You are on page 1of 62

Sesin 1. Fundamentos de probabilidad para simulacin.

Duracin 3 horas.
Variables aleatorias.
Distribuciones de probabilidad.
Ley de los grandes nmeros.
Teorema del lmite central.
Principios de la simulacin MonteCarlo.
Sesin 2. Nmeros aleatorios.
Duracin 3 horas.
Que son los nmeros aleatorios y pseudo-aleatorios
Generacin de nmeros aleatorios en Excel.
Generacin de forma dinmica.
Generacin de forma esttica.
Ejercicios.
Sesin 3. Herramientas para simulacin.
Duracin 3 horas.
Un problema bsico de simulacin. Taller.
Interpretacin de resultados de la simulacin.
Sesin 4.
Duracin 3 horas.
Herramientas adicionales a Excel para simulacin MonteCarlo.
Sesin 5.
Duracin 4 horas.
Ejercicios de simulacin con Excel aplicado a Finanzas. Taller.
Interpretacin de resultados de la simulacin.

Que es la simulacin Monte


Carlo?
Mtodo computacional usado para estudiar el

comportamiento de sistemas matemticos,


fsicos o de cualquier ndole, a partir del uso de
muestreo estadstico, nmeros aleatorios y
pseudo-aleatorios.
Es iterativo -> requiere clculos por computador.
Las tcnicas de Monte Carlo pueden ser usadas
para encontrar soluciones aproximadas a
problemas cuantitativos, con o si incertidumbre.

Orgenes
Se atribuye a Stanislaw Ulam, matemtico polaco
que trabajo para John von Neumann en el
proyecto Manhattan durante la segunda guerra
mundial y contribuyo junto con Edward Teller en el
diseo de la bomba de Hidrogeno en 1951.
Ulam no invent el muestreo estadstico, pero
reconoci la el potencial de los computadores
electrnicos para automatizar el proceso.
Trabajando con John von Neuman y Nicholas
Metropolis, desarrollo algoritmos de
implementacin y explor formas de convertir
problemas no aleatorios en formas aleatorias para
ser solucionados via muestro estadstico.
Ulam y Metropolis publican el primer paper en 1949.

En este curso, usaremos la simulacin


Monte Carlo para el tratamiento de
problemas y modelos con incertidumbre.
Partiremos de modelos matemticos que
describan un problema o situacin y a los
cuales se les incorporarn componentes
probabilisticos.

Hay dos componentes que pueden


generar aleatoriedad en un modelo.
Riesgo: es un efecto aleatorio propio del
sistema bajo anlisis. Se puede reducir
alterando el sistema.
Incertidumbre es el nivel de ignorancia
del evaluador acerca de los parmetros
que caracterizan el sistema a modelar. Se
puede reducir a veces con mediciones
adicionales o mayor estudio, o consulta a
expertos.
La Variabilidad Total es la combinacin
de riesgo e incertidumbre.

Tanto el riesgo como la incertidumbre


se describen mediante variables
aleatorias que hacen parte de las
variables presentes en el modelo.

Para que queremos


modelar la variabilidad?
El riesgo no es algo que se
"sufre", el riesgo es algo que
se puede administrar.

Administracin del Riesgo


1.
2.
3.
4.
5.
6.
7.
8.
9.

Negociar las variables negociables


Buscar ms informacin
Aumentar el compromiso
Tomar precauciones adicionales
Compartir el riesgo
Transferir el riesgo
Formular planes de contingencia
No tomar medidas, asumir el riesgo
Cancelar el proyecto

1. Disear el modelo matemtico que representa

el problema con incertidumbre.


2. Especificar distribuciones de probabilidad para
las variables aleatorias relevantes.
3. Incluir posibles dependencias entre variables.
4. Muestrear valores de las variables aleatorias.
5. Calcular el resultado del modelo segn los
valores del muestreo y registrar el resultado.
6. Repetir el proceso iterativamente hasta tener
una muestra estadsticamente representativa.
7. Obtener la distribucin de frecuencias del
resultado de las iteraciones.
8. Calcular media, desvo y curva de percentiles
acumulados.

