Manual RS

SOFTWARE SHOP REAL OPTIONS VALUATION
INSTRUCTOR: BRAYAN RICARDO ROJAS

1

FUNDAMENTACIN EN RIESGO CON RISK SIMULATOR

TABLA DE CONTENIDO
1. RIESGO ................................................................................................................................... 3
2. TIPOS DE RIESGO ................................................................................................................... 4
2.1 RIESGO DE MERCADO ......................................................................................................... 4
2.1.1 Valor en Riesgo ............................................................................................................. 6
2.1.2 Cpulas ......................................................................................................................... 6
2.1.3 Teora del Valor Extremo .............................................................................................. 7
3. RIESGO DE CRDITO .......................................................................................................... 7
3.1 Prdida Esperada ............................................................................................................. 8
3.1.1 Probabilidad de Incumplimiento (PD) ......................................................................... 8
3.1.2 Exposicin (EAD) .......................................................................................................... 8
3.1.3 Severidad de la Prdida (LGD) ...................................................................................... 8
3.2 Mtodos de Prdida Esperada ........................................................................................... 9
3.3 Tcnicas Paramtricas ....................................................................................................... 10
3.3.1 Regresion lineal .......................................................................................................... 10
3.3.2 Anlisis discriminante ................................................................................................ 11
3.3.3 Modelo Logit y Probit ................................................................................................. 13
3.4 Tcnicas no Paramtricas .................................................................................................. 16
3.4.1 rboles de decisin .................................................................................................... 16
3.4.2 Redes neuronales ....................................................................................................... 16
3.5 Pruebas de Evaluacin ...................................................................................................... 16
3.5.1 Kolmogorov- Smirnov ................................................................................................ 17
3.5.2 Curva ROC ....................................................................................................................... 17
3.5.3 Chi-Square .................................................................................................................. 18
3.5.4 Hosmer - Lemeshow ....................................................................................................... 19
2.3 RIESGO OPERACIONAL ...................................................................................................... 20
2.3.1 Modelo del Indicador Bsico (BIA) ...................................................................... 21
2.3.2 Mtodo Estndar (STDAOp) y Estndar Alternativo (ASA) ................................. 21
2.3.3 Mtodo de Medicin Avanzada (AMA) ............................................................... 21
2.3.3.1 Medicin de la Frecuencia .............................................................................. 22
2.3.3.2 Medicin de la Severidad ................................................................................ 22
4. RISK SIMULATOR ................................................................................................................. 23
4.1 INTRODUCCIN A RISK SIMULATOR ..................................................................................... 24

2

4.2 SIMULACIN CON RISK SIMULATOR ................................................................................. 26
4.2.1 DEFINIENDO PERFIL .................................................................................................... 27
4.2.2 DEFINIENDO VARIABLES SUPUESTOS ......................................................................... 28
4.2.3 DEFINIENDO VARIABLES PRONSTICO ...................................................................... 29
4.2.4 EJECUTANDO LA SIMULACIN ................................................................................... 29
4.2.5 RESULTADOS DE LA SIMULACIN .............................................................................. 30
4.2 EJEMPLO DE COSTOS TOTALES ......................................................................................... 32
4.3 VaR por Mtodo de Simulacin de Montecarlo ................................................................ 35
4.4 Ejemplo de Evaluacin de Proyectos ................................................................................ 35
4.5 OPTIMIZACIN CON RISK SIMULATOR.............................................................................. 39
4.5.1 DEFINIENDO VARIABLES DECISIN ............................................................................ 40
4.5.2 DEFINIENDO VARIABLES OBJETIVO ............................................................................ 40
4.5.3 DEFINIENDO RESTRICCIONES ..................................................................................... 41
4.5.4 EJECUTAR LA SIMULACIN ......................................................................................... 41
4.5.5 RESULTADOS DE LA OPTIMIZACIN ........................................................................... 42
4.6 ANLISIS DE SENSIBILIDAD Y TORNADO ........................................................................... 43
4.7 PRONSTICO ..................................................................................................................... 46
4.7.1 Regresin Lineal ......................................................................................................... 47
4.7.2 Anlisis de Series de tiempo ....................................................................................... 49
4.7.3 Pronsticos Box-Jenkins ARIMA ................................................................................. 52
4.7.3.1 identificacin de un modelo arima ........................................................................ 52
4.7.3.2 Estimacin ............................................................................................................... 55
4.7.3.3 Diagnostico .............................................................................................................. 55
4.7.3.4 pronostico ............................................................................................................... 56
4.7.4 ESTIMACIN POR RS .................................................................................................. 56
4.8. PROCESOS ESTOCSTICOS ............................................................................................... 59
4.9 MODELOS LOGIT- PROBIT TOBIT .................................................................................... 62
4.10 HERRAMIENTAS ESTADSTICAS Y ANALTICAS ................................................................ 65
5. BIBLIOGRAFA ...................................................................................................................... 72


3

1. RIESGO

El inters por la administracin del riesgo se ha incrementado de manera vertiginosa
esto en parte es causa de la globalizacin; en vista del gran nmero de transacciones que se
presentan a diario entre empresas de diferentes lugares del mundo, hay presencia de efectos
aleatorios los cuales pueden modificar los resultados de las transacciones, pero estos efectos
pueden presentarse desde cualquier contexto: cambios en el precio de una accin, la
volatilidad en el tasa de cambio de un pas con respecto a otro, el dao de una mquina de
produccin, la sequa o el exceso de lluvias, el cambio en la normatividad de un pas, son slo
algunos ejemplos de los efectos aleatorios que se encuentran en la realidad.
Estos efectos aleatorios se pueden clasificar en dos, uno al que llamaremos riesgo y
otro incertidumbre, aunque ambos estn relacionados, el primero es la posibilidad de que
ocurra un evento o impacto adverso, que puede ser interno o externo, que genere en cierto
perodo de tiempo una variacin en los resultados esperados de una situacin dada, esta
posibilidad es medible. Mientras la incertidumbre se diferencia con el riesgo en que no es
medible debido a que incluye variables que se desconocen.
Es importante que las organizaciones tengan claro qu es el riesgo y adems que
tengan conocimiento de los tipos de riesgos que se pueden presentar para as poder
establecer polticas de gestin del riesgo de una forma ms acertada. Pero, por qu es
importante la administracin del riesgo?. El riesgo es una variable importante en la toma de
decisiones, si no se tienen en cuenta los riesgos a los que se enfrenta un individuo, una
empresa, un sector o un pas, los resultados podran no ser los esperados. Un ejemplo claro es
la decisin de una inversin, si se desea invertir en la Bolsa de Valores de Colombia, en la
accin de la empresa A que tiene un valor por accin de $ 10.000, y el inversionista desea
obtener ganancia, l esperar que para cierto perodo de tiempo la accin suba y de esta
manera vender y obtener una ganancia. Pero qu ocurre si en vez de subir, la accin baja, el
inversionista se enfrenta a una prdida. Pero qu puede causar sta prdida?, puede ser
desde un efecto por alguna noticia sobre la empresa A, hasta por el anunci de la Reserva
Federal en Estados Unidos de un incremento en la tasa de referencia. El inversionista debe
tener en cuenta todos estos factores de riesgo (variables aleatorias que no se conocen en el
futuro ni su comportamiento exacto) para su decisin. As mismo se puede presentar el caso
donde la accin A llega a niveles superiores a los que esperaba el inversionista. Para poder
controlar todos esos factores es importante desarrollar una buena administracin del riesgo.
La correcta gestin del riesgo incluye procedimientos capaces de generar y ofrecer un
buen entendimiento de los conceptos y factores de riesgo as como las clases de riesgo a los
que est expuesta una entidad, esto permitir realizar una planificacin para anticiparse a los
posibles resultados y consecuencias.


