Professional Documents
Culture Documents
X
X
X
Grfica 2. Proceso de Simulacin
En la grfica 2 se observa la relacin que debe existir entre las variables y el modelo para
realizar la simulacin, de igual forma este procedimiento se debe realizar para hacer
optimizaciones y para hacer optimizacin estocstica.
Los pasos para realizar la simulacin de Monte Carlo debe seguir los siguientes pasos por Risk
Simulator:
1. Definir un perfil
2. Definir variables supuestos
3. Definir variable pronstico
4. Ejecutar la simulacin
5. Obtener reportes y/o datos
4.2.1 DEFINIENDO PERFIL
Por medio del cono Nuevo Perfil se definen las caractersticas para la nueva simulacin, en el
grfico 3 se observa la ventana emergente del Nuevo Perfil, en esta ventana se define el
nombre de la simulacin, el nmero de iteraciones, si se activan las correlaciones, especificar
la semilla del nmero aleatorio y si en el caso de encontrar errores en la simulacin pausar o
continuar la simulacin.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
28
Grfica 3. Nuevo Perfil de Simulacin
En el caso en que ya se tengan varios perfiles de simulacin, entonces se debe proceder a
seleccionar un perfil de los disponibles en el libro activo.
4.2.2 DEFINIENDO VARIABLES SUPUESTOS
Una vez activado o seleccionado el perfil de simulacin, colocando el cursor sobre una celda
que contenga un valor que vaya a ser seleccionada como variable de supuesto se da clic en el
cono de Supuesto de Entrada o clic derecho y la misma opcin y se selecciona una distribucin
dependiendo si la variable es discreta o continua.
Tanto continuas como discretas
Tambin se puede ajustar una funcin a los datos del comportamiento de la variable
aleatorias
Es posible definir una funcin a la medida de los datos
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
29
Grfica 4. Definir Supuestos
Como se observa en la grfica 4, hay un listado de posibles distribuciones que se ajustan de
acuerdo al tipo de informacin disponible, al modelo o a la experiencia del analista. Cada
distribucin necesita unos parmetros que deben ser ingresados por el usuario o son el
resultado de un ajuste de distribucin anterior.
4.2.3 DEFINIENDO VARIABLES PRONSTICO
Antes de la definicin de una variable como pronstico se debe hacer con anterioridad una
definicin del modelo tal como se explica en la grfica 2, la variable pronstico debe contener
una funcin y/o frmula que vincule las variables de supuesto y el modelo.
Grfica 5. Variable Pronstico
En la grfica 5 se observa la ventana emergente como resultado de activar el cono de
Pronstico de Salida, en esta ventana es posible definir el nombre de la celda de pronstico, el
nivel de precisin que por default es del 95%, el nivel de error y si se desea que haya una
dinmica entre la simulacin y la ventana de pronstico.
4.2.4 EJECUTANDO LA SIMULACIN
Finalizado el proceso de definicin de variables supuesto y pronstico se procede a ejecutar la
simulacin, se tienen las alternativas de Paso a Paso, Correr y Sper Velocidad.
Grfica 6. Ejecucin de la Simulacin
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
30
4.2.5 RESULTADOS DE LA SIMULACIN
Al momento de finalizar la simulacin se obtienen los resultados correspondientes de acuerdo
a los criterios seleccionados en el perfil de simulacin, las variables supuesto y de pronstico,
se genera una grfica de cada una de las variables pronstico en el caso de haber sido activada
la opcin correspondiente.
Grfica 7. Grfica de Pronstico
SI se desea obtener un reporte del modelo se va a Herramientas Analticas Crear un reporte
(grfica 8) el cual muestra cuales fueron los supuestos y las variables de pronstico.
Grfica 8. Reporte del modelo
Si se desea obtener solamente los resultados del pronstico Herramientas Analticas Crear
la Tabla Estadstica del Pronstico, de lo cual emerge la ventana de la grfica 9.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
31
Grfica 9. Tabla Estadstica de Pronstico
La tabla estadstica de pronstico (grfica 9), permite obtener los resultados de los estadsticos
descriptivos bsicos de la variable de pronstico, as como los percentiles que el usuario desee.
Recordando en la grfica 10 el procedimiento de la simulacin de Monte Carlo
Grfica 10. Etapas de una Simulacin
La simulacin de Montecarlo tiene varias ventajas entre las cuales tenemos:
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
32
Adems de la funcin estimada, otro resultado de la simulacin es una medida del
error entre la funcin calculada a partir de la muestra y la de la poblacin.
En efecto, la desviacin estndar de la muestra permite tener una medida de la calidad
del estimativo, pero tambin de la mejora en este estimativo a medida que se
incrementa el nmero de experimentos.
As, la potencia del mtodo de simulacin de Monte Carlo descansa en su capacidad de
entregar estimaciones muy cercanas a la de la poblacin
Muestra la frecuencia de los valores estimados
Anlisis de Certidumbre
Estadsticas y Percentiles
PARA TENER EN CUENTA
Los supuestos son la clave para los procesos de simulacin
Siempre ponga nombre a cada supuesto
Utilice datos si se tienen disponibles
Siempre considere las correlaciones posibles
4.2 EJEMPLO DE COSTOS TOTALES
La empresa ABC desea hacer una mejor estimacin de sus costos de produccin dado que se
encuentran enfrentados a muchos eventos aleatorios principalmente por la variacin de los
precios internacionales de las mercancas que usan como materias primas, para eso se usar
Risk Simulator como herramienta para poder mejorar en la toma de decisiones.
El primer paso es crear un perfil de simulacin tal como se explic en la seccin anterior, se
usarn 10.000 simulaciones y una semilla de simulacin de 123456. A continuacin se
establece en MS Excel el modelo correspondiente de tipo deterministico.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
33
En este caso la relacin es Costos totales = Costos fijos + Costos Variables, pero los Costos
Variables es igual al Costo Unitario * Unidades producidas.
El rea de produccin le comenta a usted la situacin de la empresa, en la cual se ha tenido
como histrico que el Costo Unitario (CU) han tenido un comportamiento de $ 1 por unidad,
llegando a un mximo de $6, pero que en promedio es $3 el valor ms comn, luego le
comentan que las Unidades Producidas (UP) es de mnimo 500 y mximo 1000.
