Determinísticos

Tipos
de
modelos

Probabilísticos
Es un modelo matemático donde unos
datos ingresados, producen un resultado.

Probabilísticos
 Determinísticos

Tipos
de
modelos

Probabilísticos
Son modelos que Determinísticosla
contemplan
incertidumbre debido a que por lo menos el
valor de una variable es tomado al azar en
Tipos
función a distribuciones de probabilidad,
de
sirven por lo general para realizar grandes
modelos
series de muestreo.
 Determinísticos

La simulación de Monte Carlo es una técnica que

combina conceptos estadísticos (muestreo aleatorio)
Tipos
con la capacidad que tienen los ordenadores para
de
generar números pseudo-aleatorios y automatizar
modelos
cálculos.
 Los orígenes de esta Determinísticos
técnica están
ligados al trabajo desarrollado por Stan
Ulam y John Von Neumann a finales de
Tipos los 40 en el laboratorio de Los Alamos
(EEUU), cuando investigaban el
de movimiento aleatorio de los neutrones
modelos para el desarrollo de la bomba atómica.
Stan Ulam

En la década de los 70, esta técnica se

hace más popular y comienza a ser
utilizado en diversas áreas como ser
informática y economía.
John Von Neumann
La simulación de Monte Carlo está presente en todos
aquellos ámbitos en los que el comportamiento
Determinísticos
aleatorio o probabilístico desempeña un papel
fundamental; precisamente, el nombre de Monte Carlo
proviene de la famosa ciudad de Mónaco, donde
abundanTipos
los casinos de juego y donde el azar, la
probabilidad
de y el comportamiento aleatorio conforman
todo un estilo de vida.
modelos

Ciudad y Casinos de Monte Carlo

En el mercado existen de hecho varios complementos de
Excel (Add-Ins) específicamente diseñados para realizar
Determinísticos
simulación Monte Carlo, siendo los más conocidos:

Tipos
de
modelos
 Determinísticos
DIVISIÓN GENERAL DE LA ESTADÍSTICA
 Cuantitativas

Tipos
de
variables

Cualitativas
Son aquellas
Tipos que se cuentan, pueden tomar valor
enteros positivos.
de
modelos
Ejemplos: cantidad de estudiantes inscritos en la
materia, cantidad de sillas en el curso, cantidad de
focos que tiene el aula, etc.
Son aquellas
Tipos que dentro de un intervalo de clase o
rango pueden tomar valores infinitos, es decir se
de
pueden medir y los valores pueden estar expresados en
modelos
fracciones.
Ejemplos: peso de una persona, estatura de un alumno,
ventas de una empresa, etc.
 Determinísticos
Agrupamiento de datos en categorías mutuamente
excluyentes, que indican el número de observaciones
en cada categoría.
Ejemplo: AUTOVENTA "SANTA CRUZ"

Precio de venta de vehículos Cantidad de

(Ex. en $us) vehículos

desde 5.000 hasta 10.000 13

desde 10.000 hasta 15.000 21
desde 20.000 hasta 25.000 35
desde 25.000 hasta 30.000 39
desde 30.000 hasta 35.000 12
desde 35.000 y más 5
TOTAL 125
 Determinísticos
Las clases se marcan en el eje horizontal y las
frecuencias de clase en el eje vertical. Las frecuencias
están Tipos
representadas por las alturas de las barras.
Ejemplo:
de
modelos
 Determinísticos
Similar al histograma, consiste en unir con una línea los
puntos medios de los techos de los rectángulos del
histograma.
Ejemplo:
 Determinísticos

También denominada como «promedio», es la suma de

todos los valores, dividido entre el número total de los
mismos.

Su principal desventaja es de que está muy afectada

por los valores extremos (muy grandes o muy
pequeños).
 Determinísticos
Es el valor que corresponde al punto medio de los
valores después de ordenarlos de menor a mayor, o de
mayor a menor. 50% de las observaciones son mayores
que la mediana y 50% son menores que ella.
Precios de 5 Precios de 5
vehículos ordenados vehículos ordenados
de menor a mayor de mayor a menor
$us. 10.000 $us. 32.000
$us. 15.000 $us. 28.000
$us. 25.000 < = Mediana => $us. 25.000
$us. 28.000 $us. 15.000
$us. 32.000 $us. 10.000
 Determinísticos
Es el valor de la observación que aparece con más
frecuencia.

