Riesgos en Toma de Decisiones-Pronosticos PDF

Gestin Integral de
Riesgos en Toma de
Decisiones
Fernando Juregui Puertas
Instructor CRM
OBJETIVO
Si oigo algo lo olvido.
Si lo veo lo entiendo.
Si lo hago lo aprendo.
Confucio (551-478 A.C)
CONSIDERA TODOS LOS RIESGOS DE SUS PROYECTOS Y DECISIONES? O
SOLO SE ENCUENTRA ENFOCADO EN RESULTADOS?...
Muchas Veces Resulta Difcil Entender Lo Que Es El Riesgo Y Mucho Ms, Cuantificarlo
Conceptos Bsicos
Distribucin Normal
Curva de campana (Cantidades que ocurren normalmente)

3 condiciones:
El valor ms esperado
Simetra
Ms posiblemente cerca del promedio que lejos
Ejemplos:
Retorno de un portafolio
de inversiones
Comportamiento de
un proceso
Distribucin Lognormal
Alargada positivamente
3 condiciones:
No puede ir debajo de cero, pero puede llegar hasta +
infinito
El log natural da una curva normal
Alargada positivamente
Ejemplos:
Precio de acciones
Tiempo de reparacin
Distribucin Triangular
Extremadamente flexible, pero menos precisa que la distribucin

normal
3 condiciones:
Fijar el mnimo
Fijar el mximo
Fijar el valor
ms probable
Es la mejor en
ausencia de datos
Distribucin PERT
Los valores situados entre el ms probable y los extremos tienen

ms probabilidades de producirse que en la distribucin triangular;
es decir, los extremos no tienen tanto peso.
3 condiciones:
- Fijar el mnimo
- Fijar el mximo
-Fijar el valor ms probable
Ejemplo: Variables en el proceso

de evaluacin de un proyecto
de Inversin
Distribucin Uniforme
Es mejor cuando faltan datos

3 condiciones:
Fijar el valor mnimo
Fijar el valor mximo
Igual nivel entre
ambos valores
Ejemplos:
Fugas en una tubera
Corte de Fibras
Criterios de Evaluacin de proyectos
Son utilizados para saber si se debe realizar un proyecto

de Inversin. Estos criterios son:
- Valor Actual Neto
- Tasa interna de retorno
- Relacin Costo beneficio
- Periodo de recuperacin de la inversin
- Costo Anual Equivalente

Valor Actual Neto (VAN)
Considera de manera explcita el valor del dinero en el

tiempo, descontando los flujos de efectivo a una tasa de
descuento.
El VAN representa la riqueza adicional que se consigue con

el proyecto sobre la mejor alternativa.
El criterio de decisin:
Si VAN es mayor que cero, aceptar el proyecto

Si VAN es menor que cero, rechazar el proyecto
Si VAN es igual a cero, es indiferente
El valor futuro corresponde a los flujos de caja futuros del negocio o Proyecto, pero los
flujos de caja son inciertos, luego debemos descontar los flujos de caja esperados.
n
E ( FCt )
VAN
1 r
t
t 0
Riesgo
Tiempo
Como el flujo de caja ocurre en perodos de Como los flujos de caja son inciertos, los
tiempo futuros, debemos localizarlos en el inversionistas demandan mayores retornos a
mismo instante de tiempo. una tasa de descuento.
FLUJO DE CAJA
INVERSION FLUJO DE EFECTIVO
1
0 1 2 3 4 5 n
OBJETIVO
2
Io
VPN>0
n
VAN FC
t
-I
1COK
t 0
Io t 1
VPN<0
Tasa interna de Retorno Modificada (TIRM)
Mientras que la tasa interna de retorno (TIR) asume los flujos de efectivo de un proyecto se
reinvierten a la TIR, la TIR modificada (TIRM) asume que los flujos de caja positivos se
reinvierten en el coste del capital de la empresa, y los desembolsos iniciales son
financiados por el coste de financiacin de la empresa. Por lo tanto, TIRM refleja con mayor
precisin el coste y la rentabilidad de un proyecto.
La frmula para TIRM es:
VF ( flujos de caja positivos)

TIRM n 1
VP( Inversiones )
Veamos un ejemplo para el siguiente proyecto que tiene los siguientes flujos de caja:
0 1 2 3
-1200 1000 500 100
Donde: COK=10%
Obtenemos: COK 10.00%

