Montecarlo
-
Upload
yglesias6333275 -
Category
Documents
-
view
11 -
download
0
Transcript of Montecarlo
-
5/27/2018 Montecarlo
1/100
UCEMA-MAG
Evaluacin de Riesgo Agropecuario
Simulacin Monte Carlo
Alejandro Bustamante
-
5/27/2018 Montecarlo
2/100
Evaluacin Econmica de Sistemas de Produccin:
Qu es lo que nos interesa evaluar?
Resultado Esperado
Variabilidad del resultado
Probabilidad de perder plata
Probabilidad de superar determinadasmetas de resultado
-
5/27/2018 Montecarlo
3/100
El riesgo no es algo que se "sufre",
el riesgo es algo que se puede
administrar.
-
5/27/2018 Montecarlo
4/100
Administracin del Riesgo
Negociar las variables negociables
Buscar ms informacin
Aumentar el compromiso
Tomar precauciones adicionales Compartir el riesgo
Transferir el riesgo
Formular planes de contingencia
No tomar medidas, asumir el riesgo
Cancelar el proyecto
Administracin de portfolio
-
5/27/2018 Montecarlo
5/100
Hay dos componentes que explican nuestraincapacidad para predecir en forma precisa
un evento futuro: Riesgo: es un efecto aleatorio propio del
sistema bajo anlisis. Se puede reduciralterando el sistema.
Incertidumbrees el nivel de ignorancia delevaluador acerca de los parmetros quecaracterizan el sistema a modelar. Se puedereducir a veces con mediciones adicionales o
mayor estudio, o consulta a expertos.
LaVariabilidad Totales la combinacin deriesgo e incertidumbre.
-
5/27/2018 Montecarlo
6/100
Tanto el riesgo como la incertidumbre se
describen mediante distribuciones deprobabilidad.
Por lo tanto, una distribucion de probabilidadpuede reflejar en parte el carcter estocstico
del sistema analizado y en parte laincertidumbre acerca del comportamiento dela variable.
Los resultados que se obtengan de un
modelo de este tipo reflejaran la variabilidadtotal: el efecto conjunto de riesgo eincertidumbre.
-
5/27/2018 Montecarlo
7/100
Para poder administrar el riesgo,
necesitamos "verlo".
Para "ver" el riesgo nos valemos de
distribuciones de probabilidad.
-
5/27/2018 Montecarlo
8/100
Distribucin de probabilidad
Una distribucin de probabilidad
describe el rango de valoresque puede tomar una variab le aleatoria
y la probabi l idad asignada a cada
valoro rango de valores.
-
5/27/2018 Montecarlo
9/100
Probabilidad: frecuentista y subjetiva
Para eventos repet ib les y medibles, la
probabilidad representa la f recuencia
relativade ocurrencia de un evento.
Para eventos no repet ib les o mensu rables,
la probabilidad es la expresin del grado decreenciaque tiene un individuo acerca de la
ocurrencia de un evento incierto.
En este segundo caso las probabilidades son
subjet ivaspor naturaleza y es posible quedos personas asignen diferente probabilidad
de ocurrencia a un mismo evento.
-
5/27/2018 Montecarlo
10/100
Separar la variabilidad de la incertidumbre
permite entender qu pasos podran tomarse
que sean ms efectivos para reducir laincertidumbre total.
Si una proporcin importante de la
incertidumbre total se debe a incertidumbre,entonces nuestra estimacin acerca del
futuro podra mejorarse juntando mayor
informacin.
Si una proporcin importante de laincertidumbre total se debiera a variabilidad,
la nica manera de reducir la incertidumbre
es modificando el sistema analizado.
-
5/27/2018 Montecarlo
11/100
Presentacin de modelos
Un modelo es una herramienta de anlisis y decomunicacin. Como tal, debe ser entendido no slopor quien lo dise sino tambin por terceros.
1. Presentar claramente la estructura lgica y los
supuestos empleados.
2. Incluir solamente las estadsticas indispensables.
3. Usar grficos para transmitir conceptos.
4. Los resultados obtenidos deben responder a losinterrogantes planteados.
5. No incluir en el informe ms informacin que lanecesaria. Derivar los datos de apoyo a los Anexos.
-
5/27/2018 Montecarlo
12/100
Simulacin Monte Carlo
1. Disear el modelo lgico de decisin
2. Especificar distribuciones de probabilidad para las
variables aleatorias relevantes.
3. Incluir posibles dependencias entre variables.
4. Muestrear valores de las variables aleatorias.
5. Calcular el resultado del modelo segn los valores
del muestreo (iteracin) y registrar el resultado.
6. Repetir el proceso hasta tener una muestra
estadsticamente representativa.
7. Obtener la distribucin de frecuencias del resultado
de las iteraciones.
8. Calcular media, desvo y curva de percentiles
acumulados.
-
5/27/2018 Montecarlo
13/100
Ley de los Grandes Nmeros(desigualdad de Tschebycheff)
Cuanto mayor sea el tamao de la muestra,
mayor ser el ajuste entre la distribucinmuestral y la distribucin terica sobre la que
se basa la muestra.
