si la distribucin de los factores de las estimaciones de rentabilidad no es normal, la cantidad de clculos pueden llegar a ser muy grande.

Aproximaciones a la distribucin normal se pueden hacer, y mtodos de Monte Carlo se usan para probar todas las posibles combinaciones de factores La estimacin de la rentabilidad cuando existen incertidumbres Cuando se sabe poco acerca de la verdadera distribucin de probabilidad de un factor, las estimaciones de rentabilidad se pueden hacer si se supone que los diversos factores que se distribuye normalmente. Esta suposicin se utiliza a menudo como una aproximacin incluso cuando se sabe que la distribucin no es normal, ya que slo las distribuciones normales y Poisson son susceptibles de relativamente simple manipulacin matemtica. la distribucin normal es generalmente ms til, ya que contiene dos parmetros: la media, , y la desviacin estndar, . en la distribucin de Poisson, estos dos parmetros no son independientes. la ecuacin de la curva de distribucin normal en el formulario estandarizado es: ( ( ) )

( )

( )

donde la puntuacin estndar, z, correspondiente a la inscripcin de un valor de la variable x es: ( ) la curva para eq. (1) es de un solo pico, y simtrica con respecto a z = 0 (y, por lo tanto, sobre x = ), y es asinttica a f (z) = 0 en z = . cualquier curva de frecuencia-de distribucin que no se pueden aproximar estrechamente por esta frmula se considera no normal. una curva de pico nico puede diferir de la forma normal de ser ya sea finito en extensin, asimtrica, ms plana o ms ntida en forma, o cualquier combinacin de stos. La distribucin binomial se define por: ( )
( )

( )

donde el coeficiente de es la frecuencia relativa de que un evento ocurra exactamente x veces en n ensayos independientes, cuando las probabilidades de xito y fracaso de un ensayo individual son y , respectivamente. Dado que el ensayo debe resultar ya sea en un xito o fracaso, se deduce que: ( ) a menos que , una distribucin binomial-frecuencia est sesgada inherentemente. En este caso, la mediana (que el valor de la variable en la que la frecuencia acumulada se convierte en 0,5) difiere del valor medio, , tal como se define por: ( ) ( ) ( )

donde indica la suma de todos los n valores de x, y ( ) indica el nmero de veces que el valor de x se produce. La descripcin completa de una curva no normal requerir dos parmetros adicionales, uno para definir la sesgo o asimetra, y uno para definir la curtosis o planeidad de la curva. Estos parmetros se presentan naturalmente mediante la adopcin de los valores medios de momentos sucesivos alrededor de la media. El primer momento alrededor de la media es: ( ) ( )( ( ) como ) ( ) definicin alternativa de la media.

Como es igual a cero, slo El segundo momento respecto a la media es:

sirve

una

( )( ) ( )

( )

Esta es la definicin clsica de la varianza de una distribucin de n valores independientes, y es el cuadrado de la desviacin estndar de una muestra grande. El tercer momento alrededor de la media es: ( ) ( )( ) ( ) ( )

Ecuacin. (8) es una medida de la asimetra, ya que los valores positivos y negativos no se equilibran con exactitud si se sesga la distribucin, el valor de se puede estandarizar e hizo adimensional mediante la definicin de un parmetro: ( ) ( )

Este parmetro ser negativa si la cola ms larga de la distribucin es hacia los valores ms bajos de la variable, cero si la distribucin es simtrica, y positivo si la cola es hacia los valores ms altos de la variable. El cuarto momento respecto a la media es: ( ) ( )( ( ) ) ( )

El cuarto momento tambin puede ser estandarizada y hecho adimensional mediante la definicin de: ( )

El parmetro b2 est influenciada por la planeidad de la curva. Si la curva es leptocrticas, es ms acentuada que la curva normal, y b2> 3. Si la curva es normal, b2 = 3. Si la curva es platycurticas, que es ms plana de lo normal, y b2 <3, se ilustra el efecto de la curtosis en la figura. 1. Los datos de frecuencia acumulativa de la distribucin normal, dadas en la Tabla I, se pueden usar para la construccin de papel grfico de probabilidad en la que el eje de abscisas se divide por igual. La distribucin normal acumulativa est representado por una lnea recta, y el eje de probabilidad se escala de acuerdo con los datos en la Tabla I. Los datos acumulados de frecuencia se puede dibujar en un papel. Si la distribucin sesgada es positiva, la curva es cncava de abajo en el extremo inferior. Si la distribucin est sesgada negativamente, la curva es cncava desde arriba en el extremo superior. Si la distribucin es leptocrticas, la curva tiene forma de S, aplanamiento en los extremos; platycurticas si la curva se hace ms pronunciada en los extremos. Slo si la distribucin es normal, los datos se producen una lnea recta. La distribucin binomial es difcil de calcular, pero los datos a menudo se puede montar empricamente a una curva tal por una eleccin adecuada de y n. Para la distribucin binornial, la media es: y la desviacin estndar es: ( ) ( )