Debido a que la simulacin monte carlo involucra la generacin


de un numero alto de escenarios, tambin puede ser entendida
como una forma mas completa de realizar anlisis de
escenarios o anlisis What-if

Fundamentos de
probabilidad para
simulacin.

Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes nmeros.
Teorema del lmite central.

Fundamentos de
probabilidad para
simulacin.

Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes nmeros.
Teorema del lmite central.

Variables Aleatorias
Una Variable aleatoria X es una

funcin cuyos valores son nmeros


reales y dependen del azar.
Para caracterizar las variables

aleatorias se utilizan las


distribuciones de probabilidad.

Fundamentos de
probabilidad para
simulacin.
Variables Aleatorias

Distribuciones de

probabilidad

Ley de los grandes nmeros.


Teorema del lmite central.

Distribucin de
probabilidad

Una distribucin de probabilidad

describe el rango de valores que


puede tomar una variable aleatoria y
la probabilidad asignada a cada
valor o rango de valores.

Distribuciones de
probabilidad
Discretas
Una variable aleatoria representada

mediante una distribucin discreta de


probabilidad puede tomar un valor de
entre un conjunto de valores, cada uno de
los cuales tiene asignada una
determinada probabilidad de ocurrencia.
Ejemplos: Binomial, Geomtrica, Poisson,

Discreta.

Distribuciones de
probabilidad
Continuas
Una variable aleatoria representada

mediante una distribucin continua


de probabilidad puede tomar
cualquier valor dentro de un rango
determinado.

Ejemplos: Normal, Lognormal,

Uniforme, Triangular, Histograma

Distribuciones de
probabilidad
No Limitadas La variable aleatoria puede

tomar valores entre +infinito y infinito


(ejemplos: Normal, Logstica).
Limitadas Los valores de la variable
aleatoria quedan confinados entre dos
valores extremos (ejemplos: Binomial,
Beta, Uniforme, Triangular,
Histograma).
Parcialmente Limitadas Los valores de la
variable aleatoria quedan limitados en
uno de los extremos de la distribucin
(ejemplos: Poisson, Exponencial).

Distribuciones de
Paramtricas
probabilidad
La distribucin de probabilidad se ajusta a

la descripcin matemtica de un
proceso aleatorio que cumple con
determinados supuestos tericos.
Los parmetros que definen la distribucin
en general no guardan relacin intuitiva
con la forma de la distribucin.
Ejemplos: Normal, Lognormal, Exponencial,
Beta.

Distribuciones de
probabilidad
No Paramtricas
Los parmetros que se usan para definir
estas distribuciones describen la
forma de la distribucin.
No se apoyan en una teora que
describa el proceso de generacin de
valores aleatorios.
Ejemplos: Triangular, Histograma,
General, Uniforme, Acumulada

Distribuciones de
probabilidad
Subjetivas
El uso de estas distribuciones de

probabilidad es la nica alternativa para


describir una variable aleatoria cuando:
1. No hay una base de antecedentes.
2. Los datos del pasado no son relevantes.
3. Los datos son escasos y no cubren todo el

rango de posibles valores.


4. Es demasiado caro generar datos.
5. Generar valores llevara demasiado tiempo

DISTRIBUCIONES NO
PARAMETRICAS

Uniforme

Todos los valores dentro del rango factible

tienen la misma densidad de probabilidad.


Parmetros : Uniform (min,max)
Aplicaciones: U(0,1) se usa en la generacin de
los valores de todas las dems distribuciones
de probabilidad en el muestreo aleatorio.
Es una aproximacin muy cruda para usar
como estimacin de la incertidumbre percibida
de un parmetro

Triangular
Aplicaciones: estimar subjetivamente la

distribucin de la variable aleatoria


cuando todo lo que puede precisarse
de la misma es el valor mnimo, el valor
ms probable y el valor mximo.
Parmetros: Triang (min, +prob, max)

Triangular
(cont.)
Sus propiedades estadsticas se derivan de su

forma, no de una teora subyacente.