-
5/27/2018 Montecarlo
14/100
Teorema Central del Lmite (TCL)
La media muestral de un conjunto de nvariables muestreadas en forma
independiente a partir de una misma
distribucinf(x) se ajusta a una distribucin
aprox. Normal con los siguientes parmetros:
x = Normal ( mu, sigma / n1/2)
En otras palabras, la distribucin del
promedio de un conjunto de variablesaleatorias depende tanto de la cantidad de
variables aleatorias promediadas como de la
incertidumbre aportada por cada variable.
-
5/27/2018 Montecarlo
15/100
Teorema Central del Lmite (cont.)
La sumade nvariables aleatoriasindependientes da como resultado unadistribucin aproximadamente Normal, sinimportar la forma de la distribucin de las
variables sumadas (si no hay una variablecuya contribucin a la variabilidad total seadominante).
El productode nvariables aleatorias
independientes da como resultado unadistribucin aproximadamente Lognormal,independientemente de la forma de ladistribucin de las variables intervinientes.
-
5/27/2018 Montecarlo
16/100
Distribuciones de probabilidad
Fuentes de informacin para cuantificar laincertidumbre en variables aleatorias:
1. Series de datos
2. Opinin de expertos Cuando se procura caracterizar una variable
aleatoria a partir de los datos disponibles separte del supuesto de que los datos
observados son una muestra aleatoria deuna distribucin de probabilidad quetrataremos de identificar.
-
5/27/2018 Montecarlo
17/100
Distribuciones de probabilidad
Discretas
Una variable aleatoria representada mediante
una distribucin discreta de probabilidad
puede tomar un valor de entre un conjunto de
valores, cada uno de los cuales tiene
asignada una determinada probabilidad de
ocurrencia. Ejemplos: Binomial, Geomtrica, Poisson,
Discreta.
-
5/27/2018 Montecarlo
18/100
Distribuciones de probabilidad
Continuas
Una variable aleatoria representada medianteuna distribucin continua de probabilidad
puede tomar cualquier valor dentro de un
rango determinado.
Ejemplos: Normal, Lognormal, Uniforme,
Triangular, Histograma
-
5/27/2018 Montecarlo
19/100
Distribuciones de probabilidad
No LimitadasLa variable aleatoria puede tomarvalores entre+infinito y infinito (ejemplos:Normal, Logstica).
LimitadasLos valores de la variable aleatoria
quedan confinados entre dos valores extremos(ejemplos: Binomial, Beta, Uniforme,Triangular, Histograma).
Parcialmente LimitadasLos valores de la variable
aleatoria quedan limitados en uno de losextremos de la distribucin (ejemplos: Poisson,Exponencial).
-
5/27/2018 Montecarlo
20/100
Distribuciones de probabilidad
Paramtricas
La distribucin de probabilidad se ajusta a ladesc ripc in matemtic ade un procesoaleatorio que cumple con determinadossupuestos ter icos.
Los parmetros que definen la distribucin engeneral no guardan relacin intuitiva con laforma de la distribucin.
Ejemplos: Normal, Lognormal, Exponencial,Beta.
-
5/27/2018 Montecarlo
21/100
Distribuciones de probabilidad
Paramtricas (cont.) Son de aplicacin cuando:
1. la teora sobre la que se fundamentauna determinada distribucin es aplicable
al problema. 2. se acepta que esa distribucin da un
buen ajuste de la variable aleatoria aunqueno haya una teora para explicarlo.
3. la distribucin se ajustaaproximadamente a la opinin del expertoy no se requiere mucha precisin.
-
5/27/2018 Montecarlo
22/100
Distribuciones de probabilidad
No Paramtricas
Los parmetros que se usan para definir
estas distribuciones descr iben la formadela distribucin.
No se apoyan en una teora que describa el
proceso de generacin de valores aleatorios.
Ejemplos: Triangular, Histograma, General,
Uniforme, Acumulada
-
5/27/2018 Montecarlo
23/100
Distribuciones de probabilidad
No Paramtricas (cont.)
Estas distribuciones en general son ms
tiles cuando se busca recabar la opinin
subjetiva de expertos, con las siguientesexcepciones:
1. el experto puede estar muy familiarizado con
los parmetros que definen una distribucin
paramtrica. 2. a veces los parmetros de una distribucin
paramtrica son intuitivos (p.ej. Binomial)
-
5/27/2018 Montecarlo
24/100
Distribuciones de probabilidad
Subjetivas
El uso de estas distribuciones de
probabilidad es la nica alternativa para
describir una variable aleatoria cuando: 1. No hay una base de antecedentes.
2. Los datos del pasado no son relevantes.
3. Los datos son escasos y no cubren todo el
rango de posibles valores. 4. Es demasiado caro generar datos.
5. Generar valores llevara demasiado tiempo
-
5/27/2018 Montecarlo
25/100
Distribuciones de probabilidad
Subjetivas (cont.) En las estimaciones subjetivas hay dos
fuentes de incertidumbre:
Variabilidad asociada a la variablealeatoria en s.
Incertidumbre asociada a la falta deconocimiento sobre el comportamiento de
la variable. La distribucin subjetiva especificada agrega
ambas fuentes de incertidumbre
-
5/27/2018 Montecarlo
26/100
Distribuciones de probabilidad apartir de opinin de expertos
Una tcnica bsica para obtener distribuciones
subjetivas consiste en desagregar el problema
en las variables que lo componen:
pone en evidencia la estructura lgica delproblema de decisin
las variables del problema son algo ms
tangibles de estimar que el resultado
la desagregacin facilita el reconocimiento dedependencias entre componentes del problema.