De acuerdo a lo anterior las celdas de CU y UP se asignaran como Supuestos de Entrada, la
primera como una distribucin triangular y la segunda como uniforme discreta.
Posteriormente el objetivo de la simulacin es la celda del Costo Total por lo tanto se
selecciona como Pronstico de Salida
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
34
Se recuerda que para que una celda se pueda definir como de Pronstico debe tener una
funcin y/o formula que se vincule con las celdas a simular. El modelo quedar visualizado de
la siguiente forma:
A continuacin se realiza la simulacin completa dando clic en el botn de Sper Velocidad.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
35
Por lo tanto ya se puede conocer con un nivel de certeza a cunto ascendern los costos
totales ante diferentes escenarios.
4.3 VaR por Mtodo de Simulacin de Montecarlo
Para el clculo del VaR por simulacin de Montecarlo usaremos la ecuacin de movimiento
Browniano discreta dada por:
Donde S es el precio de mercado, el rendimiento del activo, t el horizonte de estudio, la
volatilidad del activo y una variable aleatorio normal estndar.
AL valor del 95% de la cola derecha se le resta el precio final y este es el VaR para una accin.
4.4 Ejemplo de Evaluacin de Proyectos
Una empresa de confecciones considera un proyecto de inversin para una nueva planta de
confecciones en un distrito de Lima, cuyas ventas se estiman en 30,000 unidades anuales
durante los siguientes 5 aos, con un precio de venta por unidad de S/.75 y un costo variable
unitario de S/.25. Se estima un costo fijo de S/. 630,000. La inversin inicial fue de S/.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
36
2800,000. La tasa de descuento que se utiliza es de 15% anual, con un horizonte de 10 aos y
un valor residual de S/. 350,000.
Se pide calcular los indicadores de rentabilidad del Proyecto de Inversin, as como tambin
realizar el anlisis de riesgos correspondiente.
Se debe considerar los siguientes datos para algunas variables:
Escenarios
Datos Bajo Medio Alto
Volumen de ventas en unidades 27,000 30,000 39,000
Precios unitario 65 75 90
Costo unitario 20 25 35
El primer paso es crear un perfil de simulacin, se usarn 10.000 simulaciones. A continuacin
se establece en MS Excel el modelo correspondiente de tipo determinstico.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
37
En este caso lo que se busca es construir el flujo de caja futuro del proyecto para un horizonte
de 10 aos, del cual el objetivo fundamental es obtener el valor del VAN.
De acuerdo a lo anterior las celdas correspondientes a Volumen de ventas, Precio Unitario
y Costo Unitario se asignarn como Supuestos de Entrada, todas como una distribucin
triangular.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
38
El objetivo de la simulacin es la celda del VAN (tal y como se mencion lneas arriba) por lo
tanto se selecciona como Pronstico de Salida.
A continuacin se realiza la simulacin completa dando clic en el botn de Sper Velocidad.
Usando la grfica de pronstico como intervalos de confianza, tenemos:
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
39
Dentro de la Evaluacin Econmica de Proyectos de Inversin, un tema importante siempre ha
sido el garantizar que el VAN sea mayor o igual a cero, dado que esto garantizara que el
proyecto es factible de ejecutarse.
En este caso, calculamos la probabilidad de que el VAN sea mayor a Cero, y obtenemos una
Certeza del 98% de que esto suceda.
4.5 OPTIMIZACIN CON RISK SIMULATOR
Cuando se tienen restricciones presupuestales, de capacidad en planta, dinero, etc., el mtodo
de optimizacin genera la mejor solucin, mayor rentabilidad minimizar el riesgo de una
inversin, satisfaciendo ciertas condiciones pre establecidas o especificadas. Por ejemplo:
Cules acciones colocar en un portafolio, y qu participacin darle a cada una.
Optimizacin de Inventarios.
Precios ptimos y tasas de regalas
Utilizacin de empleados para planeamiento de la fuerza de trabajo
Configuracin de mquinas para programacin de produccin.
Optimizacin del equipo de trabajo para una lnea de produccin.
Localizacin de bodegas para distribucin.
Flexibilidad en el diseo de manufacturas.
Polticas de tratamiento en administracin de residuos.
Los procedimientos de optimizacin son posibles con variables Continuas, discretas y discretas
y continuas mezcladas. Los mtodos de optimizacin disponible en Risk Simulator son:
Lineal
No lineal
Esttica: Estimados rpidos de un solo punto
Dinmica: Simulacin con Optimizacin
Estocstica: Mltiples iteraciones con distribuciones de variables de decisin
Para realizar un proceso de Optimizacin con Risk Simulator se debe seguir el siguiente
procedimiento:
1. Definir un perfil
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
40
2. Definir variables de decisin
3. Definir variable objetivo
4. Definir las restricciones
5. Ejecutar la optimizacin
6. Obtener reportes y/o datos
El procedimiento de definicin de perfiles es similar al de la simulacin de Montecarlo.
4.5.1 DEFINIENDO VARIABLES DECISIN
Las variables de decisin son aquellas que necesitan ser ajustadas y probadas de acuerdo a
unas restricciones que pueden ser un rango de valores discretos o continuos o tomar valores
binarios, la combinacin de estas variables permite llegar a una optimizacin de la variable
objetivo.
Para definir las variables de decisin en la seccin de Optimizacin se da clic sobre el cono
Decisin de lo cual emerge la ventana que se observa en el grfico 11.
Grfico 11. Variable de Decisin
En la celda activa se establecern los rangos que la variable puede tomar, entre ellos valores
continuos o discretos y adems est la opcin de que la celda tome valores binarios 0 1.
Finalmente la celda queda por default resaltada con un color Azul que indica que es una
variable de decisin.
4.5.2 DEFINIENDO VARIABLES OBJETIVO
Las variable objetivo son aquellas que se maximizaran o minimizaran de acuerdo al modelo
planteado, estas variables deben contener una formula o funcin que est relacionada directa
o indirectamente con las variables de decisin.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
41
Al dar clic sobre Objetivo de la seccin de Optimizacin, se debe estar previamente ubicado en
la celda que ser el objetivo. La ventana emergente (grfica 12) necesita solamente que se
indique el tipo de optimizacin.
Grfico 12. Variable Objetivo
4.5.3 DEFINIENDO RESTRICCIONES
La definicin de las restricciones puede ser antes o despus de la definicin de la variable
objetivo, las restricciones pueden ser de igualdad =, mayor o igual que >= o menor o igual
que <=.
