Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Probabilísticos usando
@RISK 7.6, en el marco de
los contenidos mínimos del
Invierte.Pe
RISK PERÚ SAC es distribuidor autorizado
de Palisade
1.- EXPOSITOR
Presidente del Capitulo de Ingeniería Económica del Colegio de
Ingenieros del Perú – CD Lima, CEO de la consultora Risk Perú
Inversiones SAC y Catedrático de las Maestrías en Proyectos de
Inversión de la Universidad Nacional de Ingeniería de Lima y
Universidad Nacional San Agustín de Arequipa. Tiene experiencia
en evaluaciones económicas y financieras de proyectos, valoración
económica de EIA, análisis de riesgos de VAN. Facilitador de
talleres como: Riesgos, HAZOP, contingencia de CAPEX y
Cronograma con @Risk y Risk Primavera Analysis. Realizó
proyectos de consultoría y ha proveído de entrenamiento en
análisis de riesgo a empresas que incluyen: Antamina, Las
Bambas, Quellaveco, Volcan, Antapacay, Jacobs, Ausenco, Lavalin,
Bisa, Cesel, Maximixe, Cotinex, entre otras.
2.- INTRODUCCIÓN AL ANÁLISIS DE
SENSIBILIDAD Y RIESGO PROBABILÍSTICO
2.- INTRODUCCIÓN AL ANÁLISIS DE
SENSIBILIDAD Y RIESGO PROBABILÍSTICO
Al momento de hacer la evaluación, suele existir
desconocimiento sobre el comportamiento futuro de las
variables del proyecto, como por ejemplo:
Todo ello puede afectar
• La evolución de la economía local, nacional e internacional. el valor de los
• Los tiempos y el monto a invertir en el proyecto. indicadores de
• La obsolescencia de la tecnología. rentabilidad (VAN, TIR)
• Las modificaciones en la moda.
• Los factores climáticos que afectan las cosechas.
• Los cambios en las regulaciones y/o en las políticas de la
actividad. Riesgo
• Etc.
Incertidumbre
2.1.- Exigencias del Anexo N° 07: Contenido
Mínimo del Estudio de Preinversión a Nivel de
Perfil para Proyectos de Inversión
2.1.- Exigencias del Anexo N° 07: Contenido
Mínimo del Estudio de Preinversión a Nivel de
Perfil para Proyectos de Inversión
2.1.- Exigencias del Anexo N° 07: Contenido Mínimo
del Estudio de Preinversión a Nivel de Perfil para
Proyectos de Inversión
2.2.- Análisis de Sensibilidad
Efectos que producen sobre el VAN las variaciones en los valores
de las variables
Es necesario elegir rangos de variación “razonables” para cada variable, acordes con la
información disponible. (leer documento N° xxx)
PARA UNA VARIABLE (X) Sensibilidad del VAN a la cantidad anual vendida
• En algunos proyectos existen relaciones entre las variables que influyen en los
indicadores de rentabilidad. Por ejemplo, la cantidad de agua disponible para
riego afecta la producción de uva, pero si se cosecha poca uva su precio puede
ser más alto. En estos casos, es necesario considerar las posibles relaciones entre
esas variables.
2.3.- Análisis de Riesgos Probabilístico
¿Por qué surgen los métodos que consideran la
probabilidad de ocurrencia?
1,5 0,5
Probabilidad
Probabilidad
0,4
1
0,3
0,2
0,5
0,1
0 0
1200 800 1000 1200 1400 1600
Beneficio neto del año 1 Beneficio neto del año 1
2.3.- Análisis de Riesgos Probabilístico
¿Cuál es el método que considera la probabilidad de
ocurrencia más usado?
Método de simulación con el
Modelo MONTE CARLO
Permite obtener una distribución probabilística del
VAN, a través de la selección aleatoria de valores de
las distintas variables que en él inciden, acorde con la
distribución de probabilidades de cada una.
VAN i
m
1
• Desviación estándar VAN ( VAN i VANe )2
(m 1) i1
VAN
CVVAN donde los VANi son los m valores del VAN obtenidos.
