SIMULACIÒN DE NEGOCIOS

EXPOSICIÓN RISK

1. Modelo Pronostico Avanzado

ECONOMETRÍA BÁSICA

Conjunto de Datos de 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

Para construir un modelo econométrico, simplemente seleccione el conjunto de datos

(B5:G55) y seleccione Simulador de Riesgo | Pronóstico | Avanzado | Econometría
Básica.

También puede utilizar funciones matemáticas básicas (por ejemplo, LN, LOG, LAG,
TIME, RATE, DIFF, FORECAST, RESIDUAL, +, -, /, *, etc.).

SPLINE CÚBICO DE EXTRAPOLACIÓN E INTERPOLACIÓN

El modelo polinomial Spline Cúbico de Interpolación y Extrapolación, es usado para

"llenar los vacios" o los datos faltantes en un conjunto de datos. Por ejemplo: serie de
tiempo de tasas de interés.

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.

Para correr el pronóstico del modelo de Spline Cubico, de Click en:

Simulador de Riesgo / Pronóstico / Avanzado /Spline Cúbico

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).

Ingrese el número de períodos deseados para el pronóstico (por ejemplo, Comenzar: 1,

Finalizar: 50, Tamaño del Paso: 0.5). De Click en OK y revise los pronósticos y la
gráfica generada.

LA DISTRIBUCIÓN PERSONALIZADA Y EL MÉTODO DE DELFOS

Es una metodología muy poderosa de simulación No Paramétrica, útil para pronosticar

cuando se tienen muy pocos datos o en ocasiones ningún dato (históricos, comparables
o del mercado) y confía principalmente en las opiniones de expertos consultados sobre
un asunto determinado para obtener y tratar la información.

12,00
15,00
15,00
16,00
15,00
12,50
13,60
14,50
15,00
16,00
10,00

1. Organice los valores obtenidos a través del Método de Delfos:

2. Cree un nuevo perfil (Simulador de Riesgo l Nuevo Perfil) y asígnele un nombre
3. Seleccione los datos (B14:B24) y de Click Copiar (Click derecho Copiar o
Ctrl+C)
4. Escoja una celda vacía y cree un nuevo supuesto de entrada: Simulador de Riesgo
l Supuesto de Entrada, seleccione la Distribución Personalizada y de Click en el
icono de Crear Distribución.
5. En la nueva ventana, de Click en Pegar y luego en Actualizar Grafica para
visualizar la nueva Distribución Personalizada.
6. De Click en Archivo | Guardar y guarde la nueva distribución en la ubicación que
usted desee y cierre Diseñador de Distribuciones Personalizadas.
7. Maximice el cuadro de Supuestos y de Click en el icono de Abrir Distribución y
abra la distribución personalizada previamente creada por usted. De Click en OK
definir el supuesto.
8. Corra la simulación como de costumbre
EL PRONÓSTICO CON CADENAS DE MARKOV

El Proceso de Markov es útil para estudiar la evolución de sistemas con múltiples y

repetidos ensayos en períodos de tiempo sucesivos. El estado del sistema en un cierto
periodo en particular es desconocido y nos interesa conocer la probabilidad de que un
estado particular exista.

Para generar un proceso de Markov, siga las siguientes instrucciones:

1. De Click en Simulador de Riesgo l Pronóstico l Avanzado | La Cadena de Markov

2. Ingrese las probabilidades relevantes del estado (por ejemplo, 90 y 80 por ciento) y
luego Click en OK.
3. Revise el informe del pronóstico generado.

EXTRAPOLACIÓN NO LINEAL

La Extrapolación No Lineal implica hacer proyecciones estadísticas usando las

tendencias históricas que se proyectan para un periodo específico de tiempo. Solo se usa
para el pronóstico de series de tiempo. La Extrapolación es bastante segura, relativamente
sencilla y económica.

1. Seleccione el área donde se encuentran los datos históricos (E13:E24).

2. De Click en Simulador de Riesgo l Pronóstico l Avanzado | Extrapolación No Lineal.
3. Escoja el tipo de la función y los períodos de extrapolación que se requieren y de Click
en OK

ANÁLISIS DE REGRESIÓN MULTIPLE

Es utilizado para ejecutar regresiones lineales con variables independientes múltiples. Se

debe comenzar con la variable de mayor correlación.

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

Una función logística o curva logística modelan la curva-S de crecimiento de alguna

variable X. La etapa inicial del crecimiento es aproximadamente exponencial; luego el
crecimiento se hace lento, y en la madurez el crecimiento se detiene. Estas funciones
encuentran aplicaciones prácticas en distintos campos, desde la biología hasta la
economía.