Grfica 13. Definicin Restricciones
4.5.4 EJECUTAR LA SIMULACIN
Al finalizar el proceso de definicin de variables y restricciones se procede a seleccionar el
mtodo de optimizacin, el cual puede ser esttico, dinmico o estocstico, en la grfica 14 se
puede observar las opciones correspondientes.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
42
Grfica 14. Configuracin Optimizacin
En la ventana Resumen de Optimizacin del grfico 14, es posible editar opciones con respecto
a la optimizacin, tales como seleccionar de un conjunto de variables de decisin una o varias,
de igual forma para las restricciones y se puede modificar la celda objetivo. Al finalizar la
configuracin se da clic en OK.
4.5.5 RESULTADOS DE LA OPTIMIZACIN
Al finalizar el proceso de optimizacin se genera una ventana de resultado de la optimizacin,
donde se presenta la grfica de evolucin de la optimizacin, as como el proceso de iteracin
correspondiente, en la grfica 15 se puede observar un ejemplo de una optimizacin, una vez
se tiene el resultado de la optimizacin se procede a reemplazar los valores iniciales por los
valores optimizados.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
43
Grfica 15. Resultado de Optimizacin
Finalizado el procedimiento es posible obtener reportes de la misma forma que se realizaba
con la simulacin de Montecarlo.
Una herramienta muy poderosa que tiene Risk Simulator es la posibilidad de ejecutar
optimizaciones estocsticas, sta metodologa es la inclusin de simulaciones de Montecarlo y
Optimizaciones, la forma de modelacin es la vinculacin de los temas tratados anteriormente.
4.6 ANLISIS DE SENSIBILIDAD Y TORNADO
A partir del Risk Simulator se pueden realizar anlisis de sensibilidad y de tornado los cuales
permiten identificar los factores, variables, supuestos, etc., que pueden influenciar de forma
positiva o negativa en la(s) variable(s) objetivo.
Para la ejecucin de estas herramientas se hace de la siguiente manera, primero se ejecuta el
procedimiento de optimizacin ya sea con o sin simulacin, posteriormente se ubica en la
celda objetivo de la optimizacin y en el cono de Herramientas Analticas Anlisis de
Sensibilidad o Anlisis Tornado.
A continuacin en el Simulador de Riesgo Modelos de Ejemplo, seleccione el nmero 22
Anlisis Tornado y Sensibilidad (lineal).
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
44
El ejemplo consiste en un Flujo de Caja de un proyecto de inversin, para realizar el anlisis
tornado se debe seleccionar una celda objetivo en este caso el Valor Presente Neto, por lo
tanto se va a Herramientas Analticas Anlisis Tornado
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
45
El anlisis Tornado se realiza previ a las simulaciones dado que va analizar la relacin que
existe entre todas las variables del modelo y la variable objetivo, para lo cual usa un anlisis de
escenarios, por defecto el programa hace un incremento y una disminucin del 10% sobre el
valor base de cada variable en el modelo y observa como ante cambios en cada variable afecta
a la variable objetivo.
Grfica 17. Anlisis Tornado
El reporte generado por el software explica cmo se debe realizar la interpretacin y anlisis
de los resultados, el aporte principal del anlisis tornado es que permite analizar cules son las
variables que ms importancia tienen con respecto al objetivo. Esto facilita parametrizar las
simulaciones dado que se tendra como prioridad las variables de mayor relevancia dadas por
la herramienta Tornado.
El anlisis de Sensibilidad se realiza posterior a las simulaciones, este procedimiento consiste
en realizar mltiples perturbaciones para ver el resultado en la variable objetivo, para realizar
el anlisis de sensibilidad posteriormente a la simulacin se debe ubicar en la celda objetivo ir
a Herramientas Analticas- Anlisis de Sensibilidad.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
46
Grfica 16. Anlisis de Sensibilidad
4.7 PRONSTICO
Hay una preocupacin por conocer lo que va a suceder en el futuro, dado que permite adaptar
las acciones presentes a posibles resultados esperados o no deseables.
Predecir anticipadamente el futuro de los aspectos de cada proyecto que tienen
incertidumbre, a travs de la medicin de variables econmicas, utilizando las herramientas
apropiadas para cada variable, escenario o proyecto, las cuales pueden ser cualitativas o
cuantitativas
Risk Simulator provee al usuario de varias metodologas de pronstico:
Box- Jenkins Arima
Regresin Lineal Mltiple
Extrapolacin No Lineal
Pronstico Estocstico
Anlisis de Series de Tiempo
Cadenas de Markov
Modelos GARCH
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
47
4.7.1 Regresin Lineal
Uno de los principales objetivos de los modelos de regresin es explicar el comportamiento de
un fenmeno variable dependiente a partir de un conjunto de regresores variables
independientes. Con frecuencia la forma funcional que define la relacin entre la(s)
variable(s) dependiente(s) y los regresores ha sido establecida por alguna ciencia o disciplina.
Sin duda, por su facilidad de interpretacin, los modelos de regresin lineal son los ms
populares, los ms empleados y los ms fciles de interpretar.
Los pasos para realizar la regresin son, primero seleccione los datos que se encuentran
ordenados en su archivo de Excel, segundo en el Simulador de Riesgo seleccione Pronstico
Anlisis de Regresin
Tercero, seleccione la variable dependiente, y seleccione si es el caso, varias rezagas o incluir al
modelo la transformacin logaritmo natural a las variables independientes. Obteniendo un
reporte como el siguiente:
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
48
Una vez tenga el modelo estimado y haya evaluada la significancia de cada una de las
variables, evalu los supuestos del modelo de regresin lineal, para ello seleccione la base de
datos y dirjase a Herramientas Analticas Herramientas de Diagnstico, lo que le permitir
evaluar no multicolinealidad, no autocorrelacin, homocedasticidad, normalidad, evidencia de
procesos estocsticos, valores atpicos, entre otros.