-
5/27/2018 Montecarlo
27/100
Distribuciones a partir de Opinin deexpertos
Desagregacin (cont.)
el anlisis de riesgo es menos dependientede las estimaciones hechas para cada
componente la estimacin de la distribucin del resultado
del modelo a partir de la agregacin de loscomponentes ser ms precisa que lo que
podra haber sido de tratar de estimarladirectamente
la agregacin tendr en cuenta los efectosdel TCL en forma automtica.
-
5/27/2018 Montecarlo
28/100
Uniforme
Todos los valores dentro del rango factibletienen la misma densidad de probabilidad.
Parmetros : Uniform (min,max)
Aplicaciones: U(0,1) se usa en la generacinde los valores de todas las dems
distribuciones de probabilidad en el muestreo
aleatorio.
Es una aproximacin muy cruda para usarcomo estimacin de la incertidumbre
percibida de un parmetro
-
5/27/2018 Montecarlo
29/100
Triangular
Aplicaciones: estimar subjetivamente la
distribucin de la variable aleatoria cuando
todo lo que puede precisarse de la misma esel valor mnimo, el valor ms probable y el
valor mximo.
Parmetros: Triang(m in, +pro b, max)
-
5/27/2018 Montecarlo
30/100
Triangular (cont.) Sus propiedades estadsticas se derivan de
su forma, no de una teora subyacente. Es de definicin intuitiva y de gran flexibilidad
en cuanto a geometras posibles.
La forma de la distribucin usualmente lleva
a sobreestimar la densidad de las colas y a
subestimar la densidad en el tronco de la
distribucin.
Se pueden definir el valor mnimo y el valormximo como umbrales de ocurrencia
prctica. En vez de tomarlos como valores
absolutos, se los toma como percentiles,
dejando abiertas las colas.
-
5/27/2018 Montecarlo
31/100
Histograma
Aplicaciones: representar la forma de ladistribucin de una serie de datos o laopinin de un experto acerca de la forma de
la distribucin de una variable.
Parmetros: Histogram(m in, max, {pi})
Todos los intervalos de la distribucin tienenel mismo ancho.
-
5/27/2018 Montecarlo
32/100
General
Aplicaciones: reflejar la opinin de expertos.
Es la ms flexible de las distribuciones
continuas. Es un histograma estilizado. Parmetros: General(m in, max, {xi} , {pi})
Es posible, aunque no es recomendable,
especificar intervalos de distinto ancho.
-
5/27/2018 Montecarlo
33/100
Acumulada
Aplicaciones: recabar opinin de expertos.
Parmetros: Cumulative({xi},{Pi},m in ,max)
Puede ser de utilidad cuando se procura
estimar una variable cuyo rango cubre variosrdenes de magnitud.
Desventajas: insensibilidad de la escala deprobabilidades. Es ms facil representar la
variabilidad que se quiere reflejar cuando setrabaja con distribuciones de frecuenciarelativa.
-
5/27/2018 Montecarlo
34/100
BetaPert
Es una versin de la distribucin Beta que
usa los mismos supuestos acerca de la
media de una variable aleatoria que las redes
PERT. Parmetros: BetaPert (max,+prob,min)
-
5/27/2018 Montecarlo
35/100
BetaPert (cont.)
La media de una distribucin BetaPert escuatro veces ms sensible al valor medio quea los valores extremos.
El desvo standard de una distribucinBetaPert es menos sensible a los valoresextremos que la distribucin Triangular.
El desvo standard de una distribucin
BetaPert es sistemticamente menor que elde una Triangular, particularmente cuandolas distribuciones son sesgadas.
-
5/27/2018 Montecarlo
36/100
Discreta
Aplicaciones: 1. Describir una variable aleatoria que puede tomar
uno de entre un conjunto de valores discretos.
2. Describir probabilidades condicionales para
distintos estados de la naturaleza, donde cadaestado de la naturaleza tiene una probabilidad deocurrencia p.
3. Armar distribuciones de probabilidad compuestasa partir de la opinin de dos o ms expertos, donde a
la opinin de cada experto se le otorga unaponderacin p.
Parmetros: Discrete({xi},{pi})
-
5/27/2018 Montecarlo
37/100
Series de datos: Seleccin de Distribuciones
1. Se trata de una variable discreta o
continua?
2. Es realmente necesario ajustar los datos
a una distribucin de probabilidad terica? 3. Hay correspondencia entre el rango
terico de la variable y la distribucin a
ajustar?
-
5/27/2018 Montecarlo
38/100
Distribuciones empricas: variablesDiscretas
1. Si la cantidad de datos no es muy elevada, lafrecuencia de datos para cada valor dex puede ser
usada directamente para definir una distribucin
Discreta.