4

2. TIPOS DE RIESGO

A continuacin se presentarn las clases de riesgo a las que una entidad puede
enfrentarse:
Riesgo de Crdito: Son las posibles prdidas que se pueden generar por deterioro de la
situacin financiera de terceros o contraparte que tienen obligaciones con la entidad
Riesgo de Mercado: Posibles prdidas que se pueden dar por variaciones en tasas de inters,
tasas de cambio, precios y dems factores de riesgo.
Riesgo de Liquidez: Posibilidad de prdidas que se pueden generar por la imposibilidad de
vender activos o de adquirir pasivos ante necesidades de liquidez
Riesgo Operacional: Es la posibilidad de que se incurra en una prdida causada por una
insuficiencia o falla de procesos, del personal, procedimientos, de maquinaria o cualquier
elemento que influya en las labores de la empresa.
Riesgo Legal: Riesgo de prdida debido a los cambios en la normatividad de un pas que afecta
los acuerdos contractuales, procesos legales o sentencias adversas.
Riesgo ambiental: Posibilidad de prdida causada por un efecto ambiental o climtico.
Cada clase de riesgo contiene un grupo de factores de riesgo, por ejemplo, en el riesgo
de mercado, algunos factores de riesgo son la tasa de inters, la tasa de cambio y el precio,
entre otros.

Como primer paso se deben definir los factores de riesgo de una empresa y
posteriormente se determina un mapa de riesgos, el tercer paso medir el riesgo asignando un
conjunto de nmeros a las posibilidades de ocurrencia de los hechos inciertos, cuarto paso la
medicin de la exposicin y por ltimo determinar una medida integral del riesgo. Una vez se
tenga una medida de riesgo, el personal encargado de la administracin de riesgo tiene
diferentes alternativas para la gestin, ellas son:
Eludir la exposicin eliminando la fuente de riesgo
Transferir el riesgo pagando por ello
Cubrir el riesgo
Mitigar
Asumir

2.1 RIESGO DE MERCADO
A continuacin se realizar una descripcin terica de algunas metodologas para la
medicin del riesgo de mercado, estas metodologas estn enfocadas principalmente a la

5

medicin del riesgo para activos financieros, por lo cual su anlisis se realiza para entidades
que cotizan en bolsa o que tengan inversiones en activos financieros.
Algunas de las metodologas referenciadas en este trabajo son aplicables a empresas
del sector real que no invierten en la bolsa o no tienen relacin con activos financieros, as
como las que si se relacionan.
El anlisis del riesgo de mercado se basa en clculo de la volatilidad a la que est
enfrentado un activo financiero, tales como acciones, bonos, futuros, as como variables
financieras fundamentales como son la tasa de inters y la tasa de cambio de referencia. Estas
metodologas se calculan con base en los retornos simples de un activo
1
para
definidos como

donde indica el precio del activo en el perodo , [2] presentan otras formas del
clculo de los retornos las cuales ofrecen ventajas estadsticas y matemticas, en ste trabajo
se usar el concepto de retorno simple presentado en la ecuacin (20) para facilidad en los
clculos y su anlisis. En el caso de un portafolio, el retorno para el siguiente perodo
puede escribirse como:
(1)
donde las ponderaciones estn indexadas por el tiempo, para reconocer la
naturaleza dinmica de las operaciones dentro de los portafolios, indica el retorno para
un activo en el perodo .
Como el inters es medir el riesgo de mercado de un activo
2
, tal como lo menciona [2],
una forma de medirlo es por medio de la funcin de distribucin de probabilidad de las
prdidas y ganancias de los activos.
La primera forma de medir el riesgo es por medio de la desviacin estndar la cual
se calcula de la distribucin de probabilidad de las prdidas y ganancias, la desviacin estndar
mide la volatilidad de los retornos de un portafolio, se define como:

donde , es la matriz de varianzas y covarianzas de los activos y
es el vector de participaciones ,

1
La ecuacin (1) se supone con dividendos iguales a cero.
2
Se usar la palabra Activo para un conjunto de activos financieros donde teniendo el
mismo significado que Portafolio el cual es un conjunto de activos financieros.

6

2.1.1 Valor en Riesgo

El Valor en Riesgo o VaR
3
es una medida estadstica que cuantifica la exposicin al
riesgo de mercado, a travs de la estimacin de la prdida mxima que podra registrar un
portafolio en un intervalo de tiempo y con cierto nivel de confianza, es decir, el VaR es la
mnima prdida esperada en una posicin para un horizonte temporal, con un nivel de
confianza (probabilidad) y moneda de referencia especficos. Esta metodologa fue difundida
por JP Morgan en 1994, donde se expona que al considerar la diversificacin de portafolios y
analizar las correlaciones entre los rendimientos de los activos se poda disminuir el riesgo a
causa de las volatilidades de los mercados financieros, bajo condiciones normales del mercado,
ya que en momentos de crisis y turbulencias econmicas la prdida esperada se define por
pruebas de estrs.
Usando una definicin estadstica, el VaR es el nivel de prdidas que se sita entre los
peores resultados esperados y los mejores resultados esperados en un
perodo de tiempo de la funcin de distribucin de prdidas y ganancias del activo.
De acuerdo a la definicin anterior, si el VaR diario de una cartera es de 1 milln de
dlares, con una probabilidad del 95%, significa que, en el perodo que comprende las
prximas 24 horas, existe una probabilidad del 5% de que la prdida ser superior al milln de
dlares o dicho de otra forma, la probabilidad de que las prdidas sean inferiores a 1 milln de
dlares es del 95%. Existen diferentes mtodos de calcular el VaR, el ms comn es el de
varianzas y covarianzas, tambin conocido como mtodo paramtrico o analtico, otras
metodologas se basan en la simulacin, que son de mayor uso en inversiones en derivados.
Entre estos mtodos se destacan la simulacin por Montecarlo y la simulacin histrica.