Es de definicin intuitiva y de gran flexibilidad
en cuanto a geometras posibles.
La forma de la distribucin usualmente lleva a
sobreestimar la densidad de las colas y a
subestimar la densidad en el tronco de la
distribucin.

Histograma

Histograma

Aplicaciones: representar la forma de la

distribucin de una serie de datos o la


opinin de un experto acerca de la forma
de la distribucin de una variable.

Parmetros: Histogram (min, max, {pi})


Todos los intervalos de la distribucin

tienen el mismo ancho.

Discreta

Discreta

Aplicaciones:
1. Describir una variable aleatoria que puede

tomar uno de entre un conjunto de valores


discretos.
2. Describir probabilidades condicionales para
distintos estados de la naturaleza, donde cada
estado de la naturaleza tiene una probabilidad de
ocurrencia p.
3. Armar distribuciones de probabilidad
compuestas a partir de la opinin de dos o ms
expertos, donde a la opinin de cada experto se
le otorga una ponderacin p.

Parmetros: Discrete ({xi},{pi})

DISTRIBUCIONES
PARAMETRICAS

Normal
Aplicaciones: una variedad de

situaciones, como se desprende del


Teorema Central del Lmite.
Es til en finanzas pues la suma o

diferencia de distribuciones Normales


resulta tambin en una distribucin
Normal con parmetros que pueden ser
determinados a partir del TCL.
Parmetros: Normal (mu,sigma)

Normal
La mayora de las variables aleatorias que

se presentan en los estudios relacionados


con las ciencias sociales, fsicas y biolgicas,
son continuas y se distribuyen segn la
distribucin de probabilidad Normal, que
tiene la siguiente expresin analtica
:
2

1
f ( x, , )
2

1 x

Donde es la media de la variable aleatoria

y es su desviacin tpica.

Normal
La distribucin de probabilidad
Normal, tiene forma de
campana
Para una variable aleatoria X,
que se distribuye
normalmente con media :
y desviacin tpica : , la
probabilidad de que la
variable X est comprendida
entre los valores a y b es el
rea teida de rojo en la
siguiente figura

Esta probabilidad
analticamente se
puede calcular as:

1
p ( a X b)
a
2
b

Como el clculo de esta


integral es laborioso,
para calcular el rea
se realiza el siguiente
cambio de variable:

1 x

Este cambio origina una distribucin


normal estndar de media = 0 y
desviacin tpica = 1 cuya funcin de
densidad es :

Estimacin
subjetiva de los
parmetros de una
Normal

Media: Valor ms probable


Desvo: el intervalo +/- 2*sigma

contiene el 95% de los valores, por lo


tanto:
Sigma: (mximo - ms probable) / 2

Lognormal
Aplicaciones: modelar variables que son el

producto de una cantidad de otras variables


aleatorias que ocurren naturalmente.
Generalmente brinda una buena representacin
de variables que se extienden de 0 a +inf y
que tienen un sesgo positivo.
Parmetros: Lognormal (mu,sigma)

Se usan como parmetros la media aritmtica y


el desvo standard de los datos disponibles.

Condiciones
subyacentes de una
distribucin
Lognormal

La variable aleatoria puede tomar valores

que aumentan sin lmites pero no puede


tomar valores negativos.
La variable aleatoria tiene un sesgo

positivo (modo < media) con la mayor


parte de los valores cerca del lmite
inferior.
El logaritmo natural de la variable se

ajusta a una distribucin Normal.

Distribuciones de
probabilidad para Procesos
estocasticos Discretos
Un Proceso Discreto se caracteriza por

una probabilidad p de ocurrencia de un


evento discreto en cada prueba.