Por ejemplo:
El desarrollo de un embrión se parte desde un ovulo fecundado y la célula comienza a
crecer.

1. De Click en Simulador de Riesgo l Pronóstico l Avanzado | Curvas J-S

2. Seleccione los valores deseados (puede colocar los del ejemplo)
3. De Click en OK y revise el informe del pronóstico.
PRONÓSTICO CON PROCESOS ESTOCÁSTICOS

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.

Para correr este modelo, simplemente:

1. Seleccione Simulador de Riesgo l Pronóstico l Avanzado | Procesos Estocásticos.

2. Ingrese un conjunto de valores relevantes o use los valores planteados para construir
un caso de prueba.
3. Escoja el proceso pertinente para simular.
4. De Click en Actualizar Tabla para ver el cálculo actualizado del camino individual. o
de Click en OK para crear el proceso.
DESCOMPOSICIÓN SERIES DE TIEMPO Y LÍNEAS DE TENDENCIA

El Pronóstico de Series de Tiempo descompone los datos históricos en línea base,

tendencia y estacionalidad, si existen. Entonces el modelo aplica un proceso de
optimización para encontrar los parámetros Alfa, el Beta, y el Gamma para los
coeficientes de línea base, tendencia y estacionalidad y entonces reagruparlos en un
pronóstico.

Ingresos Históricos por Ventas

Año Trimestre Período Ventas

2012 1 1 $684,20
2012 2 2 $584,10
2012 3 3 $765,40
2012 4 4 $892,30
2013 1 5 $885,40
2013 2 6 $677,00
2013 3 7 $1.006,60
2013 4 8 $1.122,10
2014 1 9 $1.163,40
2014 2 10 $993,20
2014 3 11 $1.312,50
2014 4 12 $1.545,30
2015 1 13 $1.596,20
2015 2 14 $1.260,40
2015 3 15 $1.735,20
2015 4 16 $2.029,70
 2016 1 17 $2.107,80
2016 2 18 $1.650,30
2016 3 19 $2.304,40
2016 4 20 $2.639,40

Procedimiento

Para correr este modelo, simplemente:

1. Escoja los datos históricos (las células E25:E44).
2. Seleccione Simulador de Riesgo l Pronóstico l Líneas de Tendencia.

2. Modelo Básico de Simulación

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.

6. Creando Nuevos Perfiles y Alternando entre Perfiles de Simulación.

Un mismo modelo puede tener varios perfiles en el Simulador de Riesgos. Es decir,
diferentes usuarios pueden usar el mismo modelo base, o crear sus propias simulaciones,
pronósticos, preferencias, y demás. Todas estas preferencias son almacenadas en
diferentes perfiles y cada uno puede ser ejecutado independientemente. Esta es una
característica poderosa que permite que varios usuarios ejecuten el mismo modelo a su
manera, o que un mismo usuario ejecute el modelo bajo diferentes condiciones, por lo
tanto, permitiendo distintos análisis con la simulación Monte Carlo. Para crear diferentes
perfiles y cambiar entre éstos, simplemente:
1. Cree varios perfiles nuevos haciendo Click en Simulador de Riesgo l Nuevo Perfil de
Simulación.
2. Agregue los supuestos relevantes, los pronósticos, o cambie las preferencias como
desee según se desee en cada perfil de simulación.
3. Cambie entre diferentes perfiles de simulación haciendo Click en Simulador de Riesgo
\ Cambiar Perfil de Simulación.
 3. Simulación de Correlación

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

Correlación Promedio: 0,50

4. Modelo de Efectos de Correlación

Contexto de Modelo
Este ejemplo ilustra cómo utilizar el Simulador de Riesgos para:

1. Crear Simulaciones Correlacionadas y comparar resultados entre los modelos

correlacionados y no correlacionados.
2. Extraer y calcular manualmente (verificando) las correlaciones de los supuestos.

Contexto del Modelo

Nombre del Archivo: Modelo Correlación de Efectos.xls
Este modelo ilustra los efectos de simulaciones correlacionadas contra las simulaciones
no correlacionadas. Esto es cuando un par de supuestos simulados no están
correlacionados, positivamente correlacionados, y negativamente correlacionados; los
resultados pueden variar algunas veces. Adicionalmente los datos sin procesar producto
de la simulación son extraídos y se realizan cálculos manuales de los pares de variables
correlacionadas. Los resultados indican que las correlaciones se mantienen después de la
simulación.