2.1.2 Cpulas

Utilizando la teora en espacios mtricos, Abe Sklar (1959) desarrolla un conjunto de
funciones denominadas cpulas, funciones que unen una funcin de distribucin multivariada
a sus marginales unidimensionales. La cpula logra capturar la estructura de dependencia
entre las variables, ya que se encuentra definida por la transformacin uniforme de las
distribuciones marginales, independiente de la distribucin de probabilidad que tengan cada
una. Bajo esta premisa, no se hace necesario exigir distribuciones de probabilidad normales
para las distribuciones marginales de las variables. Una Cpula es la funcin que vincula las
distribuciones marginales de las variables con su distribucin conjunta.
El objetivo de las cpulas es encontrar la funcin de distribucin conjunta H que mejor
refleje la relacin entre X y Y; aqulla que garantice que la distribucin condicionada que se

3
Value at Risk

7

asocie represente fielmente esa relacin de dependencia y pueda ser utilizada en el clculo del
VaR. Las cpulas permiten definir distribuciones de probabilidad conjuntas entre variables,
adicionales a las distribuciones multivariadas estndar que limitan los tipos de dependencia a
los que se puede representar. En este sentido, es posible concluir que la cpula logra capturar
toda la informacin que exista sobre dependencia en un conjunto de variables.

2.1.3 Teora del Valor Extremo

La teora del valor extremo introducida en los aos cincuenta por el matemtico
alemn Emil Julius Gumbel, soluciona los problemas que se presentan en la medicin del
riesgo cuando la distribucin de los retornos o precios de los activos financieros presenta colas
pesadas y por ende cuando existe una mayor probabilidad de ocurrencia de eventos extremos.
Existen dos tipos de metodologas para la identificacin de los valores extremos en las
series. El primero es conocido como mximo por bloques, cuyo campo de aplicacin radica en
las observaciones ms grandes de una muestra amplia de observaciones idnticamente
distribuidas. Por lo tanto, este modelo considera el mximo valor que toma una variable
aleatoria en periodos sucesivos de tiempo. Dichas observaciones son consideradas como los
valores extremos de la serie para cada uno de los periodos seleccionados.
El segundo tipo de metodologa es conocido como picos sobre el umbral (POT por sus
siglas en ingls), los cuales se basan en las observaciones de una muestra que exceden un
lmite o umbral previamente definido. Estos modelos a su vez se encuentran divididos en
aquellos que son semiparamtricos, como los construidos alrededor del estimador de Hill, y los
totalmente paramtricos, basados en la Distribucin Generalizada de Pareto (GPD). En este
caso, la serie original no es dividida en bloques, sino que se define un umbral a lo largo de su
historia, y aquellas observaciones que lo exceden se consideran valores extremos. Una de las
grandes ventajas que ofrece el modelo POT es que gracias al uso ms eficiente de la
informacin, es considerado como el modelo ms til en aplicaciones prcticas

3. RIESGO DE CRDITO

En un mundo altamente competitivo, el paisaje empresarial est cambiando
rpidamente. No hace mucho tiempo, los acreedores ofrecan crdito a ttulo personal, a
menudo eran a vecinos de la ciudad o grupos sociales conocidos. Como la toma de decisiones
se hizo ms centralizada, el mtodo tradicional de revisin por un agente de crdito ya no era
factible y tampoco rentable. Para realizar un proceso de decisin ms racional y cuantificable,
el acceso a informacin ms predictiva se convirti en un elemento imperativo y la
informacin de crdito se volvi extremadamente valiosa, [12].

8

Actualmente el tema del riesgo en las organizaciones se ha convertido en uno de los
principales temas a tratar en las agendas de las compaas, especialmente el riesgo crediticio
pues gran parte de la actual crisis se debe a falencias en la administracin de este tipo de
riesgo. Como se mencion anteriormente el riesgo crediticio son las posibles prdidas que se
pueden generar por deterioro de la situacin financiera de terceros que tienen obligaciones
con la entidad, este tipo de riesgo se mide para activos con naturaleza crediticia por ejemplo
prstamos comerciales, hipotecas, crditos de consumo, entre otros.
A continuacin se presentarn los elementos de medicin del riesgo de crdito:

3.1 Prdida Esperada

El objetivo de la medicin del riesgo crediticio es obtener la distribucin asociada a las
prdidas de incumplimiento esperadas y no esperadas, y el promedio de esta distribucin es la
Prdida Esperada (Expected Loss), es decir, el monto de capital que podra perder una entidad
en un plazo determinado si la contraparte no cumpliera con las obligaciones contradas. Este
clculo se debe realizar constantemente ya que permite afrontar futuras prdidas y tomar
medidas oportunas tales como hacer provisiones. Para su clculo son necesarios los siguientes
elementos:

3.1.1 Probabilidad de Incumplimiento (PD)
Es la probabilidad de que un cliente caiga en incumplimiento en un perodo
determinado. Su mnimo valor es cero, lo cual indicara que es imposible que incumpla con sus
obligaciones, y su mximo valor es uno cuando es seguro que incumpla.