Lo que deber seleccionar es la variable dependiente del modelo, y posteriormente obtendr
un archivo temporal de Excel en el cual encontrar todos los resultados del modelo.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
49
4.7.2 Anlisis de Series de tiempo
El anlisis de series de tiempo consiste principalmente en identificar los componentes que
tiene la serie de tiempo (estacionalidad, tendencia, ciclo y aleatorio) para poder realizar los
pronsticos correspondientes. Risk Simulator cuenta con los siguientes modelos de anlisis de
series de tiempo
Por ejemplo se cuenta con el siguiente histrico de ventas y se desea analizar con base en su
comportamiento pasado el futuro de las ventas.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
50
De acuerdo al grfico se observa un comportamiento tendencial y evidencia de estacionalidad
en la serie, para lo cual de acuerdo a los modelos se podra realizar una estimacin por el
mtodo Aditivo o Multiplicativo de Holt- Winters. Al seleccionar los datos e ir al mdulo de
pronstico Anlisis de Series de Tiempo emerge la siguiente ventana:
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
51
En la cual el usuario tiene varias posibilidades, entre ellas la primera y ms sencilla, y es que el
software seleccione el mejor modelo de los 8 posibles y adicionalmente que encuentre los
parmetros que minimizan el RMSE (Root Mean Square Error). La segunda opcin es que el
usuario seleccione el modelo que considera evaluar de acuerdo a los datos, en este caso puede
seleccionar entre que el software encuentre los parmetros que minimizan de igual forma el
RMSE o por el contrario el usuario puedo ingresarlos manualmente.
Al ejecutar Seleccin Ejemplar Automtica
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
52
Se generan dos resultados el primero una tabla con los 8 modelos posibles con sus parmetros
y el RMSE correspondiente, la tabla presenta el orden de seleccin de los modelos, en este
caso el modelo seleccionado es un Holt-Winter Multiplicativo, en una hoja adicional se
presenta la descripcin del modelo y su interpretacin similar a la siguiente imagen.
4.7.3 Pronsticos Box-Jenkins ARIMA
Uno de los modelos ms usado son los ARIMA (Modelos Autorregresivos (AR) Integrados (I) y
de media mvil (MA)), los cuales buscan explicar el comportamiento de una serie por medio de
su pasado y de los choques aleatorios o de error que haya sufrido en el tiempo, a este tipo de
modelos se denomina dinmico.
Para poder realizar un modelo ARIMA se debe partir que la serie es estacionaria, es decir que
tanto su media como su varianza no cambian y no dependen del tiempo, se recomienda para
este tipo de modelos tamaos muestrales amplios ya que permiten modelar mejor el
comportamiento de la variable de estudio.
Para el estudio de los modelos ARIMA se usa la metodologa de Box Jenkins, el primer paso
es la identificacin del modelo, segundo la estimacin, tercero el diagnstico y por ltimo el
pronstico.
4.7.3.1 identificacin de un modelo arima
La correcta identificacin de un modelo ARIMA requiere poder contar con la paciencia
suficiente para poder realizar cambios, pruebas, estimaciones, etc., pero ante todo se debe
tener claro que una correcta identificacin puede evitar problemas futuros con los dems
pasos.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
53
Antes que nada se debe verificar el supuesto fundamental de los modelos ARIMA y es que la
serie sea estacionaria, la primera aproximacin es realizar una grfica de la serie, para este
ejemplo se usar una serie del IPP (ndice de precios al productor) de Colombia, observemos la
grfica, para pegar una grfica a Word se da clic derecho sobre el grfico Copiar se selecciona
el formato y se pega en la ubicacin deseada.
La grfica nos da una primera conclusin de que la serie no es estacionaria, si se toman
diferentes perodos mustrales las medias y las varianzas sern distintas, cuando una serie es
no estacionaria se dice de igual forma que la serie tiene raz unitaria.
Con Risk Simulator usted podr verificar si la serie es estacionaria por medio de la herramienta
de Anlisis de Estadsticas en el men de Herramientas Analticas. Una vez seleccionados los
datos:
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
54
Se debe seleccionar en el men desplegable de Correr Series de tiempo
Emerge una hoja nueva, en este caso se selecciona la hoja de Estocsticos y en la seccin de
Resumen Estadsticos, se observa la Probabilidad de Ajuste del Modelo Estocstico, si es mayor
al 5% indica que la serie es no estacionaria. El otro mtodo es por medio de la autocorrelacin,
en este mismo archivo se encontrar una hoja con ese nombre, por medio del grfico de
correlaciones se puede determinar si la serie es estacionaria o no dependiendo si la serie
decrece lentamente o no.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
55
Las autocorrelaciones parciales nos indican el componente AR y las simples el componente
MA, en este caso dado que se diferenci una vez se dice que la serie es Integrada de orden (1).
4.7.3.2 Estimacin
Una vez se tenga la variable estacionaria y los posibles modelos identificados se procede a
realizar la estimacin del o los modelos propuestos.
Los resultados de la estimacin por RS nos permite revisar los coeficientes, la probabilidad
asociada, estadsticos descriptivos y algunas pruebas.
El segundo paso de la estimacin es verificar la significancia de los rezagos y de los errores en
este caso el rezago AR(2) y el MA(1) no son significativos, en los modelos ARIMA al igual que
en MCO una variable puede ser la causante de la insignificancia de algunas variables, para ello
se recomienda eliminar las variables con mayor probabilidad de ser no significativas.
4.7.3.3 Diagnostico
El siguiente paso de acuerdo a la metodologa de Box Jenkins es realizar la diagnosis del
modelo es decir verificar los supuestos del modelo y su correcta especificacin y estimacin, si
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
56
el modelo no presenta inconvenientes y cumple la teora se procede a pronosticar o hacer
impulso respuesta; en el caso de no cumplir algn supuesto o se presenta una mala definicin
del modelo se procede al primer paso la identificacin del modelo.
El primer paso es realizar la grfica de los residuales y verificar si presentan problemas con su
varianza, lo que puede ser efecto de coeficientes no incluidos o de outliers en la historia de la
serie, ahora es conveniente realizar una prueba ms robusta para ello usamos el Correlograma
del modelo estimado, este correlograma es sobre los residuos del modelo si hay algn
coeficiente significativo se debe incluir en la estimacin.
Una vez se tengan los modelos evaluados (recuerde tener por lo menos dos modelos) y que
cumplan los supuestos de los modelos ARIMA, se debe seleccionar el mejor modelo
ESTIMADO, para ello se usan los criterios de informacin que RS presenta: AIC (Akaike
Information Criteria), BIC o SIC (Bayesian o Schuartz Information Criteria) y Hannan Quinn, el
mejor modelo ser aquel que tenga los criterios de informacin ms pequeos.