¿Cuál es el valor modal de los precios?

Precios de 5
vehículos ordenados
de menor a mayor
$us. 10.000
$us. 15.000
NO hay valor modal
$us. 25.000
$us. 28.000
$us. 32.000
 Determinísticos
Posiciones relativas de la media, mediana y moda.
Distribución simétrica (sesgo cero)

Media
Mediana
Moda
 Determinísticos
Posiciones relativas de la media, mediana y moda.
Asimétrica a la derecha Asimétrica a la izquierda
(sesgo positivo) (sesgo negativo)

Ej: Salarios Mensuales Ej: Notas de un examen

Moda Mediana Media Media Mediana Moda

 Porque cuando la dispersión es amplia, la medida de
tendencia central no es representativa.
Una medida de dispersión se puede utilizar para
evaluar la confiabilidad de dos o más promedios.
Ejemplo:
Ud. puede invertir en 2 portafolios de acciones, el 1ero tiene una rentabilidad promedio de
$us. 10.000 anuales y el 2do de $us. 11.000 anuales. Suponiendo que el monto de la
inversión a realizar es el mismo ¿Qué decisión tomaría?

Pero ¿Qué decisión tomaría si el 1er portafolio tiene una desviación estándar histórica de
$us. 50, mientras que la desviación del 2do portafolio es de $us. 4.000 ?
La media aritmética de las desviaciones cuadráticas con
respecto a la media.

La raíz cuadrática positiva de la varianza.

NOTA: La variancia es difícil de interpretar porque las unidades están
al cuadrado, mientras que la desviación estándar se presenta en las
mismas unidades que los datos.
Datos con baja dispersión Datos con alta dispersión

Media Media
Aplicable solamente a distribuciones simétricas del tipo
de campana.

68% = µ ± 1 σ.
95% = µ ± 2σ.
99,7% = µ ± 3σ.
Es la ración (cociente) de la desviación estándar y la
media aritmética, expresada como un porcentaje.

NOTA: Al multiplicar por 100, se convierte la expresión decimal a

porcentaje.
Si los datos son ordenados de menor a mayor, o de
mayor a menor, los cuartiles dividen las observaciones
en cuatro partes iguales, por lo tanto existen 3 cuartiles.

25% 25%

25% 25%

Q1 Q 2 = Mediana Q3
Si los datos son ordenados de menor a mayor, o de
mayor a menor, los deciles dividen las observaciones
en diez partes iguales, por lo tanto existen 9 deciles.
10% 10%
10% 10%

10% 10%

10% 10%
10% 10%

D1 D2 D3 D4 D5 D6 D7 D8 D9
Mediana
Si los datos son ordenados de menor a mayor, o de
mayor a menor, los centiles dividen las observaciones
en cien partes iguales, por lo tanto existen 99 centiles.
La asimetría es útil porque indica si la mayor cantidad
de datos se encuentran por encima o debajo de la
media.
Cuando el coeficiente es igual a cero, la distribución es
simétrica.
Cuando el coeficiente es mayor que cero, la distribución
es positivamente asimétrica.

Nota: El coeficiente puede variar entre 0 y 3, a medida que más se acerca

a 3, la asimetría es mayor.
Cuando el coeficiente es menor que cero, la distribución
es negativamente asimétrica.

Nota: El coeficiente puede variar entre 0 y -3, a medida que más se acerca
a -3, la asimetría es mayor.
Mide el grado de deformación vertical, es decir, en que
medida una curva de frecuencia está deformada hacia
arriba o hacia abajo en relación a una curva normal.

1 n
∑
n i= 1
( X i − X ) 4 4
/s
Cuando el coeficiente de curtosis es igual a tres, la
distribución es mesocurtica o normal.

Curtosis = 3
Cuando el coeficiente de curtosis es mayor a tres, la
distribución es leptocurtica y es más apuntada de la
distribución normal.

Curtosis > 3
Cuando el coeficiente de curtosis es menor a tres, la
distribución es platicurtica y es menos apuntada de la
distribución normal.