2. Si hay muchos datos, es ms fcil ordenar losdatos en forma de histograma y definir entonces una
distribucin Acumulada con parmetros {xi} , {F(xi)} ,
min , max
Se puede reintroducir el caracter discreto de la
variable incluyendo la distribucin Acumulada dentro
de una funcin ROUND (redondeo)
-
5/27/2018 Montecarlo
39/100
Distribuciones empricas: variablesContinuas
1. Se plotea la frecuencia acumulada de los datos
observados. 2. Se hace un ranking de los datos en orden
ascendente.
3. Se estima un mnimo y un mximo en formasubjetiva.
4. Se calcula la probabilidad acumulada para cadavalor de x segn la frmula:
F(xi) = i/ (n+1)
i= rango del dato observado
n= cantidad de datos observados
{xi} , {F(xi)} , min , max sern parmetros que se usenpara definir una distribucin Acumulada
-
5/27/2018 Montecarlo
40/100
Normal
Aplicaciones: una variedad de situaciones,como se desprende del Teorema Central del
Lmite.
Es til en finanzas pues la suma o diferenciade distribuciones Normales resulta tambin
en una distribucin Normal con parmetros
que pueden ser determinados a partir del
TCL.
Parmetros: Normal (mu,s igma)
-
5/27/2018 Montecarlo
41/100
Estimacin subjetiva de losparmetros de una Normal
Media: Valor ms probable Desvo: el intervalo +/- 2*sigma contiene el
95% de los valores, por lo tanto:Sigma: (mximo - ms probable) / 2
La distribucin Normal se extiende de -inf a+ inf, aunque si CV
-
5/27/2018 Montecarlo
42/100
Lognormal
Aplicaciones: modelizar variables que son elproductode una cantidad de otras variables
aleatorias que ocurren naturalmente.
Generalmente brinda una buenarepresentacin de variables que se extienden
de 0 a +inf y que tienen un sesgo positivo.
Parmetros: Lognormal (mu,sigma)
Se usan como parmetros la media aritmtica y
el desvo standard de los datos disponibles.
-
5/27/2018 Montecarlo
43/100
Condiciones subyacentes de unadistribucin Lognormal
La variable aleatoria puede tomar valores
que aumentan sin lmites pero no puede
tomar valores negativos. La variable aleatoria tiene un sesgo positivo
(modo < media) con la mayor parte de los
valores cerca del lmite inferior.
El logaritmo natural de la variable se ajusta a
una distribucin Normal.
-
5/27/2018 Montecarlo
44/100
Procesos estocsticos
Un proceso estocstico es un sistema de
eventos que se pueden contar,
en el que los eventos ocurren de acuerdo aun proceso aleatorio bien definido.
-
5/27/2018 Montecarlo
45/100
Distribuciones de probabilidad paraProcesos Discretos
Un Proceso Discreto se caracteriza por unaprobabilidadpde ocurrencia de un evento discreto encada prueba.
Una vez que se tiene una estimacin dep, se puedenestimar:
1. Distribucin de la cantidad sde ocurrencia de unevento en npruebas: Binomial (n,p)
2. Distribucin de la cantidad de pruebas hasta queocurra un evento por primera vez :1 + Geomtrica (p)
3. Distribucin de la cantidad de pruebas hasta queocurran seventos: s + Negbin (s,p)
-
5/27/2018 Montecarlo
46/100
Distribuciones de probabilidad paraProcesos Discretos
Para que las distribuciones de probabilidadmencionadas sean de aplicacin se debecumplir el supuesto que el sistema a estudiar
tiene las caractersticas de un ProcesoBinomial.
Proceso Binomial: la probabilidad de
ocurrencia de un evento es constante eindependiente de la cantidad o proximidad enel tiempo de eventos ya ocurridos.
-
5/27/2018 Montecarlo
47/100
Beta
Aplicaciones: estimar la probabilidad deocurrenciap de un evento, a partir de laobservacin des eventos enn pruebas.
Parmetros: Beta(alfa1,alfa2)
alfa 1 : s+1 alfa2: n -s+1
La distribucin Beta puede tomar muchasformas, segn los valores dealfa1 yalfa2.
A medida que aumenta n, se gana precisinen la estimacin dep (la distribucin depsecomprime)
-
5/27/2018 Montecarlo
48/100
Dada la gran variedad de formas que puede
asumir segn los valores asignados a los
parmetros, la distribucin Beta tambin seusa para describir datos empricos.
Si los valores de ambos parmetros son
iguales, Beta es simtrica.
Si alfa1 es menor que alfa2, la distribucin
est sesgada hacia la derecha.
Si alfa1 es mayor que alfa2, la distribucinest sesgada hacia la izquierda
-
5/27/2018 Montecarlo
49/100
Binomial
Aplicaciones: estimar la distribucin de lacantidad sde ocurrenciasde un evento enn
pruebas, cuando hay una probabilidadpde
ocurrencia del evento en cada prueba.
Parmetros: Binomial(n,p)
Para n>30 o cuandop es alta, la distribucin
Binomial puede ser aproximada por una
distribucin Normal ((np),(npq)1/2).
-
5/27/2018 Montecarlo
50/100
Condiciones subyacentes a unadistribucin Binomial
En cada prueba slo hay dos resultados
posibles
Las pruebas son independientes (lo queocurre en la primera prueba no afecta a la
segunda, y sucesivamente).
