Análisis de Riesgos

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

Cantidad VAN 19000

8.000 -794,50
8.200 1.114,46 14000
8.400 3.023,42
VAN

8.600 4.932,38 9000

8.800 6.841,34
9.000 8.750,30 4000
9.200 10.659,26
9.400 12.568,22
-1000
9.600 14.477,19 8000 8400 8800 9200 9600 10000
9.800 16.386,15 Cantidad anual vendida
10.000 18.295,11
2.2.- Análisis de Sensibilidad
PARA DOS VARIABLES
Sensibilidad del VAN a la cantidad y al precio

Cantidad Precio de venta

5 5,5 6 6,5 7
8.000 -19.884,11 -10.339,30 -794,50 8.750,30 18.295,11
8.200 -18.452,39 -8.668,96 1.114,46 10.897,88 20.681,31
8.400 -17.020,67 -6.998,62 3.023,42 13.045,47 23.067,51
8.600 -15.588,95 -5.328,28 4.932,38 15.193,05 25.453,71
8.800 -14.157,23 -3.657,94 6.841,34 17.340,63 27.839,91
9.000 -12.725,50 -1.987,60 8.750,30 19.488,21 30.226,11
9.200 -11.293,78 -317,26 10.659,26 21.635,79 32.612,31
9.400 -9.862,06 1.353,08 12.568,22 23.783,37 34.998,51
9.600 -8.430,34 3.023,42 14.477,19 25.930,95 37.384,71
9.800 -6.998,62 4.693,76 16.386,15 28.078,53 39.770,92
10.000 -5.566,90 6.364,10 18.295,11 30.226,11 42.157,12
2.2.- Análisis de Sensibilidad - Ventajas
El análisis de sensibilidad permite visualizar la forma en que cada variable incide en
el VAN del proyecto y se dispone de más información sobre los probables resultados
del proyecto.

Por ejemplo, si se sensibiliza el VAN respecto de la cantidad producida anualmente y

del precio de venta del bien, se pueden identificar los rangos de combinaciones de
valores de esas variables que permiten obtener VAN positivos. Si se piensa que esas
combinaciones son razonables, puede concluirse que la ejecución del proyecto es
conveniente, mientras que si no es así, se plantean dudas sobre su conveniencia.
2.2.- Análisis de Sensibilidad - Limitaciones
• Pueden presentarse dificultades al definir los rangos dentro de los cuales
puede variar cada variable, debido a la falta de información histórica o
desconocimiento del comportamiento futuro por los especialistas del proyecto.

• 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?

Los métodos que no la consideran sólo agregan información de

rangos o escenarios, pero no indican
CUÁL ES LA PROBABILIDAD DE OCURRENCIA DE CADA UNO DE
ELLOS
Distribución de probabilidades de una Distribución de probabilidades de una
variable no aleatoria variable aleatoria

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.

Se puede trabajar con muchas variables aleatorias

2.3.- Análisis de Riesgos Probabilístico
Modelo MONTE CARLO
Pasos a seguir:
• Definir variable dependiente: VAN.
• Identificar variables independientes: precio del bien, etc.
• Definir las interrelaciones existentes entre variables.
• Clasificar las variables en ciertas y aleatorias.
• Identificar la distribución de probabilidades de los valores de cada
variable: normal, uniforme, triangular, etc. (en base a la información
disponible y/o a la experiencia).
• Generar k números aleatorios para cada una de las variables aleatorias
a partir de su respectiva distribución de probabilidades.
• Calcular el conjunto de VAN.
2.3.- Análisis de Riesgos Probabilístico
Modelo MONTECARLO
¿Qué permite lograr su aplicación?
UNA DISTRIBUCIÓN DE PROBABILIDADES DEL VAN
, m

 VAN i

• VAN Esperado VANe  i1

m
,

m
1
• Desviación estándar  VAN    ( VAN i  VANe )2
(m  1) i1
 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

•Para determinar cuáles variables “parecen”

afectar en mayor magnitud las variables clave.
•Util para evaluar variables en su modelo de hoja
electrónica antes de incorporar el riesgo.
3.1.- Introducción al TopRank
3.1.- Introducción al TopRank
3.1.- Introducción al TopRank
3.1.- Introducción al TopRank
3.2- Introducción al @RISK
3.2- Introducción al @RISK
• Para evaluar la exposición asociada a una decisión en
particular
• (“add-in”) a Excel
• Fácil acceso a métodos avanzados para evaluar la
incertidumbre de resultado(s) “clave” de su análisis
• Luego, puede después “decirle” cuáles factores inciertos
fueron más influyentes a la hora de crear los resultados.
3.2- Introducción al @RISK
Preliminares