Curtosis < 3
Es el conjunto de técnicas estadísticas empleado para
medir la intensidad de la asociación entre dos variables.

p = coeficiente de correlación de Spearman

D2 = Cuadrado de las diferencias entre X e Y
N = número de parejas
 Ejemplos de grado de correlación:
Correlación = 0 Correlación negativa Correlación positiva
(X y Y no tienen (inversa) y débil (directa) y fuerte
relación lineal) (X y Y tienen cierta (X y Y tienen una relación
relación lineal) lineal intensa)
Y .
.. . . .
Y Y

..
. .
. ... . . .. . ... . .........

Notas universidad
Cantidad vendida

. . . . .. . .. . . ..
Salario

. . . . .. . . .
... . . . . . ... ..
.. . . . . .
. .
X X X
Número de hijos Precio Notas escuela
 El siguiente cuadro resume la intensidad y la dirección
del coeficiente de correlación:
Correlación Correlación
Sin
negativa positiva
Correlación
perfecta perfecta

Correlación Correlación
negativa positiva
Correlación moderada Correlación Correlación moderada Correlación
negativa negativa negativa positiva
intensa débil débil intensa

-1 -0,5 0 0,5 1
Correlación Correlación
negativa positiva
(inversamente proporcional) (directamente proporcional)
 Determinísticos
DIVISIÓN GENERAL DE LA ESTADÍSTICA
Valor que describe la posibilidad relativa de que ocurra
un evento.
 Una distribución de probabilidad muestra todos los
resultados posibles de un experimento y la probabilidad
de ocurrencia de cada resultado.

Cantidad de vehículos Probabilidad

vendidos por día P(x)
0 0,10
1 0,20
2 0,30
3 0,30
4 y más 0,10
TOTAL 1,00
Seleccionar una distribución para un supuesto es uno
de los pasos más desafiantes para realizar la
simulación con Crystal Ball.
 Teoría
Sin datos
históricos

Opinión de
expertos
 Pruebas de
Con datos bondad de ajuste
históricos (Herramienta de
CB denominada
Ajuste Grupal)
El objetivo principal es
determinar si una distribución
histórica concuerda o «se
ajusta» con alguna distribución
que se asevera.
VARIABLES DISCRETAS
VARIABLES CONTINUAS
 Tipo de Aplicaciones y
Distribución Pará metros Condiciones
variable Ejemplos

- El valor de la media es el más Fenomenos naturales,

probable. alturas de las
- Media - Es simétrico con relación a la personas, inflación,
Continua
- Desviación estándar media. cantidad de dias de un
- Es más probable que los valores ítem en el
se encuentren cerca de la media. inventarioetc.

- Los mínimos y los máximos están

fijos.
- La valor más probable se Es muy útil cuando los
encuentra entre los valores datos son limitados,
- Valor mínimo
mínimos y máximos, formando una pronostico en ventas y
Continua - Valor máximo
distribución de forma triangular costos cuando se
- Valor más probable
que muestra que los valores tienen 3 escenarios,
cercanos al mínimo y al máximo etc.
tienen menos probabilidad de
ocurrir.
 Tipo de Aplicaciones y
Distribución Pará metros Condiciones
variable Ejemplos
- El límite superior es ilimitado; el Las situaciones en las
límite inferior es cero. que los valores son
- La distribución es sesgada sesgados
- Media positivamente, con la mayor parte positivamente,
Continua - Desviación estándar de los valores cerca del límite pero no pueden ser
- Ubicación inferior. negativos, por Eje:
- El logaritmo natural de la Precios de acciones,
distribución es una distribución inmuebles, escalas
normal. salariales, etc.

- El mínimo está fijo.
- Valor mínimo - El máximo está fijo.
Continua
- Valor máximo - Todos los valores en el rango
tienen la misma probabilidad.
Cuando se conoce el
rango
y todos los valores
posibles tienen la
misma probabilidad.
Ej: Costos fijos de una
empresa
 Tipo de Aplicaciones y
Distribución Pará metros Condiciones
variable Ejemplos
Cuando se conoce el
rango
- El mínimo está fijo. y todos los valores
- Valor mínimo - El máximo está fijo. posibles tienen la
Discreta
- Valor máximo - Todos los valores en el rango misma probabilidad.
tienen la misma probabilidad. Ej: La cantidad de
camiones en un
almacén.
- Para cada ensayo, sólo 2
resultados son posibles;
generalmente, el éxito o fracaso.
- Los iteraciones son
- Probabilidad
independientes. Probabilidad de éxito
Continua - Iteraciones o
- La probabilidad es la misma o fracaso
experimentos
de ensayo en ensayo. (verdadero/falso).
- La distribución Si-No es
equivalente a la distribución
Binomial.
 Tipo de Aplicaciones y
Distribución Pará metros Condiciones
variable Ejemplos