4.7.3.4 pronostico
Como se mencion anteriormente debe tener claro el usuario que se quiere con el modelo si
una correcta estimacin para lo cual para seleccionar el mejor modelo usa los criterios de
informacin, pero si su objetivo es pronosticar se usan los criterios de evaluacin de
pronstico.
RS imprime los resultados de los estadsticos RMSE, MAE, MAPE y U-Theil para poder evaluar
el o los modelos, si se tienen dos o ms modelos, el mejor modelo ser aquel que tenga stos
estadsticos ms pequeos y una U-Theil menor que 1.
4.7.4 ESTIMACIN POR RS
Risk Simulator cuenta con dos herramientas para la estimacin de modelos ARIMA, la primera
es la AUTO ARIMA, la cual realiza el procedimiento de identificacin, estimacin, verificacin y
pronstico de manera automtica. Primero se seleccionan los datos y en el men de
Pronstico se selecciona AUTO-ARIMA
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
57
RS reporta los modelos que evalu por medio del siguiente cuadro:
Es importante anotar que en esta herramienta RS utiliza el criterio del R
2
ajustado como
herramienta de seleccin del mejor modelo.
El reporte incluye una explicacin estadsticas del procedimiento realizado por RS y de igual
forma presenta los pronsticos del modelo y una grfica para la estimacin y otra para los
residuales del modelo.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
58
La otra forma de estimacin es similar a la anterior, en Pronstico se selecciona la opcin
ARIMA:
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
59
En este caso el usuario debe ingresar los parmetros del modelo ARIMA, es decir el
componente Autorregresivo (AR), el integrado (I) y el de media mvil (MA). Generando un
reporte como el siguiente:
4.8. PROCESOS ESTOCSTICOS
Un Proceso Estocstico en una secuencia de eventos o caminos generados por las leyes de
probabilidad. Esto significa que eventos aleatorios pueden ocurrir en el tiempo, pero son
regidos por leyes estadsticas y probabilsticas especificas. Los principales Procesos
Estocsticos incluyen la Caminata Aleatoria o Proceso Browniano, Regresin a la Media y los
Saltos de Difusin. Estos procesos pueden ser utilizados para pronosticas una multitud de
variables que aparentemente sigan tendencias aleatorias pero que estn restringidas por las
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
60
leyes de la probabilidad. Podemos usar los Procesos Estocsticos del Simulador de Riesgo para
simular y crear estos procesos. Estos procesos tambin pueden ser usados para pronosticar
una multitud de datos de series de tiempo que incluyen, precios de acciones, tasas de inters,
tasas de inflacin, precios del petrleo, precios de la electricidad, p
recios de bienes bsicos o commodities , y muchos ms.
Usted tiene dos posibilidades para utilizar la herramienta de procesos estocsticos ubicada en
el modulo de pronstico, la primera es ingresar valores aleatorios en los parmetros de cada
modelo para verificar algn tipo de comportamiento, el segundo es ajustar a una serie de
datos histrica los parmetros correspondientes.
Para la segunda opcin debemos ingresar a Herramientas Analticas Anlisis de Estadsticas
Y seleccionar la opcin de Estimacin de Parmetro Estocstico, lo cual nos genera el siguiente
reporte:
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
61
Una vez conocidos los parmetros del proceso estocstico, se proceder a realizar los
pronsticos correspondientes por la ruta Pronstico Avanzado - Procesos Estocsticos
Una vez se ingresan los parmetros correspondientes se realiza el correspondiente reporte de
las simulaciones que realiz el software de acuerdo al modelo y los parmetros ingresados.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
62
4.9 MODELOS LOGIT- PROBIT TOBIT
Las Variables Dependientes Limitadas describen las situaciones donde la variable dependiente
contiene datos que estn limitados en alcance y rango, como binarias (0 o 1), truncadas,
ordenadas o datos censurados. Por ejemplo, dado un conjunto de variables independientes
(p.ej., edad, ingreso, educacin, cupo de tarjeta de crdito o tenencia de prstamo
hipotecario), podemos calcular la probabilidad de incumplimiento utilizando la estimacin de
mxima verosimilitud (MLE por sus siglas en ingles).
La respuesta o variable dependiente Y es binaria, es decir, puede tener solamente dos posibles
resultados que denotaremos como 1 y 0 (p.ej., Y puede representar la ausencia/presencia de
una condicin especifica, cumplimiento/incumplimiento de un prstamo previo, xito/fracaso
de algunos dispositivos, respuesta si/no en estudios, etc.). Tambin tenemos un vector de
variables independientes o regresores de X, los cuales se asumen con influencia en el resultado
Y. Una tpica aproximacin con una regresin de mnimos cuadrados ordinarios es incorrecta
porque los errores de la regresin son heteroscedasticos y no normales; y los resultados
estimados de probabilidad resultantes serian valores sin sentido sobre 1 o debajo de 0. MLE se
ocupa de estos problemas de anlisis utilizando una rutina de optimizacin iterativa que
maximiza la funcin logartmica de verosimilitud cuando las variables dependientes son
limitadas.
Una regresin Logit o Logstica es usada para predecir la probabilidad de ocurrencia de un
evento para datos ajustados a una curva logstica. Esto es generalizado en el modelo lineal
utilizado para la regresin binomial. MLE aplicado en un anlisis logstico multivariado binario
es usado para modelar variables dependientes para determinar la probabilidad esperada de
xito de pertenecer a un cierto grupo. Los coeficientes estimados por el modelo Logit son
cocientes logartmicos de probabilidad, y no pueden interpretarse directamente como
probabilidades. Un rpido clculo es requerido primero y luego la aproximacin es sencilla.