• Coeficiente de variación VANe
• Tabla de frecuencias
• Histograma
• Cantidad de VAN superiores e inferiores a determinado valor
2.3.- Análisis de Riesgos Probabilístico
Modelo MONTECARLO
Histograma
Porcentajes del
Concepto Valores
total de casos 100
80
Frecuencia
Valor medio del VAN 8790,69 60
Desviación estándar 5041,01
40
Coeficiente de variación 0,5734
VAN negativos 12 4,00% 20
VAN inferiores a $ 3000 34 11,33% 0
VAN inferiores a $ 6000 85 28,33% -4.500 1.500 7.500 13.500 19.500
VAN
2.4.- Modelo Híbrido de Risk Perú SAC
Software de
Cualitativo Cuantitativo Riesgos
2.4.- Modelo Híbrido de Risk Perú SAC
Cualitativo
2.4.- Modelo Híbrido de Risk Perú SAC
Cuantitativo
2.4.- Modelo Híbrido de Risk Perú SAC
Software de
Riesgos
3.- INTRODUCCIÓN AL TOPRANK Y @RISK
3.1.- Introducción al TopRank
3.1.- Introducción al TopRank
Ajuste de Distribución
• Ajuste de distribución de probabilidad
utilizando información histórica de la
variable.
• Para efectos didácticos, se presentará este
material de forma posterior
3.2- Introducción al @RISK
Ventana de Modelo
• Desplegar variable(s) de salida actuales
además de todas las funciones de
distribución introducidas en la hoja de
cálculo en la ventana de Modelo del @RISK.
3.2- Introducción al @RISK
Visor de datos
• Esta función interactiva le permite ver cualquier
conjunto de datos de Excel utilizando gráficos y
tablas de @RISK. Puede crear histogramas, gráficos
acumulativos, de tendencias o diagramas de caja
3.2- Introducción al @RISK
Configuración de la simulación
• Define cómo se realizará la simulación:
• Número de iteraciones, métodos de números
aleatorios, control del proceso de simulación,
velocidad, convergencia, etc.
• No hay que estar en alguna celda en particular para
configurar la simulación
3.2- Introducción al @RISK
Ejecución de la simulación
• Este es el núcleo de todo el proceso
• @RISK toma control del proceso de cálculo de Excel para
generar números aleatorios, generar distribuciones de
probabilidad (correlacionadas o no) y generar los datos,
estadísticos, reportes y gráficos
3.2- Introducción al @RISK
Generación de gráficos y reportes
Añadir superposición
• Este ícono le permite sobreponer una distribución encima de una
distribución primaria.
• Esto es útil para comparar visualmente la forma de distribuciones
alternativas.
• Se pueden superponer varias distribuciones. (@RISK 7.5)
3.2- Introducción al @RISK
Superposición de distribuciones
3.2- Introducción al @RISK
Parámetros de la distribución
•Especifique como entradas, los parámetros
estándar de una distribución
•Especifique como entradas, percentiles
seleccionados de una distribución
•Especifique como entradas, una combinación
de parámetros estándar y percentiles de
distribución
3.2- Introducción al @RISK
Truncamiento
• Al seleccionar Límites de truncamiento
pondrá una entrada para Trunc. Min y
Trunc. Max en el Panel de argumento de
distribución, permitiendo que la
distribución sea truncada para los valores
especificados.
4.- VARIABLES ALEATORIAS
CORRELACIONADAS EN @RISK
4.- VARIABLES ALEATORIAS
CORRELACIONADAS EN @RISK
4.- VARIABLES ALEATORIAS
CORRELACIONADAS EN @RISK
4.- VARIABLES ALEATORIAS
CORRELACIONADAS EN @RISK
4.- VARIABLES ALEATORIAS
CORRELACIONADAS EN @RISK
5.- INTRODUCCIÓN A LA SELECCIÓN DE
FUNCIONES DE DISTRIBUCIÓN
5.1.- Funciones de Distribución Teóricas
Criterios Generales
Contexto Refinando la Selección
• Disponibilidad de datos? • Simétrica o Sesgada?
• Estandares de la Industria? • Rangos?:
• Pueden “min”/“max”
ocurrir?
Características Básicas
• Requerimientos a
• Discreta versus continua? capturar?
• Existe un valor más frecuente (most • Parametrización usando
likely value)? (si no, por qué?) percentiles?
5.1.- Funciones de Distribución Teóricas
Distribución Normal
• Descripción
– La distribución más importante de todas pues
describe muchos fenómenos naturales como
el CI de las personas o su altura.