3.1.2 Exposicin (EAD)
Estima la cantidad que el cliente adeudar al momento de que caiga en
incumplimiento.

3.1.3 Severidad de la Prdida (LGD)
Es el porcentaje estimado de lo que la institucin perdera en caso de que el cliente
cayera en incumplimiento
Teniendo estos tres componentes, la Prdida Esperada es simplemente el producto de
ellos:
(1)

9

3.2 Mtodos de Prdida Esperada

El elemento ms importante en la estimacin de la prdida esperada, es la
probabilidad de incumplimiento. Para ello actualmente el mtodo ms utilizado de medicin
es el credit scoring que es objetivo pues utiliza herramientas ms tcnicas, haciendo que las
entidades tengan un menor rol y hayan menos elementos subjetivos sobre la aprobacin de un
crdito. Aunque por supuesto el conocimiento y la experiencia de los analistas tambin juega
un papel esencial, especialmente cuando la informacin relevante no puede ser capturada por
un modelo Score, [12].
Los modelos de prdida esperada son ms conocidos como modelos de Credit Scoring
estn enfocados a identificar y medir el riesgo de crdito derivado del incumplimiento, el cual
se asocia a la prdida potencial, causada por la incapacidad de la contraparte de cumplir con
sus obligaciones, [4]. El trmino de Credit Scoring hace referencia al uso de modelos
estadsticos que transforman informacin relevante en medidas (numerales) que permiten
tener un criterio o una gua para la toma de decisiones financieras particularmente decisiones
en relacin a la evaluacin del crdito (aprobacin o no de un crdito). A travs de modelos de
prediccin (algoritmos, regresiones), las instituciones pueden predecir el comportamiento de
un cliente basados en la historia crediticia del cliente y las referencias de prestamistas
anteriores. De esta forma, los clientes se clasifican en buenos o malos, asocindoles un bajo o
alto riesgo, respectivamente y se define cuales de esos clientes potenciales sern
efectivamente aceptados por la entidad, [17]. Un scoring se refiere al uso de un numeral para
ordenar o clasificar casos (personas, compaas, pases) de acuerdo a percepciones cualitativas
o cuantitativas, con el objetivo de discriminar, dividir o separar los distintos casos. Los Scores
son usualmente presentados como un numeral que representan una caracterstica, mientras
los rangos son presentados usualmente como letras (A, B, C, etc) que representan una o ms
cualidades. Los score son creados por procesos probabilsticos (estocsticos) y no por procesos
determinsticos. Usualmente en lugar de ver los modelos scoring como una herramienta de
prediccin, son usados para conocer la probabilidad de un evento futuro basndose en las
experiencias del pasado, dependiendo la informacin que se tenga acerca del crdito los
modelos se pueden clasificar en dos tipos, de iniciacin o de comportamiento. Los modelos de
iniciacin son construidos utilizando variables socio demogrficas del cliente y una vez
obtenida la probabilidad de incumplimiento asociada al cliente se utiliza como un criterio para
otorgar o no una solicitud de crdito, una vez se tenga un historial de pagos del cliente de
variables como moras, nmero de solicitudes, nmero de pagos, etc., luego se procede a la
construccin de los modelos de comportamiento los cuales permiten realizar provisiones de
acuerdo a la probabilidad de incumplimiento hallada por medio de los modelos.
Con el transcurso de los aos y la evolucin de herramientas estadsticas utilizadas en
el scoring se han desarrollado especialmente dos tcnicas de modelos de prediccin de la
probabilidad de incumplimiento: las paramtricas y las no-paramtricas. La tcnica
paramtrica se vale de modelos de probabilidad lineal, anlisis de discriminacin y regresiones
logsticas. Por otra parte, las tcnicas no-paramtricas dejan de lado la implementacin de

10

supuestos y se valen de nuevos sistemas de aprendizaje como son redes neuronales,
algoritmos genticos y K-nn (estimacin basada en un conjunto de entrenamientos o
prototipos). Pero, precisamente por la implementacin de las mencionadas metodologas la
tcnica no-paramtrica ha recibido crticas dirigidas a la falta de transparencia y
sobreestimacin de las probabilidades, [18].

3.3 Tcnicas Paramtricas

Bsicamente podemos hablar de tres tcnicas importantes de tipo paramtrico
(aquellas que requieren supuestos sobre los datos subyacentes) las cuales son:
3.3.1 Regresion lineal
Esta tcnica se dedica a la bsqueda de relaciones de tipo lineal entre las variables,
donde la variable objetivo se denomina variable dependiente y es explicada por un conjunto
de variables independientes o explicativas, cuyo objetivo es explicar la primera en trminos de
las dems variables o en estudiar cmo varia la primera con los cambios en cada una de las
variables explicativas. El modelo de regresin es dado por
(2)
donde es el intercepto, mide el cambio en con respecto a , para
manteniendo los dems factores fijos y es el trmino de error que agrupa a
otros factores que adems de influyen en .
Para los modelos de scoring la variable dependiente es una variable binaria,
dicotmica o dummy, donde la variable toma los valores de uno o cero. Para modelos de
crdito sta variable se relaciona con aprobacin o no del crdito, calificacin del cliente
(bueno o malo), entre otros. Supngase que para cada individuo o unidad experimental se
define la siguiente variable aleatoria:

Y =
Los modelos con variables dummy son los modelos de escogencia discreta, dentro de
ste grupo se encuentra la regresin lineal, pero se le da el nombre de modelo lineal de
probabilidad.
En los modelos lineales de probabilidad se encuentran algunos inconvenientes como
son la violacin del supuesto de heteroscedasticidad, pero la principal debilidad del
procedimiento de estimacin es que no hay posibilidad de restringir que los valores estimados
estn entre 0 y 1, es decir, .


11

3.3.2 Anlisis discriminante

Es una tcnica que permite construir un modelo predictivo para pronosticar el grupo al
que pertenece una observacin a partir de determinadas caractersticas observadas que
delimitan su perfil. El anlisis discriminante es una tcnica de clasificacin y segmentacin ad
hoc que permite asignar o clasificar nuevos individuos u observaciones dentro de grupos o
segmentos previamente definidos. Su objetivo es producir una regla o esquema de
clasificacin que permita predecir la poblacin a la que es ms probable que tenga que
pertenecer una nueva observacin o individuo, [16]. El modelo predictivo que pronostica el
grupo de pertenencia de una observacin en virtud del perfil define la relacin entre una
variable dependiente que es categrica y varias variables independientes. Por tanto, la
expresin funcional del anlisis discriminante puede escribirse como . Las
categoras de la variable dependiente definen los posibles grupos de pertenencia de las
observaciones o los individuos y las variables independientes definen el perfil conocido de
cada observacin.
El objetivo principal del anlisis discriminante es utilizar los valores conocidos de las
variables independientes medidas sobre un individuo u observacin para predecir qu
categora le corresponde para clasificar el individuo en la categora adecuada, otra finalidad del
anlisis discriminante es poder determinar las diferencias entre los grupos y su interpretacin,
esto se realiza por medio de las variables discriminantes, cuando se valoriza las caractersticas
que diferencian un grupo de otro se le denomina anlisis discriminante descriptivo y el uso del
anlisis discriminante para la prediccin del grupo de pertenencia se denomina funcin
discriminante.
Cada caso o individuo deben ser mutuamente excluyente, es decir, debe corresponder
a uno y slo a un grupo; el modelo discriminante tiene los siguientes supuestos bsicos:
normalidad multivariante, homocedasticidad, linealidad y ausencia de multicolinealidad. Una
vez comprobados los supuestos, se obtienen una serie de funciones lineales a partir de las
variables independientes que permitan interpretar diferencias entre grupos y clasificar los
individuos. Las funciones lineales son llamadas funciones discriminantes y son combinaciones
lineales de las variables discriminantes, en un caso donde la variable dependiente tiene G
grupos denominado anlisis discriminante mltiple, el nmero mximo de funciones
lineales viene dado por , donde es el nmero de variables explicativas.
Cada una de las funciones discriminantes viene dada por la siguiente funcin lineal
de las variables explicativas
(3)