La probabilidad de ocurrencia del evento semantiene constante a travs de las pruebas
(no hay un proceso de aprendizaje)
-
5/27/2018 Montecarlo
51/100
Geomtrica
Aplicaciones: estimar la cantidad ndepruebas necesarias hasta la ocurrencia delprimer evento, cuando la probabilidadp deocurrencia de un evento se mantiene
constante en el tiempo. Parmetros: n =1 + Geometric (p)
La distribucin Geomtrica es anloga a la
distribucin Exponencial: Geomtrica seaplica a variables discretas, Exponencial seaplica a variables continuas.
-
5/27/2018 Montecarlo
52/100
Condiciones subyacentes de unadistribucin Geomtrica
La cantidad de eventos no est prefijada.
Se contina con las pruebas hasta lograr el
primer xito.
La probabilidad de xitopes constante a
travs de las pruebas.
-
5/27/2018 Montecarlo
53/100
Binomial Negativa
Aplicaciones: estimar la distribucin de la
cantidadn de pruebas hasta que ocurran s
eventos, cuando la probabilidadp de
ocurrencia de un evento es constante en el
tiempo.
Parmetros: n =s + Negbin (s,p)
ses el parmetro que le da la forma a la
distribucin.
-
5/27/2018 Montecarlo
54/100
Condiciones subyacentes de unadistribucin Binomial Negativa
La cantidad de pruebas no est prefijada.
Se contina con las pruebas hasta que se
observa la cantidad de eventos (s) buscada.
La probabilidad de xitopes constante de
prueba a prueba.
-
5/27/2018 Montecarlo
55/100
Distribucin Hipergeomtrica
Al igual que la distribucin Binomial, esta
distribucin describe la cantidad de
ocurrencias de un evento en una cantidad de
pruebas.
La diferencia con la distribucin Binomial es
que a medida que se avanza con las pruebas
cambia la probabilidad de ocurrencia delevento: pruebas sin reemplazo.
-
5/27/2018 Montecarlo
56/100
Condiciones subyacentes de unadistribucin Hipergeomtrica
La cantidad total de elementos de una
poblacin es finita. La muestra representa una porcin de la
poblacin.
La probabilidad de ocurrencia del evento enla poblacin es conocida y cambia
ligeramente luego de cada prueba.
-
5/27/2018 Montecarlo
57/100
Distribuciones de probabilidad paraProcesos Continuos
Un Proceso Continuo se caracteriza por unIntervalo Medio de Tiempoentre Eventos(beta).
Una vez que se tiene una estimacin de beta,se puede estimar tambin: 1. Distribucin de la cantidad de eventos por
unidad de tiempo: Poisson (lambda) 2.Distribucin de Tiempo hasta la ocurrencia
del prximo evento: Exponencial (beta) 3. Distribucin de Tiempo hasta que ocurran
n eventos: Gamma (n , beta)
-
5/27/2018 Montecarlo
58/100
Distribuciones de probabilidad paraProcesos Continuos (cont.)
Para que estas distribuciones sean aplicablesse debe cumplir el supuesto que el sistemaestudiado tiene las caractersticas de un
Proceso tipo Poisson. Proceso tipo Poisson: la probabilidad deocurrencia de un evento por unidad deexposicin es constante e independiente dela cantidad o proximidad de eventosocurridos.
La unidad de exposicin puede ser cualquiervariable continua (tiempo, distancia, etc)
-
5/27/2018 Montecarlo
59/100
Estimacin del Intervalo Medio deTiempo entre Eventos (beta)
betaes el intervalo de exposicin promedioentre neventos observados.
El verdadero valor de beta puede ser
estimado a partir de neventos observadosvalindose del TCL:
beta= Normal (t,sigma/(n-1)1/2)t = promedio de los n-1 intervalos contiguos
sigma= desvo standard de los tiintervalos.
La precisin de la estimacin de betaaumenta a medida que aumentan.
-
5/27/2018 Montecarlo
60/100
Poisson
Aplicaciones: estimar la cantidad Ndeocurrencias de un evento en un intervalo detiempoT cuando el tiempo medio entreeventos sucesivos (beta) se ajusta a un
proceso tipo Poisson. Parmetros: N = Poisson (lambda * t)
lambda= 1 / beta
Lambdase puede interpretar como lacantidad promedio de ocurrencias del eventopor unidad de exposicin.
-
5/27/2018 Montecarlo
61/100
Condiciones subyacentes a unadistribucin Poisson
La cantidad de eventos por unidad deexposicin no est limitada a un valordiscreto.
Los eventos son independientes entre s (elnmero de eventos en un intervalo deexposicin no afecta al nmero de eventos
en otro intervalo de exposicin). La cantidad promedio de eventos se
mantiene constante de intervalo a intervalo.
-
5/27/2018 Montecarlo
62/100
Exponencial
Aplicaciones: estimar la distribucin del(tiempo) entre ocurrencias sucesivas de unevento que tiene una probabilidad deocurrenciapconstante por unidad de
(tiempo). Parmetros: Expon (beta)
Si la probabilidadp de ocurrencia del eventoes constante a travs del tiempo, la
estimacin del tiempo que medie hasta laocurrencia del prximo evento esindependiente del tiempo que hayatranscurrido desde la ltima ocurrencia.