Especficamente, el modelo Logit es especificado como Estimado Y= LN[Pi/(1Pi)] o en cambio,
, Pi = EXP(Estimado Y)/(1+EXP(Y Estimado)), y los coeficientes i son cocientes logartmicos de
probabilidad, a fin de tomar el antilogaritmo o EXP(i) obtenemos los cocientes de
probabilidad de Pi/(1Pi). Esto significa que un incremento en una unidad de i incrementa la
probabilidad en este monto. Finalmente, la tasa de cambio en la probabilidad dP/dX = iPi(1
Pi). El Error Estndar mide la precisin de los coeficientes, y la t-estadstica son los coeficientes
de cada Coeficiente respecto a sus errores estndar, los cuales son usados en la prueba de
hiptesis para calcular el nivel de significancia de cada parmetro estimado. Para estimar la
probabilidad xito de pertenecer a un grupo especifico (p. ej., predecir si un fumador
desarrollara complicaciones pulmonares dado el monto de cigarrillos consumidos por ao),
simplemente calcule el valor Estimado Y utilizando los coeficientes MLE. Por ejemplo, si el
modelo es Y = 1.1 + 0.005 (Cigarrillos) entonces para una persona que fume paquetes de
cigarrillos por ao tiene un Y Estimado de 1.1 + 0.005(100) = 1.6. Despus, calcule la inversa
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
63
del antilogaritmo para el valor encontrado previamente de probabilidad EXP(Y Estimado)/[1 +
EXP(Y Estimado)] = EXP(1.6)/(1+ EXP(1.6)) = 0.8320. Por lo tanto una persona tiene un 82.20%
de probabilidad de desarrollar algn tipo de complicacin pulmonar en vida.
Un modelo Probit (algunas veces conocido como modelo Normit) es una alternativa popular de
especificacin para un modelo binario en cual emplea una funcin probit utilizando una
estimacin de mxima verosimilitud y la aproximacin es llamada regresin probit. Los
modelos de regresin Probit o Logistica tienden a producir predicciones similares, donde los
parmetros estimados en una regresin logstica son entre 1.6 y 1.8 veces ms altos que los
correspondientes a los coeficientes de un modelo Probit. La eleccin de un modelo Probit o
Logit es enteramente relacionado con la conveniencia particular, y la principal distincin entre
ambos se basa en el hecho que la distribucin logstica tiene una mayor curtosis (colas gordas)
para tener en cuenta en los valores extremos. Por ejemplo, suponga que una familia tiene la
decisin de adquirir una vivienda y su respuesta es una variable binaria (comprar o no comprar
la vivienda) y depende de una serie de variables independientes Xi como son el ingreso, la
edad, tal que Ii = 0 + 1X1 +...+ nXn, donde el mayor valor de li, significa una mayor
probabilidad de ser propietario de la vivienda. Para cada familia, existe un umbral crtico I*,
donde si es superado la casa es comprada por alguien ms, es decir, la cas ano es comprada, y
la probabilidad de salida (P) se asume distribuida normalmente, tal que Pi=CDF(I) utilizando
una funcin de distribucin acumulada normal estndar (CDF). Por lo tanto, usa los
coeficientes estimados exactamente igual a los de un modelo de regresin, utilizando el valor
Estimado Y, y aplicar la distribucin normal estndar (usted puede usar la funcin Excel
DISTR.NORM.ESTAND o la herramienta de Anlisis de Distribucin seleccionando la
distribucin Normal y ajustando la media en 0 y la desviacin estndar en 1). Finalmente, para
obtener un Probit o unidad de probabilidad, defina li + 5 (esto es porque siempre la
probabilidad Pi < 0.5, el estimado li es negativo, debido al hecho que la distribucin normal es
simtrica alrededor de una media de cero).
El modelo Tobit (Tobit Censurado) es un mtodo de modelacin biomtrica y economtrica
usada para describir la relacin entre una variable dependiente no-negativa Yi y una o ms
variables independientes Xi. Un modelo Tobit es un modelo economtrico en el cual la variable
dependiente es censurada; esto es, la variable dependiente es censurada porque los valores
debajo de cero no son observados. El modelo Tobit asume que existe una variable
inobservable latente Y*. Esta variable es linealmente dependiente de las variables Xi va un
vector de coeficientes i, que determina sus interrelaciones. En adicin, el trmino del error Ui
est distribuido normalmente para capturar la influencia aleatoria en esta relacin. La variable
observable Yi es definida como la igualdad de la variable latente siempre que las variables
latentes sean superiores a cero y Yi es asumido como cero en otro caso. Esto es, Yi = Y* si Y* >
0 y Yi = 0 si Y* = 0. Si el parmetro de relacin i es estimado utilizando una regresin de
mnimos cuadrados ordinarios de los observados Yi en Xi, los estimadores de la regresin
calculada son inconsistentes y el coeficiente de la pendiente se encuentra insesgada hacia
abajo y el intercepto insesgado hacia arriba. nicamente el MLE podra ser consistente para un
modelo Tobit. En el modelo Tobit, se tiene un complemento estadstico llamado Sigma, el cual
e equivalente al error estndar de la estimacin en una regresin de mnimos cuadrados
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
64
ordinarios y los coeficientes estimados son usados en el mismo sentido que en el anlisis de
regresin.
Usando la siguiente base de datos, seleccione los datos y dirjase a Pronstico Avanzado
Modelo de Mxima Verosimilitud
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
65
Seleccione el modelo correspondiente, por ejemplo, LOGIT, y obtendr el siguiente resultado:
Como se coment anteriormente, los coeficientes no son interpretados, se debe realizar la
transformacin Z / 1-Z, para conocer los coeficientes que permiten interpretar el aumento o
disminucin de probabilidades.
4.10 HERRAMIENTAS ESTADSTICAS Y ANALTICAS
Risk Simulator cuenta con un gran nmero de herramientas estadsticas y analticas que le
permiten al usuario poder sacar la mejor informacin posible de sus datos o de sus
simulaciones, pronsticos u optimizaciones. Entre las herramientas disponibles tenemos:
Ajuste de distribucin, simple y mltiple
Exportar o Importar datos
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
66
Herramientas de Diagnstico
Anlisis de Estadsticas
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
67
A manera de resumen:
Ejemplo de un Modelo de Evaluacin de Proyectos
Usted est decidiendo invertir en un proyecto de venta de pescado fresco y se considerarn 3
estrategias respecto a la capacidad de la planta y terreno, calidad de equipos y calidad del
personal y gerencia. Dado que dispone de poco capital se asume que se tendra que financiar
el 80% con deuda y a una tasa de 15% anual a 4 aos sin posibilidad de refinanciamiento. Se
asume liquidacin de todos los activos al trmino de los 5 aos. Los datos estimados son los
siguientes:
Se estima ventas en efectivo el ao 1 en 2MM y a una tasa de incremento de 10% por
ao y las cuentas por cobrar al final del ao seran de 10% de las ventas anuales
totales.