Los ejes discriminantes vienen definidos respectivamente por los vectores
definidos mediante las siguientes expresiones

12

Sea la matriz within-group de la suma de cuadrados y de productos cruzados y sea la
matriz between-groups de la suma de cuadrados y de productos cruzados. [8], sustent la
funcin discriminante lineal basada en los valores y vectores propios de . Para obtener
el primer coeficiente discriminante ponderado , debemos maximizar , donde
son los valores propios en orden decreciente, tenemos para
(4)

La solucin a este problema se obtiene derivando respecto de e igualando a
cero, es decir
(5)
(6)
(7)

Es decir que la obtencin de un vector propio est asociado a la matriz no simtrica
, obteniendo hasta ejes discriminantes los cuales no son ortogonales. Una vez
obtenidas las funciones discriminantes, el siguiente paso es su interpretacin la cual se realiza
analizando la contribucin de las variables independientes en la funcin discriminante
correspondiente, para un individuo , al sustituir los valores de cada variable independiente
en la funcin discriminante correspondiente se obtendr la puntuacin discriminante, cada
coeficiente representar el cambio producido en caso de que una variable cambie.
Para realizar la clasificacin de los individuos es necesario basarse en las funciones de
clasificacin por grupos, las cuales realizan la clasificacin de acuerdo a cuanto mayor sea la
proximidad del individuo al grupo correspondiente, una vez teniendo las puntuaciones
correspondientes se procede a establecer el grupo al que debe ser asignado, tomando el
mayor valor de la puntuacin y ese ser su grupo. Otro procedimiento para realizar la
clasificacin es el de funciones de distancia generalizada, ste procedimiento se basa en el
clculo de la distancia de un caso a los centroides de cada uno de los grupos, los centroides se
calculan reemplazando en cada funcin discriminante los valores de las por su valor medio

13

en cada . Para el clculo de esta distancia se usa la distancia de Mahalanobis, [14], por lo
tanto se asignar un individuo a un grupo de acuerdo a la menor distancia de Mahalanobis
calculada.
Un procedimiento muy utilizado es usando las probabilidaddes de pertenencia al
grupo, donde simplemente un individuo ser clasificado donde su probabilidades de
pertenencia sea mayor, ste mtodo supone que todos los grupos poseen un tamao similar,
pero en caso de que los tamaos sean diferentes, se incorpora el clculo de probabilidades a
priori usando para ello tcnicas bayesianas de estimacin, lo cual permite mejorar la
prediccin y disminuir el error de clasificacin; con la regla de bayes es posible calcular la
probabilidad a posteriori que sera la probabilidad de pertenencia en cada grupo.

3.3.3 Modelo Logit y Probit
A causa de las limitaciones del modelo lineal de probabilidad, se debe buscar otra
herramienta que permita transformar en una probabilidad, se
debe buscar una funcin tal que:
(8)
De tal modo que, la probabilidad de que es una funcin de las variables
exgenas, as que para que tome valores entre cero y uno, debe ser una
funcin de probabilidad. Para esto en la medicin del credit scoring se han usado dos
funciones de distribucin de probabilidad, la primera la distribucin normal estndar la cual se
denomina modelo PROBIT y la segunda es una funcin logstica llamada LOGIT, ambos que
hacen parte de los modelos de seleccin discreta.
La distribucin normal no es la que mejor describe el comportamiento de la variable
respuesta, la distribucin Bernoulli es la que describe el comportamiento de la variable
aleatoria , donde es posible que el evento tome dos valores (0,1)

Para , cuando para tiene distribucin Bernoulli con
parmetro , la funcin de densidad de probabilidad tiene la forma:
(9)


14

Para y . Esta distribucin se encuentra dentro de la familia exponencial con
parmetro natural .En la distribucin Bernoulli, el valor esperado de es
igual a la probabilidad de observar el evento de inters, la media se restringe al intervalo
y la varianza es una funcin particular de la media. Un modelo que cumple con estas
condiciones es

(10)

donde es el vector de variables explicativas para el individuo
, donde y . La anterior expresin es conocida como funcin de
regresin logstica. Si , cuando y cuando , para
este modelo se satisface que

(11)

El lado izquierdo de la expresin en (??) es llamado la funcin logit y es equivalente al
logaritmo del cociente de la probabilidad de observar el evento sobre la probabilidad de no
observarlo, es decir , donde
(12)
(13)

El cociente es llamado razn de disparidad (odds ratio) o como los momios a favor de
la opcin .
Para la ecuacin (8) se tiene otra funcin de distribucin asociada para a parte de
la funcin logstica y es la funcin de distribucin normal estndar, esto es
con media cero y varianza uno, as tenemos que:

15

(14)

As el modelo puede ser expresado de la siguiente manera
(15)

Que se puede expresar como
(16)

Dado que la distribucin normal es simtrica es posible expresar (16) como
(17)

De tal forma se puede resumir la probabilidad de que la variable tome valores de
cero y uno de la siguiente forma
(18)
(19)

La diferencia entre las distribuciones normal y logstica es que sta ltima da ms peso
a las colas en la distribucin, la estimacin de estos modelos no es posible realizarla por el
mtodo de mnimos cuadrados ordinarios debido al incumplimiento de las propiedades de los
estimadores ya que no son insesgados, por lo tanto la estimacin es realizada por el mtodo
de Mxima Verosimilitud. Este mtodo selecciona como estimador aquel valor del parmetro
que tiene la propiedad de maximizar el valor de la probabilidad de la muestra observada, para
lo cual es necesario construir una funcin de verosimilitud que expresa la probabilidad de
obtener valores observados en funcin de los parmetros desconocidos. Se han realizado
varios estudios para determinar cul es el mejor mtodo, el Probit o el Logit, an no se ha
llegado a una conclusin pero para modelos de scoring el modelo logstico ha tomado ventaja
por su mejor poder predictivo, [5] hace una extensa explicacin sobre esta conclusin.