-
5/27/2018 Montecarlo
63/100
Gamma
Aplicaciones: estimar la distribucin del
tiempo requerido para la ocurrencia de alfa
eventos, cuando los eventos se ajustan a un
Proceso tipo Poisson con tiempo medio de
ocurrencia entre eventos beta.
Esta distribucin se usa bastante en
meteorologa, seguros y teora de colas.
Parmetros: Gamma (alfa, beta)
-
5/27/2018 Montecarlo
64/100
Condiciones subyacentes de unadistribucin Gamma
La cantidad de posibles ocurrencias de un
evento en cualquier unidad de medida no
est limitada a valores discretos.
La ocurrencia de los eventos es
independiente entre s.
La cantidad promedio de ocurrencias delevento se mantiene constante entre
intervalos sucesivos.
-
5/27/2018 Montecarlo
65/100
Patrones lgicos comunesa Procesos Discretos y Continuos
En un Proceso Binomial, el parmetro descriptivo
clave esp, probabilidad de ocurrencia del evento en
cada prueba, que se asume constante para todas laspruebas
En un proceso Poisson, el parmetro descriptivo
clave es lambda(cantidad media de eventos que
ocurren por unidad de exposicin) que se asume esconstante sobre el perodo total de exposicin.
-
5/27/2018 Montecarlo
66/100
Weibull
La distribucin Weibull (alfa,beta) asume que laprobabilidadp de ocurrencia del evento cambiacon el transcurso del tiempo.
alfa = 1 probabilidad constante (Exponencial) alfa > 1 probabilidad creciente
alfa < 1 probabilidad decreciente.
alfa es el parmetro de forma, beta es el parmetro deubicacin.
El parmetro betapermite representar una distribucinexponencial con valor mnimo distinto de 0.
Aj t d l d t di t ib i
-
5/27/2018 Montecarlo
67/100
Ajuste de los datos a una distribucinterica
Los parmetros de la distribucin que permitan
lograr el mejor ajuste a los datos se determinanusualmente mediante alguno de los siguientesdos mtodos:
1.Estimadores de Mxima Verosimilitud:
maximizan la probabilidad que la distribucindefinida con estos parmetros sea capaz degenerar los datos observados.
2. Minimizacin de las diferencias absolutas
entre los valores de probabilidad acumuladaobservados y los derivados de la distribucnterica (usando programas de optimizacin)
-
5/27/2018 Montecarlo
68/100
Indicadores de Bondad de Ajuste
Los indicadores estadsticos de Bondad deAjuste ms usados son 3:
1. Para distribuciones discretas y continuas,tanto numricas como no numricas: Chi
cuadrado. Es el indicador menos potente. 2. Para distribuciones continuas:
Kolmogorov-Smirnov(K-S). No es muysensible para detectar discrepancias en las
colas de la distribucin. 3. Anderson-Darling(versin sofisticada de
K-S), pone ms nfasis en las colas.
-
5/27/2018 Montecarlo
69/100
Indicadores de Bondad de Ajuste
Cuanto menor sea el valor de cada indicador,
mayor ser el ajuste aparente entre ladistribucin terica y los datos observados.
Los valores standard de K-S y A-D son de
uso limitado para comparar valores crticoscuando hay menos de 30 observaciones.
Esto se puede corregir usando K-S y A-D
modificados.
Hay muchas distribuciones que tienenformas similares y que pueden ser
capaces de generar los datos observados.
-
5/27/2018 Montecarlo
70/100
Dependencia y Correlacin
Una relacin de Dependencia ocurre cuandoel valor muestreado de una variable(independiente) tiene una relacin estadsticaque determina aproximadamente el valor que
va a ser generado para la otra variable(dependiente).
La diferencia principal entre Dependencia yCorrelacines que la primera presupone una
relacin causal, mientras que la segunda no(puede haber un factor externo que afecta aambas variables).
-
5/27/2018 Montecarlo
71/100
Correlacin positiva entre variables
-
5/27/2018 Montecarlo
72/100
Independencia entre variables
-
5/27/2018 Montecarlo
73/100
Correlacin negativa
Ingreso Manzana MCBA - Precio
0
2,000
4,000
6,000
8,000
10,000
12,000
14,000
16,000
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6
Manzana ($/kg)
Ingresoton/mes
r = - 0.6
-
5/27/2018 Montecarlo
74/100
Correlacin
- 1 0 + 1
Ingreso Manzana MCBA - Precio
0
2,000
4,000
6,000
8,000
10,000
12,000
14,000
16,000
0. 0 0 .2 0 .4 0 .6 0 .8 1 . 0 1 .2 1 .4 1 .6
Manzana ($/kg)
Ingresoton/mes
r = - 0.6
-
5/27/2018 Montecarlo
75/100
Correlacin Lineal (Pearson)
El coeficienter da una medida de lacovarianza entre dos conjuntos de datos.
rpuede tomar valores desde -1 a +1.
Al dividir por los desvos standard de cadaconjunto de datos se logra un ndice decovarianza que no depende de las unidadesde medida en que estn expresados losdatos.
Supuestos: la relacin entre variables es detipo lineal.
-
5/27/2018 Montecarlo
76/100
Correlacin por orden de rango(Spearman)
Es un mtodo no paramtrico para cuantificar larelacin entre variables.
r puede tomar valores desde -1 a +1.
