El documento presenta una introducción al tema de simulación Monte Carlo con Excel. Explica conceptos básicos de probabilidad como variables aleatorias y distribuciones de probabilidad, así como técnicas para generar números aleatorios en Excel. También describe las etapas de una simulación Monte Carlo e introduce diferentes distribuciones de probabilidad que pueden usarse en una simulación, incluyendo distribuciones discretas y continuas.
2. Sesión 1. Fundamentos de probabilidad para simulación. Duración 3 horas. Variables aleatorias. Distribuciones de probabilidad. Ley de los grandes números. Teorema del límite central. Principios de la simulación MonteCarlo. Sesión 2. Números aleatorios. Duración 3 horas. Que son los números aleatorios y pseudo-aleatorios Generación de números aleatorios en Excel. Generación de forma dinámica. Generación de forma estática. Ejercicios. Sesión 3. Herramientas para simulación. Duración 3 horas. Un problema básico de simulación. Taller. Interpretación de resultados de la simulación. Sesión 4. Duración 3 horas. Herramientas adicionales a Excel para simulación MonteCarlo. Sesión 5. Duración 4 horas. Ejercicios de simulación con Excel aplicado a Finanzas. Taller. Interpretación de resultados de la simulación.
3.
4.
5.
6.
7. Tanto el riesgo como la incertidumbre se describen mediante variables aleatorias que hacen parte de las variables presentes en el modelo.
8.
9.
10.
11. Analisis de escenarios Debido a que la simulación monte carlo involucra la generación de un numero alto de escenarios, también puede ser entendida como una forma mas completa de realizar análisis de escenarios o análisis What-if
Muchas de estas respuestas al riesgo generan a su vez riesgos secundarios. Se aumenta el compromiso cuando el análisis muestra que se está siendo excesivamente cauteloso. Se busca más información cuando se quiere reducir la incertidumbre. Precauciones adicionales pueden ser medidas tales como un enfoque menos riesgoso o sobredimensionamiento. Se comparten los riesgos con quienes puedan manejar un posible impacto adverso. Los planes de contingencia debieran desarrollarse para manejar riesgos que se identifican pero no se eliminan, de modo de poder reaccionar en forma efectiva en caso que se presente la adversidad. No se hace nada cuando costaría demasiado hacer algo, o no hay nada que pueda razonablemente hacerse, se asume el riesgo.
El análisis de escenarios tiene las siguientes limitaciones: Las combinaciones crecen exponencialmente cuantas más variables aleatorias haya en juego. Definir la aleatoreidad de cada variable como valores con probabilidades discretas ignora la posibilidad que las variables sean de tipo continuo. No tiene en cuenta que los valores más probables tienen una probabilidad de ocurrencia mucho mayor que los extremos. Montecarlo genera una serie de escenarios posibles, pero tiene en cuenta todos los valores que una variable puede tomar y pondera cada escenario por su probabilidad de ocurrencia.
El análisis de escenarios tiene las siguientes limitaciones: Las combinaciones crecen exponencialmente cuantas más variables aleatorias haya en juego. Definir la aleatoreidad de cada variable como valores con probabilidades discretas ignora la posibilidad que las variables sean de tipo continuo. No tiene en cuenta que los valores más probables tienen una probabilidad de ocurrencia mucho mayor que los extremos. Montecarlo genera una serie de escenarios posibles, pero tiene en cuenta todos los valores que una variable puede tomar y pondera cada escenario por su probabilidad de ocurrencia.
Se usan para representar propiedades que son infinitamente divisibles (tiempo, distancia, masa) o variables discretas en las que el intervalo entre valores factibles es irrelevante en la práctica.
Uniform (0,l/2) se puede usar para estimar la distribución de la distancia entre una filtración y una junta en una cañería. Uniform (0,360) puede usarse para estimar la distribución de una posición angular de descanso de un mecanismo giratorio
Media : (a+b+c)/3 Desvío: ((a 2 +b 2 +c 2 - ab - ac - bc) / 18) 1/2 Por TCL, cuando se suman una cantidad de variables aleatorias, son la media y el desvío de las distribuciones las que tienten el mayor impacto por ser las que determinan la media y el desvío del resultado. La distribución triangular, al dar el mismo peso en la determinación de la media y el desvío de la distribución a los tres parámetros, puede llevar a distorsiones cuando alguno de los valores extremos no está bien definido o toma valores muy altos.