– Se utiliza en aplicaciones científicas y técnicas
en donde la variabilidad del fenómeno es
explicado por una sóla causa
• Ejemplos
– Variación de procesos
– Tasas de inflación Variables de entrada
– Precios de bienes • Media
– Errores de medición • Desviación estándar
– Muestreo de poblaciones • Min, max & shift (desplazamiento) (opcional)
– Pronósticos de volumen
– Programación de maquinarias
5.1.- Funciones de Distribución Teóricas
Distribución Uniforme
Descripción
– Todos los valores ocurren entre un valor mínimo y un
máximo con igual probabilidad de ocurrencia
– Dada su forma, también se le conoce como
distribución rectangular
– Se utiliza cuando cualquier valor entre un máximo y
un mínimo posee la misma probabilidad de
ocurrencia.
– Ejemplos Variables de entrada
– Generación de números aleatorios (no enteros) •Valor mínimo esperado
– Muestras de tiempo tomadas en intervalos aleatorios • Valor máximo esperado
– Localización de una perforación en una llanta
5.1.- Funciones de Distribución Teóricas
Distribución Triangular
Descripción
– Utilizada cuando se conocen los valores
mínimo, máximo y más probable
– Utilizadas cuando los límites superior e
inferior se encuentran a igual distancia
respecto del resultado esperado
– Es fácil de calcular y de generar, pero
posee una limitada capacidad para
modelar con precisión estimaciones de
Variables de entrada
la vida real.
• Valor más probable (moda)
Ejemplos • Valores máximo y mínimo
• Shift (desplazamiento) (opcional)
– Precio de productos
– Costos de manufacturación
5.1.- Funciones de Distribución Teóricas
Distribución PERT
Descripción
– Alternativa a la Triangular
– Los mismos 3 parámetros, pero utiliza curvas
suavizadas para no enfatizar tanto las colas.
– Provee de un valor “más probable” en vez de
enfocarse hacia los valores extremos
– Describe el impacto de los eventos extremos de
una manera más realista
Examples Variables de entrada
– Precios de producto • Valor más probable (moda)
• Valores máximo y mínimo
– Costos de manufactura • Shift (desplazamiento) (opcional)
– Volumen de ventas
– Precios de materias primas
5.1.- Funciones de Distribución Teóricas
Distribución Triangular vs. PERT
Comparación
– Tasas de interés
5.1.- Funciones de Distribución Teóricas
Distribuciones Estandar en la Industria: Ejemplos
Finanzas y Seguros
Petróleos y Gas
• Normal para modelar cambios en precios de un
periodo al siguiente (para periodos cortos; • Normal: Porosidad (%), % de
lognormal para periodos largos) minerales abundantes, elementos
quimicos o oxidos en rocas
• Poisson para modelar la ocurrencia de eventos
(crashes en el mercado, # reclamos de seguro, • Lognormal: Estimados de reservas
terremotos,…) en campos, permeabilidad
• Seguros: Pareto (o Lognormal) para modelar
distribuciones de severidad/ magnitud de eventos
5.2.- Ajuste de Distribuciones de los Datos
(Información Histórica)
• Sólo se utilizan en las versiones industrial y professional.
• Muestreo directo desde datos históricos
• Ventajas:
• No requiere matemáticas
• No requiere de la estimación de distribuciones de probabilidad o sus parámetros
• Desventajas:
• El set de datos históricos necesita ser suficientemente amplio para representar todos
los efectos que se tratan de capturar. (Muestra Vs Población)
• Asume que el futuro se comporta igual que el pasado pero en un orden distinto; los
datos podrían ser ajustados si fuera necesario
• No detectará ninguna auto-correlación serial de los datos
5.2.- Ajuste de Distribuciones de los Datos
(Información Histórica)
• Tests utilizados:
• Maximo Probable Estimador (Maximum likelihood estimation)
• Chi-square
• Anderson Darling
• Komolgorov Smirinov
• Root Mean Square
• Medidas Estadísticas
• Bondad de la regresión
• Ranking
5.2.- Ajuste de Distribuciones de los Datos
(Información Histórica)
5.2.- Ajuste de Distribuciones de los Datos
(Resultados de Ajustes)
5.2.- Ajuste de Distribuciones de los Datos
(Gráficos de Probabilidad-Probabilidad (P-P))
• Grafican la distribución de los datos
de entrada (valor de frecuencia
relativa acumulada para cada
intervalor) versus F(xi) para la
distribución ajustada.
• Si el ajuste es “bueno”, el gráfico
sera casi todo lineal.
• Los gráficos P-P sólo están
disponibles para los ajustes a datos
muestrales.
5.2.- Ajuste de Distribuciones de los Datos
(Gráficos Cuartil-Cuartil (Q-Q))