16

3.4 Tcnicas no Paramtricas

Ahora se tratar lo referente a las tcnicas no paramtricas. Mientras que las tcnicas
paramtricas requieren muchos supuestos sobre los datos subyacentes, las tcnicas no
paramtricas requieren pocos o ninguno. Dentro de este grupo se encuentran tcnicas como
los rboles de decisin, redes neuronales, entre otros.

3.4.1 rboles de decisin

Los rboles de decisin son una herramienta grfica, con una rama o raz como la
estructura de las cajas y lneas, que se utiliza para mostrar las posibles vueltas de eventos que
pueden-o no-ser controlables, incluso el nombre implica que cada rama supone que
representa opciones a disposicin de una toma de decisiones. Los rboles de decisin tambin
se utilizan para la visualizacin de datos en la clasificacin y prediccin de problemas.
En general, los rboles de decisin no estn bien adaptados para elaboracin de
modelos de prediccin, pero hay casos en que se puede considerar. Un ejemplo de ello son los
datos disponibles para un sistema de puntuacin para el desarrollo de un nuevo producto.
Esto podra ser abordado mediante la definicin de una primera estructura de rbol usando los
datos disponibles, y, posteriormente, la utilizacin de arranque (muestreo con reemplazo) para
calcular las diferentes probabilidades de nodo terminal que luego se promedia.

3.4.2 Redes neuronales

La humanidad en los ltimos siglos ha tratado de sustituir los esfuerzos del hombre
con las mquinas. Recientemente, este esfuerzo se ha extendido ms all del trabajo en el
dominio del pensamiento y la toma de decisiones. Si bien el objetivo es hacer la vida ms fcil,
muchas personas temen que las computadoras, con el tiempo, obtengan la capacidad de
pensar y funcionar de manera similar a los seres humanos. De hecho, el uso de cualquier
modelo predictivo como parte de un proceso de decisin podra ser interpretada como la
influenza aviar. Estas son las redes neuronales, que pueden describirse como elementos de
clculo de redes que pueden responder a los insumos, y aprender a adaptarse al medio
ambiente. stas son, supuestamente capaces de imitar la manera en que funciona el cerebro
humano, especialmente cuando se trata de auto-organizacin y aprendizaje. El resultado final
es algo as como un rbol de decisin, excepto que el detalle es mucho ms fino.

3.5 Pruebas de Evaluacin


17

3.5.1 Kolmogorov- Smirnov

La prueba de Kolmogorov-Smirnov (KS) ([10]; [19]) es una prueba que se fundamenta
en la curva de Lorenz en las teoras de crecimiento. En el caso de credit scoring, este
estadstico se utiliza para evaluar el poder predictivo del sistema. La metodologa que se lleva a
cabo es la de tomar dos distribuciones, se fija un valor crtico y si el valor de KS es menor que
ese valor crtico entonces habr evidencia para decir que esas dos distribuciones son iguales y
que el modelo tiene un buen nivel predictivo.
La hiptesis nula de la prueba K-S es que las dos muestras provienen de poblaciones
con la misma funcin de distribucin

Y se evala por medio de la siguiente estadstica

y la hiptesis nula es rechazada al nivel si

Finalmente, el estadstico KS mide la diferencia entre dos distribuciones. Para el caso
aplicado al scoring se evala si ste puede hacer distincin entre los prstamos buenos y
malos. Por lo tanto hace una distincin en la distribucin de scoring entre los buenos y los
malos. Generalmente, el rango que toma el KS se encuentra entre 20 y 70. Se debe considerar
que para la creacin del este indicador se necesita de las frecuencias acumuladas tanto de los
buenos como de los malos.

3.5.2 Curva ROC
Basados en la curva de Lorenz y el indicador de Gini, se han usado estos conceptos
como herramientas para el scoring y determinar el poder de prediccin de una scoring.
La Curva de Caractersticas Operativas (ROC)
4
permite cuantificar la precisin
discriminatoria de un modelo, este anlisis se realiza por medio de una grfica denominada
curva ROC, el cual es un anlisis de sensibilidad, sensitivity, que es la habilidad para marcar
valores positivos que estn correctamente clasificados y especificidad, specificity, que es la
habilidad de marcar valores negativos que estn correctamente clasificados, por lo tanto la
sensibilidad es la verdadera tasa de valores positivos y la especificidad la tasa de valores

4
Receiver Operating Characteristic

18

negativos. Cuando esta curva tiende hacia la izquierda, entonces se dice que el modelo tiene
un buen poder de prediccin.
Para todos los posibles puntos de corte o criterios de clasificacin que se seleccionen
para discriminar dos poblaciones, en este caso buenos y malos clientes, siempre habr casos
en los que se clasificarn correctamente a los buenos clientes como buenos (A: fraccin
positiva verdadera) y algunos casos en donde los buenos clientes sern clasificados como
malos (B: fraccin de falsos negativos). Por otro lado, algunos clientes malos sern clasificados
como buenos (C: fraccin de falsos positivos) y algunos clientes malos sern correctamente
clasificados como malos (D: fraccin negativa falsa). Lo anterior lo podemos describir por
medio de la siguiente tabla:

Modelo/Observado
Buenos Malos Total
Buenos A C A+C
Malos B D B+D
Total A+B C+D
Tabla 1: Clasificacin de clientes del modelo vs. Observado
De acuerdo a lo anterior, se define lo siguiente:
Sensibilidad =
Especificidad =

El rendimiento global de una prueba de diagnstico se suele resumir el rea bajo la
curva ROC. Esta rea se puede interpretar como la probabilidad de que el resultado de una
prueba de diagnstico de un sujeto anormal, seleccionado al azar ser mayor que el resultado
de la prueba de diagnstico mismo de un sujeto normal seleccionado al azar. Cuanto mayor es
el rea bajo la curva ROC, mejor ser el rendimiento global de la prueba de diagnstico.