• ¡No tenga más de un modelo @RISK 7.5 abierto al

mismo tiempo!
• Intente mantener su modelo en un solo libro de trabajo
con varias o muchas hojas
• Localice las funciones @RISK en celdas individuales y
utilice referenciamiento de celdas.
3.2- Introducción al @RISK
Cargando el @RISK 7.5

• Muévase a la ventana o celda o área de interés

• Luego haga clic derecho.
• Si en tal localización existen capacidades de @RISK,
entonces aparecerá un menú tipo sensible
3.2- Introducción al @RISK

Inserción de distribuciones @RISK

• Se transforma el modelo determinístico en un
modelo estocástico o probabilístico
• @RISK 7.5 proveerá las herramientas y
distribuciones para esta importante tarea.
3.2- Introducción al @RISK
Paleta de distribuciones
3.2- Introducción al @RISK

Definición de Variables de Salida

• Uno o más variables de salida definidas por este
ícono.
• Una variable de salida puede también ser una
variable de entrada
• Funcionalidad mejorada en el 7.5 para nombrar
variables de salida.
3.2- Introducción al @RISK
Insertar Función
• Introduce una función @RISK en la fórmula de la
celda activa.
• Puedes agregar directamente en la celda del Excel
una variable de salida como una variable de
entrada.
3.2- Introducción al @RISK
Inserción de Correlaciones
• Definir correlaciones entre funciones de
probabilidad.
• Para efectos didácticos, se presentará este
material de forma posterior
3.2- Introducción al @RISK

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

• Existen al menos 3 formas distintas para

generar gráficos y reportes en @RISK:
• Ventana resumen
• Reportes de Excel
• Estadísticos @RISK
3.2- Introducción al @RISK
Gráfico del @RISK 7.5
3.2- Introducción al @RISK
Histogramas y Gráficos Acumulados
3.2- Introducción al @RISK
Delimitadores
“¿Cuál es la probabilidad de ocurrencia de un resultado
entre 1 millón y 2 millones?” y “¿Cuál es la probabilidad
de que ocurra un resultado negativo?”
3.2- Introducción al @RISK
Superposición de histograma y curvas
acumulativas en un solo gráfico
3.2- Introducción al @RISK
Gráfico de Tornado
3.2- Introducción al @RISK
Gráfico de Araña
3.2- Introducción al @RISK
Diagrama de Dispersión
3.2- Introducción al @RISK
Tendencia Resumen
3.2- Introducción al @RISK
Gráfico Caja Resumen
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
3.2- Introducción al @RISK
 3.2- Introducción al @RISK

Probabilidad (evento) = Resultados favorables al evento

3.2- Introducción al @RISK
 3.2- Introducción al @RISK
Configuración de la simulación
Número de iteraciones, número de simulaciones (SIMTABLE) y nombre
de simulaciones, opciones antes de realizar la Simulación.

Visualizar gráficos de salida de resultados de simulación, ventana

resumen, modo demo o paso a paso, Mostrar ventana de progreso y
Actualizar durante Simulación y Pausar Error de Celdas

Tipo de Muestreo, Generador de Número Aleatorio (Rev. Word), Semilla

Inicial
 3.2- Introducción
Tipo de Muestreo al @RISK
Monte Carlo es estrictamente aleatoria, por lo que un valor en una serie puede estar
cerca o muy lejos del valor anterior en la misma serie.

Latin Hypercube es un enfoque estratificado para seleccionar los números aleatorios

para los cálculos en los que es más probable que la selección coincida con la
distribución de entrada, particularmente en la selección que representa los valores en
las colas de las distribuciones. Obtenemos más precisión para el mismo número de
iteraciones o podemos obtener la misma precisión con menos iteraciones comparado
con la selección de datos de Monte Carlo estrictamente aleatoria

Ejemplo 2: Muestreo Monte Carlo Vs Latino

Hipercubico

(*) Recomendamos (Palisade, Javier Ordoñez, James Murtha, David Hulett)

utilizar Latino Hipercúbico
3.2- Introducción al @RISK
Semilla Inicial
Hacer que el @RISK use la misma semilla para cada simulación.
Cuando usted introduce un valor semilla fijo distinto de cero para
el generador de números aleatorios, se repetirá exactamente la
misma secuencia de números aleatorios, simulación tras
simulación. Los números aleatorios se utilizarán para generar las
muestras desde las funciones de distribución. El mismo número
aleatorio siempre retornará el mismo valor muestreado, de una
función de distribución dada. El valor semilla debe ser un número
entero entre 1 y 2147483647.
3.2- Introducción al @RISK
Configuración de la simulación
La pestaña Macros le permite especificar que se ejecute una macro de
Excel antes, durante o después de una simulación.
http://www.palisade-lta.com/development/examples.asp#integrated