Ventajas:
1. Las variables se correlacionan de acuerdo alrango de valores generados en cada distribucin.Esto significa que todas las distribucionescorrelacionadas preservan su forma original.
2. Como no depende de supuestos acerca de larelacin matemtica de las variables acorrelacionar, puede ser aplicable a cualquier tipode relacin entre distribuciones (lineal, no lineal).
-
5/27/2018 Montecarlo
77/100
El coeficiente de correlacin de Pearson
mide la intensidad de la relacin lineal entre
variables.
Si dos variables aleatorias no tienen la
misma distribucin de probabilidad, es
improbable que se relacionen en forma lineal,por lo que el coeficiente de correlacin tendr
poco significado.
Si se toman los valores segn rangos y no
segn valores absolutos, el coeficiente de
correlacin as calculado tiene sentido
incluso para variables con diferentes
distribuciones.
-
5/27/2018 Montecarlo
78/100
Desventajas de correlacionar variablesmediante el coeficiente Spearman
1. Es difcil estimar el coeficiente de
correlacin entre dos distribuciones de
formas diferentes.
2. El mismo coeficiente de correlacin puede
resultar en diferentes grficos de puntos para
diferentes distribuciones correlacionadas.
Esto puede ser an ms marcado si lasdistribuciones a correlacionar son diferentes.
-
5/27/2018 Montecarlo
79/100
Recomendaciones respecto al uso decoeficientes de correlacin de Spearman
1. Usar estos coeficientes para correlacionar
variables que tengan un impacto menor sobre los
resultados del modelo.
2. Tratar de restringir su uso a correlacionardistribuciones de geometra similar.
3. Si se correlacionan distribuciones de geometra
diferente, antes de aceptar el coeficiente observar el
grfico de puntos resultante. 4. Evitar correlacionar distribuciones cuando no haya
una razn lgica que permita suponer una
correlacin.
-
5/27/2018 Montecarlo
80/100
Portfolio 2 actividadesCorrelacin 0, -.9 y +.9
-
5/27/2018 Montecarlo
81/100
Invernada : Precio de Novillo y Ternero:Independencia, Correlacin +0.9 y Correlacin 0.9
Resultado Invernada US$
frecuencia
miles US$
0.000
0.200
0.400
0.600
0.800
1.000
1.200
1.400
1.600
Mean=1422.864
Mean=1422.865
Mean=1422.855
-.5 0 .5 1 1.5 2 2.5 3 3.5
Mean=1422.864
Mean=1422.865
Mean=1422.855
-
5/27/2018 Montecarlo
82/100
Siembra de Maz: Precio y Rendimiento
Independencia, Correlacin +0.9 y Correlacin 0.9
Resultado Siembra Maz
frecuencia
US$/ha
0
12
3
4
5
6
7
8
9
Mean=12.71034
Mean=14.19746
Mean=11.20689
-150 -100 -50 0 50 100 150 200
Mean=12.71034
Mean=14.19746
Mean=11.20689
-
5/27/2018 Montecarlo
83/100
Efectos de la correlacin sobre losresultados del modelo
El efecto es funcin de:
Relacin entre las variables correlacionadasy el resultado.
Forma de las distribuciones correlacionadas.
Ef d l S d d i bl
-
5/27/2018 Montecarlo
84/100
Efecto de la Suma de dos variablescorrelacionadas sobre el resultado
(modelos aditivos)
El valor esperado del resultado no se ve
afectado por la presencia de correlacin.
El desvo standard del resultado aumenta a
medida que aumentar (si las variables
correlacionadas tiran el resultado para el mismolado).
-
5/27/2018 Montecarlo
85/100
Efecto del producto de dos variablescorrelacionadas sobre el resultado
(modelos multiplicativos)
El valor esperado del resultado aumenta a
medida que aumentar (toda la distribucin sedesplaza hacia la derecha a medida que
aumentar).
No se pueden hacer generalizacionesrespecto al desvo standard, aunque en
general aumenta a medida que aumentar.
-
5/27/2018 Montecarlo
86/100
Matrices de Correlacin
Permiten correlacionar varias distribucionesde probabilidad mediante coeficientes deSpearman.
Como la frmula de los coeficientes decorrelacin por orden de rango es simtrica,los elementos de la matriz son simtricosalrededor de la diagonal.
