1 Simulación Dr. Ignacio PonzoniClase VII: Simulación de Monte Carlo Departamento de Ciencias e Ingeniería de la Computación Universidad Nacional del Sur Año 2006

2 Simulación de Monte CarloSistema Entrada Salida Población Muestra Frecuencia de los valores de las variables de salida

3 Simulación de Monte Carlo y Análisis de RiesgoEl riesgo se cuantifica como la probabilidad de obtener un resultado no deseado. Dado un conjunto de valores para las variables de decisión, un estudio de simulación permite estimar cual es la distribución probabilística que siguen los resultados. Luego, la simulación ayuda en el análisis del riesgo de tomar una decisión.

4 Crystal Ball Una herramienta de Software para Simulación de Monte CarloCrystal Ball es un complemento de Excel que brinda facilidades para: Construir modelos de simulación de Monte Carlo. Ejecutar las simulaciones en forma completamente automática. Interpretar y analizar los resultados.

5 Crystal Ball Pasos para efectuar una Simulación1.-Desarrollo de un modelo de simulación en Excel. 2.-Definición de suposiciones para las variables aleatorias. 3.-Definición de las variables de decisión. 4.-Definición de las celdas de predicción, esto es, las variables de salida de interés. 5.-Indicar el número de repeticiones de la simulación. 6.-Correr la simulación. 7.-Interpretar y analizar los resultados.

6 Caso de Estudio Simulación de un Modelo de GananciasPeríodo: 3 años Suposiciones del modelo Parámetros del 1er año: Impuestos: 48% Costos fijos de la venta de mercadería (CFV). Costos de la venta de mercadería por unidad (CVU). Gastos fijos administrativos y de venta (GFV). Gastos administrativos y de venta por unidad (GVU). Variables de decisión: Precio de venta del primer año (PV). Incremento anual proyectado en el precio de venta (IAPV). Variables aleatorias: Unidades vendidas (UV). Factores de inflación para costos, gastos y precio. Factor de crecimiento de ventas.

7 Caso de Estudio Simulación de un Modelo de GananciasDistribuciones probabilísticas de las variables aleatorias: Factor de inflación para costos fijos de venta (FICF) Distribución uniforme entre 2 y 4%. Factor de inflación para costos de venta por unidad (FICU) Distribución uniforme entre 5 y 9%. Factor de inflación para gastos fijos adm. y de venta (FIGF) Distribución triangular con: a = 3%, c = 5% b = 6%. Factor de inflación para gastos adm. y de venta por unidad (FIGU) Distribución triangular con: a = 4%, c = 7% b = 9%. Cantidad de ventas en el primer año (CVA1) Distribución normal: media=15.000, desv. estándar=1.000. Factor de crecimiento de ventas por año (FCVA) Distribución triangular con: a = 5%, c = 15% b = 20%.

8 Caso de Estudio Simulación de un Modelo de GananciasEstimaciones a efectuar sobre el Modelo: (Variables de salida del Modelo) Ingresos totales (IT). Costos totales de la mercadería vendida (CV). Gastos administrativos y de ventas totales (GV). Ganancia antes de los impuestos (GAI). Ganancia después de los impuestos (GDI).

9 Simulación de un Modelo de GananciasEcuaciones del modelo: IT = PV*UV CV = CFV + CVU*UV GV = GFV + GVU*UV GAI = IT – CV – GV GDI = GAI*0.52 Los resultados para los distintos años se obtienen aplicando los factores de inflación a los parámetros del primer año en forma proporcional.

10 Modelo de Monte Carlo en Excel

11 Etapa I Especificación de los Datos de EntradaSe definen las distribuciones probabilísticas para las celdas correspondientes a variables aleatorias (celdas de suposición). Para cada variable aleatoria: Paso 1: seleccionar como celda de suposición la celda de Excel que almacena la variable. Paso 2: elegir el tipo de distribución probabilística. Paso 3: indicar los parámetros de la distribución.

12 Etapa I: pasos 1 y 2

13 Etapa I: paso 3 Selección de Parámetros de la Distribución

14 Etapa II Definición de Variables de Decisión

15 Etapa III Especificación de las Variables a EstimarSe definen las celdas correspondientes a las variables de salida de interés (celdas de predicción).

16 Etapa IV Ejecución de la Simulación

17 Etapa IV Ejecución de la Simulación

18 Etapa IV Ejecución de la Simulación

19 Etapa V Análisis de la Salida de la SimulaciónCrystal Ball provee tres tipos de reportes de salida: Gráfico de frecuencias Resumen de percentiles Resumen de estadísticas

20 Etapa V Análisis de la Salida de la SimulaciónGeneración del Gráfico de Frecuencia de distribución de valores para las Variables de Predicción.

21 Etapa V Análisis de la Salida de la Simulación¿Cuál es el nivel de certeza de obtener una ganancia total superior a los $ ?

22 Etapa V Análisis de la Salida de la Simulación¿Cuál es el nivel de certeza de que la ganancia total no supere los $ ?

23 Etapa V Análisis de la Salida de la Simulación¿Cuál es el nivel de certeza de que la ganancia total esté entre $ y $ ?