La distribucin de Poisson requiere que: ( ) y por lo tanto se puede usar para aproximar la distribucin binomial si , es decir, si es pequeo y es finito para grandes valores de n. En este caso, los valores de la se pueden calcular como para la distribucin normal. La distribucin binomial se puede aproximar por la distribucin normal si la desviacin de la normalidad no es demasiado grande. Como una gua, ( ) ( )

se distribuye aproximadamente normal con una desviacin estndar de la

unidad alrededor de cero si n 30, y 0,1 0,9, o si 10 30, y 0,4 0,6. En todos los dems casos, la distribucin normal no se puede asumir, y los mtodos que se describen ms adelante en este artculo debe ser utilizado. Ejemplo muestra tcnicas la media y la desviacin estndar de algunos datos positivamente sesgadas son 4,000 y 1,530, respectivamente. Vamos a encajar estos datos a una distribucin binomial y calcular los parmetros de la curva. Tambin debemos calcular la distribucin de frecuencias binomial, y la aproximacin normal correspondiente a esa distribucin. De la ecuacin. (12) y (13), obtenemos: ( ) o: ( )

De la ecuacin. (4) calcular

y De la ecuacin. (12)

Como n debe ser un entero en la distribucin binomial, tomemos n = 10. Entonces,

10

. La

( )( )( ) expansin binomial apropiada es entonces (0,4 + 0,6) . El nuevo . Correctamente, se debe hacer una prueba de significacin para ver si este valor de s * es significativamente diferente del valor experirnental de 1.530. Se supondr que la diferencia aqu no es significativa. de la ecuacin. (3), la expectativa de frecuencia para diferentes valores enteros de x est dada por trminos sucesivos de la serie. Por lo tanto: ( ) ( ) ( ( ) ( ) )

las frecuencias, f (x), para cada plazo se han calculado y se enumeran en la tabla de frecuencia acumulativa II.The, F (x), de observar un valor de X o menos se obtiene sumando los valores sucesivos de f (x). Los valores de F (x) tambin se 2 enumeran en la Tabla II. Los parmetros m1 y m2 para la curva ya se han obtenido como: cero y (1.549) = 2,400, respectivamente. De la ecuacin. (8) y los datos de la Tabla II para los valores de la variable x que van de 0 a 10, se obtiene: ( ) ( )

Del mismo modo, de la ecuacin. (10): ( ) ( )

Ecuacin. (9) y (11), calculamos los parmetros b1 y b2 como:

estos valores de b1 y b2 indican un caso lmite de que la distribucin normal se puede aplicar. Ellos son, por lo tanto, una gua para la idoneidad de la aproximacin normal en otros casos. para la distribucin normal, la puntuacin estndar, z, se obtiene de la ecuacin. (2). Dado que las mejores estimaciones disponibles para y son x y s *, respectivamente, la puntuacin estndar para x = 1 es:

Interpolacin lineal en la Tabla I, este valor de z corresponde a una frecuencia acumulativa para la aproximacin normal de: ( ) Frecuencias acumuladas para otros valores de x se han calculado de la misma manera y se enumeran en la Tabla II. A partir de estos valores, la frecuencia correspondiente los valores de f (x) se obtuvieron mediante sustraccin, como se indica en la Tabla II, La distribucin de frecuencias binomial y la aproximacin normal a la distribucin se muestran en la figura. 2. Si la curva de distribucin de frecuencia de uno o ms factores no puede ser tomado como normal, la cantidad de clculo puede ser muy grande. Por ejemplo, si hay 10 niveles de volumen de ventas, 6 niveles de precios de cajas fuertes, 5, los niveles de gasto anual total, y 3 niveles de costo de capital fijo, el nmero total de diferentes (DCFRR) o (NPV) clculos es (10) (6) (5) (3) = 900, esta es una gran cantidad de clculo para slo un modesto nmero de niveles para cada factor. En la mayora casos, no es prctico para obtener las curvas acumulativas de probabilidad para (DCFRR) y (NPV) mediante el uso de todas las posibles combinaciones de factores. El problema se puede simplificar en gran medida mediante el uso de mtodos de Monte Carlo para muestrear la poblacin, que consta de todas las posibles combinaciones de factores. El mtodo de Monte Carlo El mtodo de Monte Carlo hace uso de nmeros aleatorios, un ordenador digital se puede utilizar para generar nmeros pseudo aleatorios en el rango de 0 a 1. Una lista parcial de tales nmeros, generada por un ordenador, es decir, se muestra en la Tabla III. Describir el uso de nmeros aleatorios, consideremos la curva de distribucin de frecuencia de un factor en particular, por ejemplo, el volumen de ventas. cada valor del volumen de ventas tiene una cierta probabilidad de ocurrencia. La probabilidad acumulada de que el valor (o menos) est realizado es un nmero en el rango de 0 a 1. Por lo tanto, un nmero aleatorio en el mismo rango puede ser utilizado para seleccionar un valor aleatorio del volumen de ventas. De la misma manera, los valores aleatorios de los otros factores pueden ser. obtenido. Estos pueden ser combinados para dar valores al azar de (DCFRR) y (VPN), ya su vez se puede utilizar para trazar las curvas de probabilidad acumulada de (DCFRR) y (VPN). El equipo puede ser obligado a realizar unos 10.000 a 50.000 clculos. El uso del mtodo de Monte Carlo se ilustra mediante el siguiente ejemplo, [Note que las curvas de probabilidad acumulada de (DCFRR) y (VPN) nunca pueden ser ms preciso que las opiniones sobre los que se basan.] Ejemplo para el mtodo de Monte Carlo Un gerente de ventas ha dado las siguientes opiniones sobre el potencial de ventas de un producto de la especialidad nueva propuesta: El volumen de ventas no ser inferior a 1.000 toneladas / ao. ni ms de 2.000 toneladas / ao. Todos los valores de este rango son igualmente probables. Precio de venta estar en el rango de $ 750/ton a $ 900/ton, con mayor probabilidad, el valor de $ 850/ton. La probabilidad de los valores intermedios se pueden tomar para variar linealmente con el precio de venta.

Sobre la base de estas opiniones, utilice la tcnica de Monte Carlo para obtener una curva de probabilidad acumulada para alcanzar diferentes niveles de ingresos de las ventas anuales, As, la relacin necesaria para los ingresos por ventas es: ( )

donde R es el volumen de ventas y Cs es el precio de venta unitario. Al considerar la curva de probabilidad de que el volumen de ventas, dejar que el rea total bajo la curva igual a la unidad. El rea bajo la curva para diferentes rangos es:

Por lo tanto, p = 1/1000. El grfico de probabilidad para el volumen de ventas es:

La probabilidad acumulada de un volumen de ventas menor que, o igual a, R ocurra es: desde: ( ) ( ) ( )

la curva de probabilidad acumulativa se puede representar por: Esta curva se muestra en la figura. 3 Ahora bien, al examinar la curva de probabilidad de precio de venta, deje que el rea total bajo la curva igual a la unidad. El rea bajo la curva para diferentes rangos es: ( ) ( )( )

Por lo tanto, = 1/75 = 0,01333, que es la probabilidad en el valor ms probable de $ 850/ton. El grfico de probabilidad para el precio de venta es:

La ordenada de esta curva de probabilidad puede ser representada por: (0,000 1,333) ( - 750) para los valores de el rango de $ 750/ton 350/ton, y (0,0002666)(900 - ) por $ 850/ton $ 900/ton. La probabilidad acumulada de un precio de venta menor que, o igual a, desde: ( ) ( ) ( ) ocurra es:

en

la curva de probabilidad acumulativa se puede representar por: ( )( ) ( )( )

donde $ 750/ton
( )( (

$ 850/ton, y por:
) ( )( ) )( ( ) )( ( ) )( ) ( )( )

para el rango de $ 850/ton

$ 900/t0n. esta curva tambin se muestra en la figura. 3.