Binomial
Aplicaciones: estimar la distribucin de la

cantidad s de ocurrencias de un evento


en n pruebas, cuando hay una
probabilidad p de ocurrencia del evento
en cada prueba.
Parmetros: Binomial (n,p)
Para n>30 o cuando p es alta, la

distribucin Binomial puede ser


aproximada por una distribucin Normal
((np),(npq)1/2).

Condiciones
subyacentes a una
distribucin
Binomial

En cada prueba slo hay dos resultados

posibles
Las pruebas son independientes (lo que

ocurre en la primera prueba no afecta a la


segunda, y sucesivamente).
La probabilidad de ocurrencia del evento

se mantiene constante a travs de las


pruebas (no hay un proceso de
aprendizaje)

Geomtrica
Aplicaciones: estimar la cantidad n de

pruebas necesarias hasta la ocurrencia


del primer evento, cuando la probabilidad
p de ocurrencia de un evento se mantiene
constante en el tiempo.

Parmetros: n = 1 + Geometric (p)


La distribucin Geomtrica es anloga a la

distribucin Exponencial: Geomtrica se


aplica a variables discretas, Exponencial
se aplica a variables continuas.

Condiciones
subyacentes de una
distribucin
Geomtrica
La cantidad de eventos no est

prefijada.
Se contina con las pruebas hasta

lograr el primer xito.


La probabilidad de xito p es constante

a travs de las pruebas.

Binomial Negativa
Aplicaciones: estimar la distribucin de

la cantidad n de pruebas hasta que


ocurran s eventos, cuando la
probabilidad p de ocurrencia de un
evento es constante en el tiempo.
Parmetros: n = s + Negbin (s,p)

s es el parmetro que le da la forma a la


distribucin.

Condiciones
subyacentes de una
distribucin
Binomial Negativa
La cantidad de pruebas no est

prefijada.
Se contina con las pruebas hasta que

se observa la cantidad de eventos (s)


buscada.
La probabilidad de xito p es constante

de prueba a prueba.

istribucin
Hipergeomtrica
Al igual que la distribucin Binomial,

esta distribucin describe la cantidad


de ocurrencias de un evento en una
cantidad de pruebas.
La diferencia con la distribucin

Binomial es que a medida que se


avanza con las pruebas cambia la
probabilidad de ocurrencia del
evento: pruebas sin reemplazo.

Condiciones
subyacentes de
una distribucin
Hipergeomtrica
La cantidad total de elementos de una

poblacin es finita.
La muestra representa una porcin de la

poblacin.
La probabilidad de ocurrencia del evento

en la poblacin es conocida y cambia


ligeramente luego de cada prueba.

Distribuciones de
probabilidad para Procesos
Continuos

Un Proceso Continuo se caracteriza por un


Intervalo Medio de Tiempo entre Eventos
(beta).

Estimacin del Intervalo


Medio de Tiempo entre
Eventos
beta es el (beta)
intervalo de exposicin

promedio entre n eventos observados.


El verdadero valor de beta puede ser
estimado a partir de n eventos
observados valindose del TCL:
beta = Normal (t,sigma/(n-1)1/2)
t = promedio de los n-1 intervalos contiguos
sigma = desvo standard de los ti intervalos.

La precisin de la estimacin de beta

aumenta a medida que aumenta n.

Poisson
Aplicaciones: estimar la cantidad N de

ocurrencias de un evento en un
intervalo de tiempo T cuando el
tiempo medio entre eventos sucesivos
(beta) se ajusta a un proceso tipo
Poisson.

Parmetros: N = Poisson (lambda * t)

lambda = 1 / beta
Lambda se puede interpretar como la
cantidad promedio de ocurrencias del
evento por unidad de exposicin.

Condiciones
subyacentes a
una distribucin
Poisson
La cantidad de eventos por unidad de

exposicin no est limitada a un valor


discreto.

Los eventos son independientes entre s

(el nmero de eventos en un intervalo de


exposicin no afecta al nmero de
eventos en otro intervalo de exposicin).