3.5.3 Chi-Square

Es utilizada para medir o evaluar una hiptesis, comparando los datos reales con los
estimados, en esta prueba se establece un lmite de confianza, y se busca la relacin lineal
entre las variables, y por medio del p - valor establece una medida de confianza.
Sin embargo el uso de esta prueba no garantiza plenamente la independencia o la
dependencia de las variables, ya que est sujeto al nivel de confianza y al p - valor que

19

utilicemos para aceptar o rechazar la hiptesis nula, pero entre mayor sea el nivel de
significancia utilizado menor ser la probabilidad de rechazar errneamente la hiptesis nula.
Esta prueba es utilizada dentro del riesgo financiero, para estimar en cierta medida la
tendencia de las variables con relacin al tiempo, y estimar el riesgo con relacin a las
personas consideradas buenas o malas.
Dentro del crdito es necesario tener en cuenta que el uso de esta prueba esta
estimando unos datos, que en la realidad estos pueden verse afectados por otras variables. Los
clientes son aceptados o rechazados dentro de los crditos dependiendo del grado de riesgo
que se determine. Sin embargo el comportamiento de los crditos es dinmico y puede verse
afectado por la infraestructura, la competitividad, los cambios en la economa, etc. Variables
que no son independientes y por el contrario pueden estar muy correlacionadas entre s.

3.5.4 Hosmer - Lemeshow

El test propuesto por [9], comprueba que las variables que se estn teniendo en
cuenta en el modelo son las apropiadas dado que ayudan a identificar clientes buenos y malos.
Este test es aplicado a los modelos de regresin logstica. Por lo tanto, si las variables
determinan el tipo de clientes, se deduce tambin que los modelos de regresin logstica van a
tener un buen nivel de prediccin.
Para calcular este test se debe tomar un muestra de los prstamos; de esta muestra se
deben generar grupos y a partir de estos separar los clientes buenos y malos y hacer la
diferencia entre los actuales malos y los que se esperan.
Con cada grupo se hace la anterior operacin y se realiza la sumatoria de los mismos,
este gran total se divide entre los malos esperados multiplicados por la tasa de buenos.
Un analista de riesgo debe tener presente todos estos indicadores que en conjunto
van a evaluar el estado del modelo creado, no se debe desconocer que tanto la prueba KS
como la curva de ROC son los ms utilizados, sin embargo, es ideal contrastar con otro tipo de
estadsticos que aumenten la certeza que se tiene sobre el modelo o que generen inquietudes
sobre tales modelos.
En definitiva el credit scoring es una herramienta indispensable y eficaz para la
medicin de riesgo, que debe complementarse con las funciones apropiadas y la moderacin
de los resultados, de tal forma que sea confiable en el momento de tomar una decisin o
realizar una prediccin. Adicionalmente, el calcular un nivel de riesgo permite a los
prestamistas estimar un nivel de prdidas (por probabilidad de impago de los clientes) o
probabilidades de ganancia, segn sea el caso. Por lo tanto, el uso de credit scoring es comn
en escenarios de oferta fija, aunque su uso en otros campos est creciendo actualmente, bajo
la tendencia de expectativas de prdida, en donde es tradicional el uso del valor en riesgo
(VaR). Este modelo VaR es usado para la determinacin de los requerimientos mnimos de
capital que deben hacer los bancos, adoptado en el comit de Basilea II, [17]. A la hora de

20

escoger una tcnica para modelar el riesgo de crdito se debe tener en cuenta la informacin
con la que se cuenta, as como las herramientas tecnolgicas disponibles y la experticia de
quien vaya a modelar. Sin embargo la tendencia general es que no se llegue a un acuerdo
sobre cul modelo es superior o mejor ya que simplemente pueden ser construidos bajo
tcnicas o metodologas diferentes como por ejemplo aquellos que usan redes neuronales,
los tradicionales de anlisis estadstico, [11].

2.3 RIESGO OPERACIONAL

En los ltimos aos hemos asistido a un crecimiento progresivo de la preocupacin de las
entidades financieras por el riesgo operacional, un riesgo que, aunque siempre ha existido en
la banca, quizs ahora se manifiesta con mayor intensidad, debido a factores como las mejoras
experimentadas en las tecnologas y la creciente complejidad y globalizacin del sistema
financiero.
Como respuesta a este fenmeno, las entidades han ido incrementando paulatinamente los
recursos asignados a este riesgo, pasando de la simple mejora de los sistemas de control al
desarrollo de modelos de medicin y gestin del riesgo operacional que intentan obtener una
estimacin razonable del impacto de futuras prdidas.
El Comit de Basilea ha venido a recoger la preocupacin y la importancia que los supervisores
otorgan a este riesgo, al haber introducido en el Nuevo Acuerdo de Capital de Basilea, unas
exigencias de capital explcitas por riesgo operacional.
Definicin
Basilea II define el riesgo operacional como el riesgo de prdida resultante de una falta
de adecuacin o de un fallo de los procesos, el personal o los sistemas internos, o bien
como consecuencia de acontecimientos externos. Esta definicin incluye el riesgo
legal, pero excluye el riesgo estratgico y el riesgo reputacional.
Se asocian a errores que comete la entidad mandante, que se generan por:
Instrucciones equvocas dadas a la parte que ejecuta las rdenes
Por infidelidades de los funcionarios con la entidad.
Fallas en los sistemas, procedimientos, en los modelos, falla en capacitacin,
etc.


21

2.3.1 Modelo del Indicador Bsico (BIA)

El clculo se realiza multiplicando un factor de 15% por promedio de los tres ltimos aos de
los ingresos netos anuales positivos de la institucin.
2.3.2 Mtodo Estndar (STDAOp) y Estndar Alternativo (ASA)

STDAOp: Se clasifican los activos en ocho lneas de negocio y se les asigna un factor que
puede ser del 12%, 15% 18%. Cada factor se multiplica al promedio de los tres ltimos aos
de los ingresos netos positivos; en caso de que el ingreso neto total sea negativo en algn ao,
entonces se sustituye el valor de ese ao por cero.
ASA: Se calcula igual que el STDAOp a excepcin de dos lneas de negocio, la banca comercial y
la minorista. En el caso de estas lneas de negocio, los prstamos y los anticipos son
multiplicados por un factor fijo m = 0.035, y el resultado sustituye a los ingresos brutos como
indicador de riesgo.

2.3.3 Mtodo de Medicin Avanzada (AMA)

Divisin de la entidad en lneas de negocio y topologas de riesgo
Capital basado en el clculo de las prdidas esperadas e inesperadas (VaR del 99,9% en
un horizonte temporal de un ao.
Requiere de 2 funciones distribucin: Frecuencia y Severidad.
De la combinacin de ambas funciones deriva la distribucin de perdidas por riesgo
operacional VaR.


22

2.3.3.1 Medicin de la Frecuencia

La frecuencia del riesgo operacional se refiere a la periodicidad en que se presente
determinado fallo operacional.
Las funciones de distribucin ms aplicadas a estos fenmenos: Binomial, Poisson,
Binomial Negativa, Hipergeomtrica Dsicretas

2.3.3.2 Medicin de la Severidad

La severidad hace referencia a la prdida monetaria incurrida por la ocurrencia de un
fallo operacional.
Se trata entonces de variables de naturaleza continua.