24 Etapa V Análisis de la Salida de la Simulación¿Cuál es el valor mínimo de ganancias que se puede asegurar con un 80% de nivel de certeza?

25 Etapa V Análisis de la Salida de la SimulaciónResumen de percentiles ¿Cuál es la probabilidad de que la ganancia total sea menor a $ ? Respuesta: 20%

26 Etapa V Análisis de la Salida de la SimulaciónResumen estadístico

27 Opciones Adicionales de Crystal BallTablas de Decisión Congelamiento de Suposiciones Gráficos de Solapamiento Gráficos de Tendencias Gráficos de Sensibilidad Otras herramientas adicionales para definición de correlaciones, optimización, generación de reportes, etc.

28 Tablas de Decisión Selección de la Variable de Predicción

29 Tablas de Decisión Selección de la Variables de Decisión

30 Tablas de Decisión Fijar Rangos de las Variables de Decisión

31 Tabla de Decisión

32 Congelamiento de SuposicionesPermite congelar temporalmente los valores de ciertas variables de suposición a fin de ejecutar experimentos de simulación enfocados a observar el comportamiento de otras variables de suposición.

33 Gráficos de SolapamientoPermiten superponer gráficos de frecuencia correspondientes a distintas variables de predicción.

34 Gráficos de TendenciasEstos gráficos permiten observar los rangos de certeza para varias variables de predicción simultáneamente permitiendo determinar tendencias en los resultados de las simulaciones efectuadas. En general estos gráficos vinculan variables de predicción relacionadas desde un punto de vista lógico.

35 Opciones para generar los Gráficos de Tendencias

36 Gráfico de Tendencias para el Ejemplo

37 Análisis de la Sensibilidad de los ResultadosEl nivel de incertidumbre en las predicciones de una simulación es una combinación del nivel de incertidumbre en las variables de suposición y de la rigurosidad de las ecuaciones empleadas en el modelo. Por un lado, una variable de suposición puede tener un alto nivel de incertidumbre pero tener poco peso en las fórmulas del modelo. Por otra parte, una variable con poco nivel de incertidumbre puede tener una gran incidencia en las ecuaciones del modelo. La sensibilidad mide el grado de incertidumbre de una predicción sobre la base del nivel de incertidumbre de las variables de suposición y las características del modelo.

38 Análisis de Sensibilidad en Crystal BallEn Crystal Ball un gráfico de sensibilidad permite establecer la influencia de cada variable de suposición sobre una variable de predicción. Existen dos tipos de estimaciones efectuadas por Crystal Ball: Rango de correlaciones: muestra el grado de correlación existente entre cada variable de suposición, incluida en el análisis, y la variable de predicción elegida. Este rango va de -1 a +1, indicando magnitud y dirección de la correlación. Contribución a la varianza: donde se indica, con un porcentaje entre 0% y 100% la importancia relativa de cada variable aleatoria en la conformación de la varianza de la variable de salida.

39 Opciones de los Gráficos de Sensibilidad Selección de la Variable de Predicción

40 Opciones de los Gráficos de Sensibilidad Selección de las Variables de Suposición

41 Ejemplo Sensibilidad para la Ganancia Total mediante Rango de Correlación

42 Ejemplo Sensibilidad para la Ganancia Total mediante Rango de Contribución de Varianza

43 Tests de Bondad de Ajuste y Softwares para SimulaciónCuando el test de bondad de ajuste se realiza manualmente, los valores críticos se obtienen de una tabla definida SÓLO para algunos niveles de significancia. Esta limitación desaparece cuando realizamos los test en una computadora, dado que la misma puede calcular el valor crítico para cualquier valor . Si bien resulta posible que el usuario especifique el valor de  al momento de ajustar una distribución, los paquetes de software para simulación suelen trabajar con un “p-value”, el cual indica el valor de  a partir del cual uno debe rechazar la hipótesis nula.

44 Tests de Bondad de Ajuste y Software para SimulaciónEn estos casos, existen recomendaciones sobre a partir de que p-value debemos aceptar la hipótesis nula. En el caso de Crystal Ball, existen tres tipos de tests de bondad de ajuste que se pueden realizar: Chi-Cuadrado: para el cual se recomienda aceptar con un p-value mayores a 0.5 Kolmogorov-Smirnov: para el cual se recomienda aceptar con un p-value menores a 0.03 Anderson-Darling: para el cual se recomienda aceptar con un p-value menores a 1.5

45 Ejemplo en Crystal Ball

46 Ejemplo en Crystal BallOpción para ajustar distribución

47 Ejemplo en Crystal Ball

48 Ejemplo en Crystal Ball

49 Ejemplo en Crystal Ball> 0.03, rechazamos hipótesis nula

50 Ejemplo en Crystal Ball

51 Ejemplo en Crystal Ball

52 Recomendaciones Lectura sugerida:Capítulo 4 del libro de Introduction to Simulation and Risk Analysis de Evans y Olson. Software para simular: Crystal Ball 2000, Academic Edition. Ejercitación propuesta: Adapte el modelo en Excel del Caso de Estudio Dave´s Candies para efectuar la simulación utilizando Crystal Ball.