La inversin en terreno, obras civiles y equipos se estima en 0.5MM, 1MM y 0.7MM.
El capital de trabajo se estima en 0.8MM al inicio y a incrementarse en 8% anual del
aumento de ventas.
La planilla + costos laborales y otros gastos de personal se estima en 810M por ao.
Los costos variables se estiman cumplen lo siguiente CV = 30%*Ventas + 20,000*t ,
t=1,2,3,4,5, donde 30% es el porcentaje de costo en materia prima respecto a las
ventas, y los 20,000 son otros costos variables.
Se asume que el Capital de Trabajo se recupera ntegramente en la liquidacin y las
obras civiles se deprecian en 10% y los equipos en 15% anual.
El impuesto a la renta se estima en 30%.
Se estima la tasa de descuento en 14%.
a) Elabore el Flujo de Caja y el Estado de Prdidas y Ganancias con los datos mencionados.
b) Identifique cuales son las variables que tienen un mayor impacto en el VPN del Proyecto
mediante el diagrama de tornado asumiendo una distribucin triangular para todas las
variables del modelo y emplee simulacin de Monte Carlo para analizar el riesgo involucrado.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
68
c) Con los escenarios bajo, medio y alto aproxime una distribucin normal para asignar a las
variables del modelo, corra la simulacin con estas distribuciones y analice los resultados. .
d) Corra la simulacin con 1,000 y 10,000 iteraciones. Compare la precisin de ambas.
e) Suponga que hay la opcin de continuar el negocio por 2 aos ms luego de conocer todas
las incertidumbres. Como modelara esta situacin asumiendo que para ello a inicios del 6to
ao se tendra que invertir un 50% de la inversin inicial en terreno y obras civiles y 100% en
maquinaria y equipo, y el valor de liquidacin se mantiene igual y solo se descuenta la misma
depreciacin de los aos anteriores. Los dems supuestos se mantienen iguales en los 2 aos.
Use Simulacin para contestar las siguientes preguntas:
Se incrementa el VPN esperado?
Se incrementa la probabilidad de prdida?
Cul es el valor de la opcin?
f) Suponga ahora que el nivel de ventas estar ahora restringido a una capacidad de la planta
determinada de 3500 MM en ventas (se define la capacidad en trminos monetarios). Es decir
las ventas anuales no pueden ser mayor a esta capacidad. Corra la simulacin con estos
supuestos y compare los resultados con la anterior situacin.
2. DETERMINACIN DE COSTOS DE UN PROCESO DE PRODUCCIN
El objetivo del taller es tomar un ejemplo clsico de estimacin de costos de una empresa del
sector real, usando para ello las diferentes herramientas del software Risk Simulator:
- Ajuste de distribucin
- Establecer supuestos de entrada y salida
- Pronstico con modelos ARIMA, Series de tiempo y Extrapolacin
- Anlisis de Escenarios
- Grficas sobrepuestas
La empresa de Aceros ABC desea determinar los costos de su proceso de produccin el cual se
divide en las siguientes fases:
1. Fundicin
2. Formacin
Se tienen 3 materias primas, A, B y C. (MP), tiene unos costos de MOD (mano de obra directa)
y MOI (mano de obra indirecta), adems, CIF (costos indirectos de fabricacin).
El objetivo (VARIABLE OUTPUT-PRONOSTICO) es que pueda presentar un informe en el cul
indique con un nivel de confianza del 95% Costo total de Materiales. MOD, CIF y del total de
costos del proceso de fundicin (B30:E30) y de formacin (H30:K30) respectivamente. HOJA
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
69
FORMATOS. Las Hojas Datos y Formato se encuentran vinculadas, por medio de las siguientes
condiciones.
Para la realizacin del ejercicio usted se reuni con las diferentes reas que participan en el
proceso recolectando la siguiente informacin.
1. En el proceso de fundicin, la materia prima A tiene unos costos de mnimo
$70.000.00, en promedio $95.000.000 y mximo $120.000.000 CELDA C4 HOJA DATOS,
2. Para la materia prima B, se consult con el proveedor el cual afirm que en promedio
nos vende $23.000.000 y que en promedio nos desviamos como un 10% de ese valor
CELDA C5 HOJA DATOS
3. Para el proceso de fundicin la MOD an no se tiene el dato actualizado pero se tienen
los datos de los ltimos 3 aos los cuales estn en la hoja MOD, realice un pronstico
por medio de la opcin de Anlisis de Series de Tiempo para ese dato faltante
CELDA C8 HOJA DATOS
4. Para el proceso de fundicin MOI se tienen los datos histricos en la hoja MOI de los
ltimos 2 aos, se requiere tener en cuenta las posibles variaciones que puede tener
esa variable en los resultados, para ello realice un ajuste de distribucin CELDA C9
HOJA DATOS
5. Para el proceso de Formacin los datos de materia prima C an no se han calculado,
por eso el gerente de produccin recomienda utilizar los datos histricos que se
encuentran en la hoja MP C y hacer un pronstico por medio de un modelo ARIMA
CELDA D6 HOJA DATOS
6. En la MOD del proceso de formacin se tienen los siguientes datos histricos, selos
para poder determinar la distribucin asociado a la MOD CELDA D8 HOJA DATOS.
Nota: Distribucin Personalizada
VALOR FRECUENCIA
$ 60,000,000,00 1
$ 66,000,000,00 10
$ 70,000,000,00 5
$ 75,000,000,00 2
7. Los CIF del proceso de formacin se deben pronosticar, para ello un especialista
recomend usar la metodologa de la extrapolacin, usando los datos de la hoja CIF del
ltimo ao extrapole un perodo y use el pronstico para el ejercicio CELDA D10 HOJA
DATOS
8. Para el proceso de produccin de fundicin se requiere hacer un pronstico de las
Unidades Iniciadas (Uds Iniciadas), para ello usando los datos de la hoja UDS1
seleccione el mejor modelo entre un modelo de Series de Tiempo y uno de un modelo
ARIMA CELDA B8 HOJA FORMATO
9. Realice el mismo procedimiento para el proceso de formacin de acuerdo al numeral
anterior usando los datos de la hoja UDS2 CELDA H8 HOJA FORMATO
10. La variable prdidas normales es la misma para el proceso de fundicin como para el
de formacin, obtenga la distribucin asociada y para la estimacin de los costos
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
70
establezca la distribucin como una variable supuesto. CELDAS B9 Y H9 HOJA
FORMATO
Solucione las preguntas iniciales del taller que es generar el informe.