La cantidad promedio de eventos se

mantiene constante de intervalo a

Exponencial
Aplicaciones: estimar la distribucin del

(tiempo) entre ocurrencias sucesivas de un


evento que tiene una probabilidad de
ocurrencia p constante por unidad de (tiempo).
Parmetros: Expon (beta)
Si la probabilidad p de ocurrencia del evento
es constante a travs del tiempo, la
estimacin del tiempo que medie hasta la
ocurrencia del prximo evento es
independiente del tiempo que haya
transcurrido desde la ltima ocurrencia.

Gamma

Aplicaciones: estimar la distribucin del

(tiempo) entre ocurrencias sucesivas de


un evento n veces cuando el evento
tiene una probabilidad de ocurrencia p
constante por unidad de (tiempo).
Parmetros: Gamma (n, beta)

Beta
Aplicaciones: estimar la probabilidad de

ocurrencia p de un evento, a partir de la


observacin de s eventos en n pruebas.
Parmetros: Beta (alfa1,alfa2)
alfa 1 : s+1
alfa2: n-s+1
La distribucin Beta puede tomar muchas
formas, segn los valores de alfa1 y alfa2.
A medida que aumenta n, se gana
precisin en la estimacin de p (la
distribucin de p se comprime)

Dada la gran variedad de formas que puede


asumir segn los valores asignados a los
parmetros, la distribucin Beta tambin se
usa para describir datos empricos.
Si los valores de ambos parmetros son

iguales, Beta es simtrica.


Si alfa1 es menor que alfa2, la distribucin

est sesgada hacia la derecha.


Si alfa1 es mayor que alfa2, la distribucin

est sesgada hacia la izquierda

Fundamentos de
probabilidad para
simulacin.
Variables Aleatorias
Distribuciones de probabilidad

Ley de los grandes

nmeros.

Teorema del lmite central.

Ley de los Grandes Nmeros


(desigualdad de Tschebycheff)
Cuanto mayor sea el tamao de la

muestra, mayor ser el ajuste entre la


distribucin muestral y la distribucin
terica sobre la que se basa la muestra.

la frecuencia relativa de los resultados de

un cierto experimento aleatorio, tienden a


estabilizarse en cierto nmero, que es
precisamente la probabilidad , cuando el
experimento se realiza muchas veces

Ley de los Grandes Nmeros


(desigualdad de
Tschebycheff)

Ver simulacin del experimento

Fundamentos de
probabilidad para
simulacin.
Variables Aleatorias
Distribuciones de probabilidad
Ley de los grandes nmeros.

Teorema central del

lmite.

Teorema Central del Lmite


(TCL)

La media muestral de un conjunto de n

variables muestreadas en forma


independiente a partir de una misma
distribucin f(x) se ajusta a una distribucin
aprox. Normal con los siguientes parmetros:
x = Normal ( mu, sigma / n1/2 )
En otras palabras, la distribucin del
promedio de un conjunto de variables
aleatorias depende tanto de la cantidad de
variables aleatorias promediadas como de la
incertidumbre aportada por cada variable.

Teorema Central del Lmite


(cont.)

La suma de n variables aleatorias

independientes da como resultado una


distribucin aproximadamente Normal,
sin importar la forma de la distribucin
de las variables sumadas.
El producto de n variables aleatorias
independientes da como resultado una
distribucin aproximadamente
Lognormal, independientemente de la
forma de la distribucin de las variables
intervinientes.

Teorema Central del Lmite


(cont.)

1. Disear el modelo matemtico que representa

el problema.
2. Especificar distribuciones de probabilidad para
las variables aleatorias relevantes.
3. Incluir posibles dependencias entre variables.
4. Muestrear valores de las variables aleatorias.
5. Calcular el resultado del modelo segn los
valores del muestreo y registrar el resultado.
6. Repetir el proceso iterativamente hasta tener
una muestra estadsticamente representativa.
7. Obtener la distribucin de frecuencias del
resultado de las iteraciones.
8. Calcular media, desvo y curva de percentiles
acumulados.