El sesgo de una distribución Normal es igual a 0. Un valor de sesgo >0 indica una distribución volcada hacia la izquierda (modo < media). Un valor de sesgo <0 indica una distribución volcada hacia la derecha (modo > media). Hay otras distribuciones que convergen a una Normal a medida que sus CV se acercan a 0: Lognormal, t de Student, Binomial, Poisson, Chi cuadrado, Binomial Negativa. Binomial (n,p) puede ser interpretada como la suma de n distribuciones independientes Binomial (1,p) por lo que razonando a partir de TCL se puede aproximar con Normal (np, (npq) 1/2 ) para n alto y p intermedio Poisson (lambda*t) es la suma de t distribuciones independientes Poisson (lambda) por lo que razonando a partir de TCL se puede aproximar con Normal [lambda*t ,(lambda * t) 1/2 ] para lambda * t > 20 Negbin (s,p) es la suma de s distribuciones independientes Negbin (1,p), por lo que razonando a partir de TCL se puede aproximar con Normal {s*(1-p)/p, [s*(1-p)] 1/2 /p} para s > 50 Gamma (alfa,beta) puede interpretarse como la suma de alfa distribuciones independientes Expon (beta), por lo que razonando a partir del TCL Gamma (alfa,beta) se puede aproximar con Normal (alfa * beta, (alfa) 1/2 * beta) La distribución Lognormal se puede aproximar con una Normal cuando mu > 6 * sigma La distribución Beta (alfa1, alfa2) se puede aproximar con una Normal cuando alfa1 y alfa2 son suficientemente grandes (cuando ambas son mayores que 10)
La distribución Normal Truncada muestrea de una distribución Normal con parámetros (mu,sigma) pero no registrará los valores que estén más allá del mínimo y el máximo indicados.
Los precios de las acciones tienen un sesgo positivo porque su valor mínimo no puede ser menor que 0 pero su valor máximo no tiene límite teórico.
La distribución Bernouilli es un caso especial de la distribución Binomial cuando n=1. La distribución Binomial se relaciona con la distribución Beta: Binomial estima el número de ocurrencias s en n pruebas cuando hay una probabilidad de éxito p en cada prueba, Beta estima el valor de p dados n y s.
La distribución geométrica es un caso especial de Binomial Negativa, donde s=1. La distribución geométrica está muy sesgada hacia la derecha. p(0) = p, indicando que la probabilidad que no haya fallas es igual a p, lo que es la probabilidad que el primer intento resulte un éxito.
Cuando s=1, la distribución binomial negativa se vuelve una geométrica. A medida que s aumenta y p no asume valores extremos, la Binomial Negativa se aproxima a una Normal
Al igual que p para un Proceso Discreto, lambda (1/beta) no es una variable sino un parámetro del sistema. Se usa una distribución de probabilidad para expresar nuestro grado de incertidumbre acerca de su valor. Cuando no se conocen los valores de los intervalos t i sino solamente el número de eventos n que ocurrieron en un intervalo total T , beta se estima como: beta = T/n
A medida que p tiende a 0, un Proceso Binomial se vuelve un Proceso Poisson. Cuando p es baja y n es suficientemente grande (np<1), la distribución Binomial (n,p) puede ser aproximada por una distribución Poisson (lambda*t) (lambda=p, t=n) Binomial (100,2%) = Poisson (0.02*100)
A medida que p tiende a 0, un proceso Binomial se convierte en un proceso Poisson. Con bajos valores de p, se necesita un n elevado para observar el evento. Exponencial (beta) modela el “tiempo” hasta observar el evento por primera vez, Gamma (alfa,beta) el “tiempo” hasta observar alfa eventos. Entonces, cuando p es baja Geomet (p) se puede aproximar con Expon (1/p) Negbin (s,p) se puede aproximar con Gamma (s, 1/p)
A medida que p tiende a 0, un proceso Binomial se convierte en un proceso Poisson. Con bajos valores de p, se necesita un n elevado para observar el evento. Exponencial (beta) modela el “tiempo” hasta observar el evento por primera vez, Gamma (alfa,beta) el “tiempo” hasta observar alfa eventos. Entonces, cuando p es baja Geomet (p) se puede aproximar con Expon (1/p) Negbin (s,p) se puede aproximar con Gamma (s, 1/p)
La distribución Beta es una distribución limitada (valor mínimo igual a 0) que no se basa en supuestos teóricos acerca del proceso de generación de los valores de la variable aleatoria. Los resultados de las distribuciones Binomial, Geométrica y Binomial Negativa modelan variabilidad. La probabilidad p es un parámetro fundamental del sistema Bernouilli y nunca puede ser observada, pero podemos estar progresivamente más seguros acerca de su verdadero valor a medida que contamos con más información. La distribución Beta puede usarse para cuantificar la incertidumbre respecto a este parámetro del sistema.