- Para cada ensayo, sólo 2

resultados son posibles;
generalmente, el éxito o fracaso.
- Probabilidad - Los iteraciones son
Discreta - Iteraciones o independientes.
experimentos - La probabilidad es la misma
de ensayo en ensayo.
- La distribución Binomial es
equivalente a la distribución Sí-No.
Cantidad de caras
en 10 tiradas de una
moneda a cara o cruz,
probabilidad de éxito
o fracaso.

- La distribución muy flexible, utilizada para representar una situación que no

pueda describir otro tipo de distribución.
- Puede ser continua o discreta o una combinación de ambas.
- Se utiliza para ingresar un conjunto entero de puntos de datos de un rango de
celdas.
El objetivo de la empresa era de proveer herramientas
simples de utilizar sobre planillas de calculo,
principalmente basadas en Excel. Desde entonces el
software experimentó sucesivas mejoras. Actualmente el
software está disponible en Ingles, Francés, Español,
Alemán y Japonés.
• Un modelo es muy útil para la planificación financiera.
Los errores son costosos, es mejor realizar
evaluaciones antes de realizar cualquier
implementación para conocer los factores claves del
éxito.
• Las computadoras actuales permiten realizar
simulaciones fácilmente.
• El análisis de riesgo es muy útil para promover el
cambio. Un modelo estocástico puede demostrar
fácilmente el impacto que puede generar un cambio.
Crystal Ball es una herramienta muy persuasiva.
• Las variables de entrada (supuestos) son esenciales.
La calidad de los resultados de la modelación
(pronósticos) dependerán de las variables de entrada.

• Si no se puede modelar, no se puede simular.

• Crystal Ball no toma decisiones por usted.

• Finanzas Corporativas
• Evaluación de planes de negocio.
• Sociedades de inversión y gestión de
carteras.
• Recursos Humanos
• Logística y Transporte
• Análisis de cola de espera
• Diseño de productos
• Selección de materiales
• Plantas petroquímicas
• Exploración petrolera
• Industria Aeronáutica
 Diseño de un modelo
determinístico

Definición de las variables de

ingreso y salida del modelo.

Ejecutar la simulación

Analizar los resultados

 Barras de tarea ejecutando Crystal Ball

Crystal Ball funciona como complemento (add-in) de Excel

Comandos del menú «Definir»
 Un supuesto es un valor estimado de una
entrada del modelo. Cuando una celda se
define como supuesto, al momento de
ejecutar la simulación, Crystal Ball se
encarga de generar valores pseudo -
aleatorios para esta celda.
Algunos ejemplos de supuestos:
Cantidad de artículos vendidos, % de crecimiento en las
ventas respecto al año anterior, costo/ventas, etc.
Nota: Tomar en cuenta que estas celdas deben contener únicamente valores
simples y no deben ser el resultado de una fórmula matemática.
Cuando definimos un
supuesto, tenemos que
escoger una distribución
de probabilidad para que
los números aleatorios
generados tengan un
comportamiento
determinado y sean
valores distribuidos bajo
un rango de datos.
Nombre del supuesto

Tipo de distribución
seleccionada

Gráfico

Parámetros
 Son todas aquellas variables controlables
en su modelo sobre las cuales puede
realizar una optimización estocástica.
Defina si varían de manera continua o
discreta y entre qué limites

Algunos ejemplos de supuestos:

Cantidad de productos a fabricar, monto de dinero a
invertir, relación de costos/ventas, etc.
 Es un valor de salida que genera el
modelo. Después de ejecutar la simulación,
Crystal Ball registrará todos los valores de
esta variable y las resumirá de manera
gráfica, numérica o tabular.

Algunos ejemplos de pronósticos: VAN, TIR, Utilidad de

la gestión, etc.
Nota: Tomar en cuenta que el valor de estas celdas debe estar en función a los
valores de las celdas que comprenden los supuestos y las variables de decisión
(si corresponde).
Comandos del menú «Ejecución»
Inicia la fase de la experimentación, se
generan múltiples números aleatorios para
todos los supuestos previamente definidos.