Ejecutando una Simulación Monte Carlo

Para ejecutar este modelo, simplemente:

1. Haga Click en Modelo de Correlación y replique los supuestos y pronósticos.

2. Ejecute la simulación haciendo Click en el ícono Correr o en Simulador de Riesgo l
Correr Simulación.

Visualización e Interpretando los Resultados del Pronóstico

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

Sin Correlación Correlación

Correlación Positiva Negativa
Precio $2,00 $2,00 $2,00
Cantidad 1,00 1,00 1,00
Ingresos
Brutos $2,00 $2,00 $2,00
Para replicar este modelo, utilice los siguientes supuestos:
Los Precios se establecen como Distribuciones Triangulares (1.8, 2.0, 2.2)
mientras que la Cantidad se establece como Distribuciones Uniformes (0.9, 1.1)
con correlaciones establecidas en 0.0, +0.8, -0.8 para 1,000 pruebas con valor
semilla de 123456.

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

Este modelo ilustra cómo utilizar el Simulador de Riesgo para:

1. Ejecutar una Simulación Monte Carlo en un proyecto multi-fases para pronosticar
costos y sobrecostos.
2. Simular eventos discretos (éxito/fracaso y resultados de proceder/no proceder) y
vincular estos eventos.
3. Vincular los parámetros de entrada como supuestos de simulación para calcular
las celdas del modelo.
Contexto del Modelo
Este es un modelo de estimación de costos utilizado para pronosticar el costo potencial y
los sobrecostos de un proyecto multi-fase, utilizando la simulación, en la cual las fases
posteriores del proyecto dependerán de las primeras fases. Es decir, no se puede proceder
a la segunda fase hasta que la primera fase haya sido exitosa, y así sucesivamente.
Ejemplo
En este ejemplo, el modelo estima el costo total de un proyecto con 5 fases, en el cual en
cada fase, puede que existan varias sub-fases. Por cada fase o sub-fase, el costo mínimo,
máximo y más probable estimado es obtenido y simulado. Estos costos estimados
dependen de los pronósticos semanales requeridos en cada fase y en el costo por semana.
Estos costos son simulados a través de un parámetro vinculado a las Distribuciones
Triangulares. Por ejemplo, la celdas en la columna G son supuestos distribucionales
vinculados a las columnas H, I y J. Además, las estimaciones de los costos mínimos,
máximos y más probables en estas columnas dependen en las estimaciones del tiempo de
finalización y costo por semana en las columnas L hasta la O. Los sobrecostos en cada
fase y sus probabilidades también son simulados en la columna P. Una probabilidad de
éxito se basa en las experiencias del pasado y en estimaciones de expertos en la materia,
enlistados en la columna Q. Utilizando estas proyecciones de éxito/fracaso del proyecto,
las distribuciones de Bernoulli se encuentran en la columna R para simular los eventos
discretos de un éxito (1) o un fracaso (0). Entonces vinculamos estos eventos en la
columna S en donde solamente si el periodo previo fue exitoso la fase actual continuará;
asumiendo que también es exitosa. De lo contrario, si las fases previas fueron un fracaso,
todas las fases futuras se cancelarán y el proyecto se detiene en ese punto. Finalmente,
los valores en la columna K son los valores esperados después de contabilizar para los
resultados simulados, el tiempo para completar el proyecto, los costos por semana, las
estimaciones de sobrecostos, y éxitos o fracasos para cada fase.
 Modelo de Costos Estimados
Este modelo es utilizado para estimar el costo total de fabricación de un producto en
particular, dadas las incertidumbres de cada elemento del costo, la probabilidad de
excedentes de mercancías y varios acuerdos de responsabilidades.
 Estructura de Trabajo
Fase 1 Conceptualización
Tiempo añadido para remodelar el producto
Fase 2 Inicialización
Volver a trabajar en el concepto
Modificar los conceptos existentes
Fase 3 Desarrollo
Investigación y Desarrollo Adicionales
Aplicar IP externa
Fase 4 Fabricación
Volver a hacer los prototipos
Volver a hacer los modelos y el trabajo
Fase 5 Mercado
Investigación de mercado adicional
Reposicionamiento
  Resultados
Las tablas de resultados para pronósticos muestran una distribución trimodal (una
distribución con tres picos), debido a la simulación de eventos discretos que se llevaron
a cabo (por ejemplo, las probabilidades de éxito y fracaso). La probabilidad de tipo Cola
Derecha estimada para un punto simple que se encuentra en un 41.60%, lo cual significa
que existe un 41.60% de probabilidad de que el costo total esperado de este proyecto de
$385,555 no será suficiente. Por lo tanto, para que tenga una certeza de 95% de que los
fondos serán los adecuados para cubrir el costo del proyecto, se necesitan $452,429.