23

4. RISK SIMULATOR

Risk Simulator es un software de simulacin Monte Carlo, pronstico y optimizacin. El
software est escrito en Microsoft .Net y C# y funciona junto con Excel como complemento.
Risk Simulator contiene los siguientes mdulos:
- Simulacin de Monte Carlo
- Pronstico
- Optimizacin
- Modelacin y herramientas de anlisis
Los requisitos mnimos para Risk Simulator son:
Procesador Pentium IV
Windows XP o Vista
MS Excel XP, 2003 2007
80 MB en Disco Duro
1GB de RAM

24

4.1 INTRODUCCIN A RISK SIMULATOR
Risk Simulator funciona como un complemento a MS Excel facilitando su manipulacin por
medio de un men de funciones que estn disponibles en diferentes idiomas, ingls, espaol,
francs, italiano, alemn, etc., adems permite acceder a cada herramienta por medio de
diferentes alternativas como son conos, mens y el clic derecho del mouse.
Grfica 1. Men Simulador de Riesgo
En la grfica 1 se observan cada uno de los conos que contienen las funciones de Risk
Simulator, a continuacin se mencionar la funcionalidad de cada una de los conos.

ICONO FUNCIONALIDAD
Es el cono principal de Risk Simulator ya que permite acceder a todas las
funcionalidad del software por medio de un men de opciones, son las
mismas funcionalidades de los dems conos pero en un solo listado.

Crea un nuevo perfil de simulacin para almacenar todos los supuestos
de entrada y pronsticos de salida. Puede tener mltiples perfiles en un
solo modelo
Permite seleccionar, eliminar o duplicar entre varios perfiles activos uno
para realizar la simulacin.

Edita las preferencias del perfil activo, como son nmero de iteraciones,
valor semilla de simulacin, activacin de correlaciones y el nombre del
perfil.

Establece en la celda activa un supuesto de entrada de distribucin. La
celda debe contener un valor y no una funcin.
Establece en la celda activa como pronstico de salida. La celda debe
contener una funcin o ecuacin.

Copia un supuesto de simulacin, la variable de pronstico o de decisin
con sus parmetros o vnculos a celdas correspondientes.


25

Pega las celdas copiadas con el cono Copiar, supuestos de simulacin,
variables de pronstico o decisin. Si despus de dar Copiar se da ESC se
copian los parmetros pero no los valores de la celda copiada.

Quita el supuesto de simulacin, variable de pronstico o decisin.

Corre la simulacin a una velocidad regular (til en modelos pequeos o
cuando la sper velocidad no puede ser aplicada debido a errores en el
modelo.

La simulacin se ejecuta a sper velocidad primero examinando el
modelo y luego convirtindolo a cdigo puro. No todos los modelos
pueden correr a sper velocidad, por ejemplo cuando se tienen datos
externos o funciones VBA.
Corre la simulacin paso a paso. Esto es muy til para pronstico de
ilustracin o para revisar si una celda de supuesto o pronstico esta
cambiando correctamente.

Restablece la simulacin a su estado inicial.

El cono Pronstico emerge el listado de las opciones de pronstico
disponibles en el programa

Ejecuta optimizaciones estticas, estocsticas y dinmicas, crea un
reporte si elige la optimizacin estocstica, lo anterior si se ha definido
correctamente los supuestos, las variables de decisin y objetivo.

Objetivo: Establece la celda la cual se maximizar o minimizar la
optimizacin
Decisin: Establece la celda la cual est relacionada con la celda objetivo
Restriccin: Son las restricciones generadas por las variables de decisin o
de objetivo.
El cono emerge el listado de todas las herramientas analticas disponibles
en el simulador de riesgo, por ejemplo anlisis estadstico, economtrico,
distribucin, etc.
Cambia las opciones del programa como idioma, colores en los supuestos,
pronsticos o decisin y permite que Risk Simulator inicie o no
automticamente con Excel.
Permite obtener ayuda en lnea sobre el programa, manual de usuario,
modelos de ejemplo, informacin de contacto y otras fuentes de
informacin

Permite la administracin de la licencia del software (instalacin y
actualizacin)

26

Despliega diferentes conos de Risk Simulator para las opciones de
Simulacin, Pronstico, Optimizacin y Herramientas de Anlisis.

4.2 SIMULACIN CON RISK SIMULATOR

Simulacin es un modelo matemtico o lgico, representativo de un sistema o un problema de
decisin, con el que se obtienen resultados acerca del desempeo de las variables de inters
para asistir al proceso de toma de decisiones.
Dado un conjunto de valores para las variables de decisin, un estudio de simulacin permite
estimar cual es la distribucin probabilstica que siguen los resultados, junto a sus
probabilidades de ocurrencia.
El MTODO DE MONTE CARLO (propuesto por J. Von Neumann y S. Ulam) es una tcnica de
seleccin de nmeros aleatorios a travs de una o ms distribuciones de probabilidad, para
utilizarlas en una simulacin.
En un Monte Carlo, el muestreo artificial o simulado trata de crear un universo terico descrito
completamente por una LEY DE PROBABILIDAD que se supone conocida o adecuada.
Posteriormente, de este universo se obtiene una MUESTRA aleatoria mediante una sucesin
de nmeros aleatorios.
La simulacin de Montecarlo consta de:
Un procedimiento de generacin de nmeros aleatorios
Un procedimiento de extraccin de valores de las variables aleatorias
Un procedimiento de clculo de las variables a pronosticar (el modelo)
Un procedimiento de acumulacin de los resultados
Un procedimiento de repeticin del experimento


27

Las variables de decisin
D
Las Variables
Pronosticadas
El Modelo
Las variables aleatorias
independientes X
Las Constantes
K
X
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.

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


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

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.

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:

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.


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

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.


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/.

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.


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.


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:


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

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.

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.

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.

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).

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


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.

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


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:

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.


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.

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:

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


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.


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:

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.


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

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

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.

58

La otra forma de estimacin es similar a la anterior, en Pronstico se selecciona la opcin
ARIMA:

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

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:


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.


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

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

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


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

66

Herramientas de Diagnstico

Anlisis de Estadsticas

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.

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

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

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

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


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.

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.

Manual RS

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Manual RS

Uploaded by

Copyright:

Available Formats

SOFTWARE SHOP REAL OPTIONS VALUATION

INSTRUCTOR: BRAYAN RICARDO ROJAS

You might also like