11. Por medio de un anlisis de escenarios analice como ante cambios en la unidad de
produccin de unidades iniciadas y prdidas normales de 10 unidades desde 1450 a
1600 para las unidades iniciadas y para prdidas normales de 10 unidades desde 130 a
210 se produce cambio en el costo total.
12. Por medio de la opcin de grficas sobrepuestas compare los costos totales del
proceso de produccin fundicin contra formacin.
13. Genere un reporte de los resultados presentando el percentil 40%, 60%, 75% y 99%
para los costos totales de cada variable supuesto
3. TALLER ESTADOS FINANCIEROS
1. Realice un modelo de Prdidas y ganancias, completando la siguiente informacin para la
realizacin del Estado de Prdidas y Ganancias
- Con los datos de los Ingresos descritos en la Hoja Ingresos analice cul es la distribucin
asociada a los Ingresos, adicionalmente analice la variable por medio de la opcin Anlisis de
Estadsticas verifique si los datos son normales, haga la prueba de que la media es igual a
550.000.000.
- Se le pregunt al comit de costos sobre la distribucin que tenan los costos, ellos
argumentaron no tener conocimientos sobre distribuciones ya que solo son operarios, pero
respondieron que los costos generalmente estn entre 300.000.000 y 600.000.000
- Los gastos de personal no se han podido calcular dado un problema en el sistema contable de
la empresa, por eso, se recomienda realizar un pronstico de los ltimos 4 aos para conocer
cunto podra ser el valor del mes de diciembre
Realice un pronstico por medio de un mdelo ARIMA de la hoja gastos de
personal
Realice un pronstico por medio de Anlisis de Series de tiempo
Compare los RMSE, para el modelo ARIMA lo encuentra como suma del promedio de
cuadrados y debe sacarle la raz. Seleccione para pronosticar el mdelo que tenga el menor
RMSE
- Los Honorarios tienen una distribucin triangular con mnimo 1000000, mximo 10000000 y
ms probable 5500000
- Los Gastos Diversos, tienen una relacin con un conjunto de variables, por lo tanto se desea
estimar el valor del gasto diverso por una relacin lineal, del tipo un modelo de regresin
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
71
lineal, en la hoja gastos diversos estn los datos de 49 meses anteriores con los gastos
correspondientes, pero no se ha calculado para el mes de diciembre el valor de ste mes, por
lo tanto se desea utilizar un modelo de regresin lineal para poder realizar el anlisis.
- Debe pronosticar las variables Utilidad Antes de Impuesto y la Utilidad Neta del Ejercicio
- Antes de realizar la simulacin debe analizar las variables que afectan a la Utilidad Antes de
Impuesto por medio de un anlisis Tornado, posteriormente a la simulacin realice un anlisis
de Sensibilidad
2. Utilizando el archivo Estimacin de Costos, realice el ejercicio planteado en la hoja
descripcin
3. Realice el ejercicio de seleccin de portafolio
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
72
5. BIBLIOGRAFA
[1] Aragons, J. R. and Blanco, C. and Mascareas, J. M. and Pierce, M. El valor en
riesgo en la gestin de carteras de acciones: el empleo de ndices sectoriales como factores de
riesgo en la gestin de fondos de renta variable. Revista europea de direccin y economa de la
empresa, 9(4):113-122, 2000.
[2] Becerra, O. and Melo, L. Medidas de riesgo, caractersticas y tcnicas de medicin:
una aplicacin del VaR y el ES a la tasa interbancaria de Colombia. Borradores de economa,
343, Banco de la Repblica, 2005.
[3] Bollerslev, Tim. Generalized Autoregressive Condicional Heteroscedasticity.
Journal of Econometrics, 31:309 - 328, 1986.
[4] Medicin integral del riesgo de crdito. Limusa Noriega Editores, 2003.
[5] Cox, D.R. The analysis of binary data. Methuen & Co., 1970.
[6] Cox, D.R. and Snell, E.J. The Analysis of Binary Data. Chapman and Hall, 2 edition,
1989.
[7] Engle, Robert. F. Autoregressive Condicional Heteroscedasticity with Estimates of
the Variance of United Kingdom Inflation. Econometrica, 50(4):987 - 1006, 1982.
[8] Fisher, Ronald. The Use of Multiple Measurements in Taxonomic Problems.
Annual Eugenics, 7(4):179-188, 1936.
SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS
73
[9] Hosmer, D.W and Lemeshow, S. Applied logistic regression. John Wiley and Sons,
1989.
[10] Kolmogorov, Andrei. Grundbegriffe der Wahrscheinlichkeitsrechnung.. Springer,
1933.
[11] Mays, Elizabeth. Credit Scoring For Risk Managers: The Handbook For Lenders.
South-Western Educational P., 1 edition, 2003.
12] Mays, Elizabeth. Handbook of Credit Scoring. Glenlake Publishing Company, 2001.
[13] Nagelkerke, N. J. A note on a general definition of the coefficiente of
determination. Biometrika, 78(3):691-692, 1991.
[14] Pea, Daniel. Anlisis de Datos Multivariantes. Mc. Graw Hill, 1 edition, 2002.
[15] Press, J. and Wilson, S. Choosing between logistic regression and discriminant
analysis. Journal of the American Statistical Association, 73(364):699 - 705, 1978.
[16] Prez, Cesar. Econometra Avanzada. Tcnicas y Herramientas. Pearson
Educacin S.A., 2008.
[17] Raymond, Anderson. The Credit Scoring Toolkit: Theory and Practice for Retail
Credit Risk Management and Decision Automation. Oxford Univerity Press, 2007.
[18] Siddiqi, Naeem. Credit Risk Scorecards: Developing and Implementing Intelligent
Credit Scoring. John Wiley and Sons, 2006.
[19] Smirnov, N. Estimate of deviation between empirical distribution functions in
two independent samples Bull. 2(2):3 - 16, 1933.
[20] Tagliafichi, R. La danza de los cisnes ''blancos" y el clculo del VaR. Palermo
Business Review, (3):29 - 48, 2009.