No importa cuántas iteraciones muestreemos, nunca sabremos el valor exacto de los parámetros de la población, pero cuantas más iteraciones corramos mayor va a ser la probabilidad que nuestros estimadores de los parámetros de la población estén dentro de un rango aceptable de los valores verdaderos.
No importa cuántas iteraciones muestreemos, nunca sabremos el valor exacto de los parámetros de la población, pero cuantas más iteraciones corramos mayor va a ser la probabilidad que nuestros estimadores de los parámetros de la población estén dentro de un rango aceptable de los valores verdaderos.
Según el TCL, la suma de n variables aleatorias independientes con idénticas distribuciones de probabilidad se distribuye según una distribución Normal cuando n es suficientemente grande. Si las variables provienen de una distribución Normal (mu,sigma) entonces la suma dará: Normal (n*mu, ((n) 1/2* *sigma) El n necesario para lograr la convergencia a una normal dependerá en parte de la forma de la distribución de las variables intervinientes: Si son Normales, basta con n=1 Si son simétricas aunque no necesariamente normales, n > 10 Si son asimétricas, n > 20 o 30 Si son altamente sesgadas (sesgo > 2) , n > 50. La mayor parte de los modelos son combinaciones de sumas y productos de variables aleatorias que tienen diferentes distribuciones de probabilidad. Por lo tanto, no debiera sorprender que los resultados de los modelos den distribuciones que estén entre Normal y Lognormal. Muchas distribuciones paramétricas pueden ser conceptualizadas como la suma de otras distribuciones idénticas. En general, si la media es mucho mayor que el desvío de estas distribuciones, se pueden aproximar mediante una Normal.
Según el TCL, la suma de n variables aleatorias independientes con idénticas distribuciones de probabilidad se distribuye según una distribución Normal cuando n es suficientemente grande. Si las variables provienen de una distribución Normal (mu,sigma) entonces la suma dará: Normal (n*mu, ((n) 1/2* *sigma) El n necesario para lograr la convergencia a una normal dependerá en parte de la forma de la distribución de las variables intervinientes: Si son Normales, basta con n=1 Si son simétricas aunque no necesariamente normales, n > 10 Si son asimétricas, n > 20 o 30 Si son altamente sesgadas (sesgo > 2) , n > 50. La mayor parte de los modelos son combinaciones de sumas y productos de variables aleatorias que tienen diferentes distribuciones de probabilidad. Por lo tanto, no debiera sorprender que los resultados de los modelos den distribuciones que estén entre Normal y Lognormal. Muchas distribuciones paramétricas pueden ser conceptualizadas como la suma de otras distribuciones idénticas. En general, si la media es mucho mayor que el desvío de estas distribuciones, se pueden aproximar mediante una Normal.
El análisis de escenarios tiene las siguientes limitaciones: Las combinaciones crecen exponencialmente cuantas más variables aleatorias haya en juego. Definir la aleatoreidad de cada variable como valores con probabilidades discretas ignora la posibilidad que las variables sean de tipo continuo. No tiene en cuenta que los valores más probables tienen una probabilidad de ocurrencia mucho mayor que los extremos. Montecarlo genera una serie de escenarios posibles, pero tiene en cuenta todos los valores que una variable puede tomar y pondera cada escenario por su probabilidad de ocurrencia.