Es utilizado principalmente con fines

pedagógicos. Cada vez que se da un clic
sobre este ícono, se genera solamente una
combinación de números aleatorios.
Detiene la simulación mientras se está
ejecutando.

Borra todos los números aleatorios generados

en la última simulación, para posteriormente
ejecutar una nueva.
Las iteraciones son la
cantidad de combinaciones
de números aleatorios que
se generarán para los
supuestos. A medida que
este número sea mayor, la
precisión de los pronósticos
se incrementará.
Valor de la semilla inicial:
La entrada para el primer
número en una secuencia
de números aleatorios.
Un valor de semilla
determinado producirá la
misma secuencia de
números aleatorios cada
vez que usted ejecute una
simulación.
Comandos del menú «Analizar»
Como indica el nombre del menú, una
vez ejecutada la simulación se habilita
esta opción para realizar múltiples
gráficos.

Nota: De manera predeterminada, el Crystal Ball al

concluir la simulación, genera automáticamente
gráficos para todos los pronósticos.
Histograma interactivo, que permite obtener la probabilidad
de que la variable pronosticada esté dentro de ciertos
límites

Nombre del
pronostico

Probabilidad

Límites
Muestra la contribución, de los supuestos, a la variabilidad
de un pronóstico
Nombre del pronostico

Supuesto con mayor influencia

% de aporte a la variación del

pronóstico
 Permite comparar las diferencias y similitudes en un mismo
gráfico.

Título del
gráfico

Pronósticos
comparados
 Permite comparar las diferencias y similitudes en un mismo
gráfico.

Título del
gráfico

Pronósticos
comparados
 Histograma que permite observar los valores aleatorios que
se generaron al realizar la simulación.

Nombre del
supuesto

Límites

Parámetros
Permite observar la correlación existente entre supuestos y
pronósticos.

Pronóstico
(variable 1)

Correlación

Supuesto
(variable 2)
Como indica el nombre del menú,
una vez ejecutada la simulación se
habilita esta opción para realizar
múltiples reportes.
Muestra un detalle de todos los supuestos del modelo con
sus respectivas distribuciones de probabilidad y parámetros.

Nombre del supuesto

Parámetros

Ubicación

Límite del rango

(si corresponde)

Gráfico de la distribución
de probabilidad
 Muestra un detalle de todas las estadísticas relacionadas
con los pronósticos del modelo.

La 1era parte incluye La 3ra parte corresponde a

datos estadísticos de la
ejecución de la simulación.
La 2da parte incluye el
información estadística de
gráfico del pronóstico y
los pronóstico (medidas de
algunas estadísticas.
tendencia central y
percentiles).
Muestra un detalle de la ubicación (celdas) de todos los
supuestos y pronósticos del modelo.
Como indica el nombre del menú, permite
extraer los datos de la simulación, como ser
datos estadísticos, todos los pronósticos
obtenidos por las diferentes combinaciones de
números aleatorios generados, entre otros.
Análisis previo a la
simulación que muestra
el comportamiento de un
supuesto en relación al
pronóstico, manteniendo
constante las demás
variables.
Los colores de la barra indican la relación entre supuestos
y pronósticos, cuando los supuestos tienen una relación
positiva (directa), la barra es azul, y cuando los supuestos
tienen una relación negativa (inversa), la barra es roja.
Similar que el gráfico
tornado, muestra el
comportamiento de un
supuesto en relación al
pronóstico, manteniendo
constante las demás
variables.
A medida que la inclinación es mayor, la influencia del
supuesto es mayor en el pronóstico. Si la línea es
descendente quiere decir que existe una relación
inversamente proporcional entre las variables y viceversa.
 Permite cargar datos de la hoja
electrónica directamente en
gráficos de pronóstico de
Crystal Ball.

A partir de entonces, usted puede ver gráficos de

frecuencia, analizar estadísticas, crear gráficos de
tendencia, comparar series de datos usando gráficos
de sobreposición y muchos otros tipos de análisis.
Resumen y muestran información de pronósticos múltiples,
facilitando el análisis de tendencias que podrían existir.