A medida que se ejecutan numerosas iteraciones, las distribuciones

de
variables de salida generadas se tornan más “estables”. Las
distribuciones se estabilizan porque los estadísticos que las
describen
cambian cada vez menos a medida que se ejecutan iteraciones
adicionales.
3.2- Introducción al @RISK

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

Ejemplo de parámetros alternativos

3.2- Introducción al @RISK
Parámetros alternativos
• Los parámetros alternativos permiten especificar
valores de localizaciones específicos de percentiles
de una distribución de entrada en lugar de los
argumentos tradicionales utilizados por la
distribución.
• Los percentiles que se van a introducir se
especifican en el cuadro de diálogo Parámetros de
distribución alternativos.
3.2- Introducción al @RISK
Parámetros alternativos
• Con los parámetros alternativos, usted posee
la opción de:
• Especificar percentiles acumulados
descendentes lo cual especifica que los
percentiles utilizados para parámetros
alternativos serán expresados en términos
acumulados descendentes de probabilidad.
Los percentiles introducidos en este caso
especifican la probabilidad de que el valor
sea mayor al valor de x introducido en el
argumento.
3.2- Introducción al @RISK
Factor de desplazamiento
• Al seleccionar Factor de desplazamiento se
pondrá una entrada para el Desplazamiento en
el panel de argumento de distribución.
• Un factor de desplazamiento desplaza el
dominio de la distribución en donde es utilizado
en la magnitud del desplazamiento introducido.
• Este factor puede ser positivo o negativo
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

– PERT refleja más cercanamente las distribuciones

de probabilidad de la vida real
– Provee de un ajuste cercano a una distribución
normal o lognormal
– Igual que la Triangular, enfatiza el valor más
probable por sobre los estimados máximo y mínimo
– A difrencia de la Triangular, provee de una curva
suave que enfatiza progresivamente los valores
cercanos al valor más probable en contraposición
con los valores hacia los extremos Elementos clave
– Se puede confiar en el valor del estimado del valor •Las distribuciones triangulares están bien para datos simétricos
más probable. Aún cuando no sea exactamente •PERT describe más precisamente distribuciones normales
preciso, será muy cercano •Utilice la PERT preferentemente al conocer el min, max y el valor más
– Produce una curva similar a la normal sin conocer probable

los parámetros precisos

5.1.- Funciones de Distribución Teóricas
Distribución Binomial
Descripción
– RiskBinomial(n,p) = probabilidad de alcanzar
determinado número de éxitos en n pruebas
independientes, en donde la probabilidad de éxito
para cada prueba es de p, y cada una de las
pruebas posee sólo dos posibles resultados
(“éxito” o “fracaso”)
– Describe el resultado de una serie de pruebas que Variables de entrada
• n = número de pruebas
sólo puede ser o un éxito o un fracaso • p = probabilidad de ocurrencia de cada resultado
• Min, max & shift (opcional)
– A medida que se incrementa la media, el perfil
Ejemplos
converge hacia una distribución normal. Bajo – Lanzamiento de moneda
ciertas condiciones, se puede utilizar la – Muestras defectuosas en un lote
distribución normal como una aproximación.
5.1.- Funciones de Distribución Teóricas
Distribución Lognormal
Descripción
– Utilizada cuando los valores están positivamente
sesgados
– Sirve para modelar la vida útil de unidades cuyos
modos de falla son de una naturaleza que se fatiga
ante el estrés, incluyendo a muchos sistemas
mecánicos
Ejemplos
– Precios de acciones Variables de entrada

– Valores de bienes inmobiiarios • Media

• Desviación estándar
– Análisis de fallas • Min, max & shift (desplazamiento) (opcional)

– 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))

• Grafican los valores de percentil

del resultado (F-1(Pi)).
• Si el ajuste es “bueno”, el gráfico
será mayormente lineal.
• Los gráficos Q-Q sólo están
disponibles para los ajustes a
datos muestrales.
5.3.- Juicios Expertos para Estimar de
Distribución de Probabilidad
6.- FLUJO DE CAJA DE UN PROYECTO
SOCIAL