Tiene que haber una cierta lgica en loscoeficientes ingresados (p.ej. condicintransitiva)
f l d d d
-
5/27/2018 Montecarlo
87/100
Portfolios de 2 y 3 actividadesVariables independientes
-
5/27/2018 Montecarlo
88/100
Efecto de la correlacin sobre Variabilidadde Portfolios de n actividades
0%
5%
10%
15%
20%
25%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Zonas que componen el portfolio
desvo
Correlacin=0
Correlacin=0.5
d d d f l
-
5/27/2018 Montecarlo
89/100
Administracin de Riesgo de Portfolio:factores a considerar
Asignacin de superficies a las distintas
actividades
Resultado esperado de cada actividad
Variabilidad de resultados de cada actividad
Correlacin entre rendimientos de las
distintas actividades
Correlacin entre precios de las distintas
actividades
-
5/27/2018 Montecarlo
90/100
Oeste de Buenos Aires: Planteos de Produccin
Planteo Mixto Agrcola Puro Invernador con
Agricultura
Complementaria
Distribucin de Superficies (h 1,049 850 1,068
Trigo 170Maz 190 340 140
Soja 1a 190 340 140
Soja 2a 170
Girasol 94
Invernada 575 788
Existencias (cab) 1,200 1,800
Produccin Carne (kg/ha) 504 636
Suplementacin (kg/cab) 330 690
-
5/27/2018 Montecarlo
91/100
Ganadera Soja 1aMaz
Margen Ganadera, Soja 1a. y Maz $/ha
frecuen
cia
01
2
3
4
5
6
7
8
Mean=139.97
Mean=126.9246
Mean=289.2309
-100 87.5 275 462.5 650
Mean=139.97
Mean=126.9246
Mean=289.2309
Correlaciones
-
5/27/2018 Montecarlo
92/100
Correlaciones
Precio Ternero / Precio Novillo: 0.8
Trigo Maz Soja Girasol
Trigo 1 0.8
Maz 0.8 1 0.6Soja 0 0.6 1 0.5Girasol 0 0 0.5 1
Trigo Maz Soja 1era Soja 2da Girasol
Trigo 1 0.26 0.3Maz 0.26 1 0.65 0.5 0.25Soja 1era 0.3 0.65 1 0.75Soja 2da 0 0.5 0.75 1Girasol 0 0.25 0 0 1
Planteo Mixto
-
5/27/2018 Montecarlo
93/100
Soja 1a
Trigo
Maz Ganadera
Margen Actividades y Margen Global $/ha
frecuencia
0
1
2
3
4
5
6
7
8
910
Mean=139.97
Mean=126.9246
Mean=289.2309
Mean=172.4265
-100 87.5 275 462.5 650
Mean=139.97
Mean=126.9246
Mean=289.2309
Mean=172.4265 Margen Global
I t d l l i b l
-
5/27/2018 Montecarlo
94/100
Impacto de la correlacin sobre lavariabilidad del resultado
Cuanto menor sea la asociacin positiva
entre el resultado de las distintas actividades,
mayor ser la posibilidad de amortiguar
oscilaciones en el resultado final.
A mayor cantidad de actividades que
compongan un portfolio, mayor ser la
posibilidad de amortiguar oscilaciones elresultado final.
Planteo Mixto: Impacto relativo de diferentes
-
5/27/2018 Montecarlo
95/100
variables sobre el riesgo del sistema
Impacto de diferentes variables sobre elriesgo
Std b Coefficients
Girasol / Jl-Dc/CR45-.016
Afectacin fina A / Jl-Dc/.../DB11-.017Riesgo exceso hdrico fina.../CR9 .033Girasol / En-Jn/CQ21 .092
ton / En-Jn/G54-.104Soja 1era / En-Jn/CQ31-.106
Riesgo exceso hdrico grue.../CR10-.11Esperado / Oleaginosas/F21 .121
Esperado / Cereales/D21-.133Esperado / Oleaginosas/G21 .137
Novillos / En-Jn/CT20-.173 Terneros / Jl-Dc/CU11-.207
Maz / En-Jn/CQ18 .307Esperado / Cereales/E21 .352Soja 1era / En-Jn/CQ19 .468Novillos / Jl-Dc/CU20 .535
-1 -.75 -.5 -.25 0 .25 .5 .75 1
Planteo Mixto
-
5/27/2018 Montecarlo
96/100
Margen Bruto Global y Resultado
frecuencia
0.000
0.002
0.004
0.007
0.009
0.011
0.013
0.016
0.0180.020
Mean=172.4874
Mean=82.30045
0 62 124 186 248 310
Mean=172.4874
Mean=82.30045
Margen GlobalResultado
Comparacin de Resultados
-
5/27/2018 Montecarlo
97/100
Resultado $/ha
frecuencia
0.000
0.002
0.004
0.007
0.009
0.011
0.013
0.016
0.018
0.020
Mean=82.26595
Mean=98.50481
Mean=105.2747
-50 40 130 220 310
Mean=82.26595
Mean=98.50481
Mean=105.2747
Mean=82.26595
Mean=98.50481
Mean=105.2747
Mixto Agricultura Perm. Invernador intensivo
Gastos Fijos y Retiros
-
5/27/2018 Montecarlo
98/100
Gastos Fijos y Retiros
Un sistema de produccin puede serrelativamente poco riesgoso ante undeterminado nivel de gastos fijos, y volverseriesgoso ante un mayor nivel de gastos fijos.
No hay soluciones mgicas: no debemospretender remediar mediante la administracinde portfolio los problemas que se derivan de undesbalance entre la capacidad de generar
resultados y la exigencia de gastos fijos yretiros que se ejerce sobre un determinadosistema de produccin.
-
5/27/2018 Montecarlo
99/100
Reservas
La clave para la administracin de portfolios
riesgosos es el mantenimiento de reservas.
Para ser efectivas, las reservas deben estarcolocadas en actividades cuyos resultados
no estn correlacionados con los resultados
de las actividades principales de la empresa.
-
5/27/2018 Montecarlo
100/100
Evaluacin Proyectos Plurianuales:Margen Bruto anual vs. promedio de 10 aos