Nmeros aleatorios y Mtodo Monte Carlo para generar la funcin de probabilidad acumulada requerida por el mtodo de Monte Carlo, los nmeros aleatorios se pueden usar en cualquier secuencia, siempre que no haya ningn nmero reutilizado. Leamos los nmeros en la tabla III, de izquierda a derecha y de arriba a abajo. Que cada nmero de cuatro dgitos representan dos grupos de dos dgitos. Ler la primera de las cifras de dos dgitos representan un valor del volumen de ventas, R, y la segunda cifra de dos dgitos representan un valor del precio de venta, cs. El uso de cifras de dos dgitos limita el nmero de posibles valores de R y Cs a 100 cada uno. el primer nmero i Tabla III es 3770. por lo tanto, el primer valor de R ser el que tenga una probabilidad acumulativa de 0,37. esta se lee de la fig. 3 a ser 1.370 toneladas / ao. El primer valor de Cs ser el que tiene una probabilidad acumulativa de 0,70. Esto tambin se lee de la curva apropiada en la figura. 3 y se encontr que $ 852.5/ton. El valor de los ingresos por ventas anuales generados a partir de la primera nmero aleatorio se encontr con la ecuacin (14) para las cantidades apropiadas para ser: ( )

los valores mnimo y mximo de posibles As se encuentran a partir de la ecuacin. (14) a ser: ( )

dividamos este rango de valores para en 22 intervalos, cada uno de $ 50.000/yr. y, a continuacin, anote la frecuencia con la que un valor aleatorio de cadas dentro de un determinado intervalo. el primer valor aleatorio de es de $ 1167900/yr., y cae dentro del intervalo de $ 125,000 / ao. a $ 175,000 / ao. La frecuencia relativa con la que cae dentro de un en particular se obtiene dividiendo la frecuencia por el nmero total de valores calculados para . La figura 4 muestra un histograma o grfico de la frecuencia relativa frente a los valores del punto medio de cada intervalo. Podemos usar los datos de la figura. 4 para obtener que la curva de probabilidad acumulada como se muestra en la figura. 5. con 100 posibles valores de R y 100 posibles valores de Cs, la distribucin de frecuencias de la se puede determinar exactamente por 10.000 clculos sistemticos. Sin embargo, incluso los 10.000 clculos aleatorios no duplican exactamente las frecuencias dadas por el clculo sistemtico. La frecuencia distribucin tambin podra ser evaluada adecuadamente con unos 5.000 clculos aleatorios. Despus de realizar las estimaciones de las probabilidades de las diversas opciones, una decisin informal se puede hacer rboles de decisin y el riesgo de inversin en un tpico rbol de decisin (fig. 6), cada nodo representa un punto de decisin (DP) donde las alternativas estn disponibles. Algunos resultado cuantificable de cada alternativa se elige como base para, la comparacin. En este caso, es el valor actual neto (NPV). Un valor se asigna a la probabilidad de obtener cada resultado. Estas probabilidades son generalmente las estimaciones hechas por los "expertos" con Delphi u otras tcnicas. Las estimaciones estn sujetas a la restriccin de que la suma de las probabilidades para las ramas que salen de cada nodo deber ser la unidad. al considerar dos inversiones, vamos a la opcin B sea una inversin segura con un valor actual neto de base, (NPV) B, que es independiente de cualquier competicin. Deje la opcin A se obtendr un valor actual neto de (NPV) A1 si no existe la competencia, y (NPV) A2 si existe una competencia. Deje que las probabilidades de no competencia y la competencia sean P1 y P2, respectivamente.

La esperada (NPV) para la opcin A se puede escribir:

( ) ( ) ( )( ) ( ) y

donde ( ) es el valor actual neto ponderado por la Opcin A, basado en las probabilidades de no competencia, la competencia ( )= . La esperada (NPV) para la opcin B se puede escribir: ( Esta relacin se simplifica a: ( ) ( ) ( ) ) ( ) ( )( )

la ganancia en el valor esperado de la opcin A sobre opcin B es: ( ) ( ) ( ) ( )

Ecuacin. (17) se puede escribir en trminos de la ecuacin. (15) y (16) como: ( ) ( ) ( )( ) ( ) ( )

Las opciones estn representadas en la figura. 6. si ( ) ( ) ( ) ( )

Ecuacin. (18) se puede escribir como: ( ) ( ) ( )

en este caso, si la probabilidad de ninguna competencia es ( y, la opcin B debera ser tomar. )

= 0,5, entonces: ( )

Opciones A y B son igualmente deseable cuando ( ) es igual a cero, es decir, cuando = 0,33. Esta tcnica tiene muchos usos que estn bien descritos en la literatura. El prximo artculo de esta serie se publicar en el 04 de marzo, edicin 1974, y analizar y evaluar las medidas numricas de las actitudes de la empresa a riesgo.