo, Precio /
Cantidad o Precio - Cantidad serían modelos con relación negativa, y una correlación
positiva reduciría el rango del pronóstico variable, mientras que una correlación negativa
incrementaría el rango. Finalmente, para modelos más complejos (por ejemplo, modelos
más grandes con variables múltiples que interactúan con relaciones positivas y negativas
y en ocasiones con correlaciones negativas), los resultados son más difíciles de predecir
y no pueden resolverse teóricamente. Sólo llevando a cabo una simulación se mostrarían
los rangos reales y los resultados serán determinados. En tal caso, un Análisis de Tornado
y un Análisis de Sensibilidad serían los más apropiados.
MODELO DE CORRELACIÓN
Estos son los valores extraídos sin procesar de la simulación. Están correlacionados para
verificar si en efecto las correlaciones que se ingresaron en los supuestos son las
correlaciones que se modelaron. El Coeficiente de Correlación Pearson es una correlación
lineal paramétrica, y los resultados indican que las correlaciones ingresadas (+0.80 and -
0.80) son de hecho correlaciones entre las variables. Ver "Modeling Risk,"del Dr.
Johnathan Mun (Wiley 2006) para mayor información.
Correlación Correlación
Positiva de Positiva de
Precio Cantidad
1,95 0,91
2,02 1,04
1,89 0,91 Correlación de Pearson:
2,05 1,03
1,84 0,91 0,78
1,98 1,01
1,93 1,01
1,89 0,93
1,86 0,92
2,11 1,00
1,88 0,91
2,18 1,09
2,03 1,08
1,89 0,93
2,11 1,07
Correlación
Correlación Negativa
Negativa de
de Precio Cantidad
1,89 1,06
1,89 1,09
1,96 0,93 Correlación de Pearson:
2,00 1,02
1,96 1,02 -0,78
1,92 1,10
1,84 1,10
1,81 1,10
1,87 1,09
1,81 1,10
1,96 1,04
2,04 0,96
2,10 1,02
2,04 0,98
1,99 1,02
5. Estimación de Costos