TIR 22.79%
Entonces, la manera de calcular la TIRM es:
1860
1200 TIRM 15.73%
1 TIRM
3
Se puede ver aqu que la TIRM 15.73% es significativamente ms baja que la TIR del
22.79%. En este caso, la TIR da una imagen demasiado optimista de las posibilidades del
proyecto, mientras que la TIRM da una evaluacin ms realista del mismo.
ndice de Rentabilidad (IR)
Un ndice que trata de identificar la relacin entre los costos y beneficios de un proyecto
propuesto por el uso de una proporcin calculada como:

n
FC t
1COK
t
t 1
IR
I
0
Una proporcin de 1 es lgicamente la medida ms baja aceptable en el ndice. Cualquier

valor inferior a 1,0 indicara que el valor presente de los flujos de caja futuros del proyecto
es inferior a la inversin inicial.
Un aumento en los valores del ndice de rentabilidad, tambin aumenta el atractivo

financiero del proyecto propuesto.
Inclusin de riesgos en la evaluacin de Decisiones
Riesgo e Incertidumbre
Cules son sus similitudes y diferencias?

No existe el riesgo si no hay incertidumbre!
Al considerar el riesgo se suelen distinguir dos casos:
El riesgo propiamente dicho:
Se refiere a situaciones en las que se conoce la

probabilidad de ocurrencia de un evento particular.
Por ejemplo, la probabilidad de que en una determinada

zona caiga granizo.
La incertidumbre:
Se refiere a situaciones en las que no se conoce la

probabilidad de ocurrencia.
Por ejemplo, es difcil conocer la probabilidad de que

aparezca una nueva tecnologa para producir cierto bien.
RIESGO
INCERTIDUMBRE EXPOSICIN
(?) ($)
Obj.: Medir la Incertidumbre Obj.: Medir la Exposicin
- Aplicacin del Clculo Estocstico - Determinar las relaciones entre

las variables de riesgo.
- Anlisis de Sensibilidad.
Qu es el Riesgo?
La condicin en que existe la posibilidad de que un evento ocurra e impacte negativamente
sobre los objetivos de la empresa. Lo opuesto se llama suerte.
Para que un evento incierto sea considerado riesgoso debe tener :

Probabilidad de Ocurrencia
Severidad de Prdida
Gestin Financiera y Gestin de Riesgos
Cmo medir el Riesgo? Algunos aspectos a considerar
Definiciones operativas:
Dispersin de los posibles resultados
Probabilidad de no alcanzar el resultado deseado
Probabilidad de tener prdidas
Desbalance en los resultados esperados
Medidas numricas de riesgo:

Desviacin estndar (cuadrtica) respecto a la media
Desviacin absoluta (lineal) respecto a la media
Cuantiles estimados
Momentos superiores: asimetra, curtosis
Objetivo: cifras que tengan valor intuitivo

Cuantiles Estimados
Fortalezas
Medida de probabilidad emprica: altamente intuitiva
Uso de un criterio asimtrico de comparacin de rendimientos
Debilidades
Clculo manual
Sensibilidad a errores ante probabilidades puntuales no nulas (en distribuciones
discretas)
Asimetra
La Asimetra mide la desviacin de una distribucin, es decir, la distribucin

est orientada hacia un lado o el otro. La media es siempre desviada hacia la
cola de la distribucin mientras que la mediana permanece constante.
T
rt r 3

t T W 1
(

)
W
Curtosis
La Curtosis mide las probabilidades de eventos extremos, prdidas

catastrficas (por ejemplo, Sep 11, cada del mercado de acciones).
T
rt r 4

t T W 1
(

)
W
Riesgo Simtrico versus Riesgo Asimtrico
Algunas medidas de riesgo simtrico:

Desviacin estndar y varianza
Desviacin absoluta respecto a la media
Algunas medidas de riesgo asimtrico:

Semidesviacin estndar
Probabilidades empricas de prdida
Distribucin asimtrica
hacia ganancias
Resultado esperado
hacia prdidas
Ambas tienen el mismo riesgo

simtrico
hacia ganancias
Los indicadores asimtricos
Resultado esperado
identifican la segunda
distribucin de resultados
como ms riesgosa que la
primera
hacia prdidas
Anlisis de riesgos usando Simulacin de Montecarlo
Anlisis de Riesgo por Simulacin
Cuando nos enfrentamos a situaciones sobre la que no es posible obtener una

informacin satisfactoria o es muy costosa su investigacin, es posible la
operacin de disear un proceso y una realidad mediante la simulacin.
As, los modelos de simulacin pretenden representar una realidad de una

manera simplificada, recogiendo las relaciones o leyes que se consideran
fundamentales y, por consiguiente, determinantes de la realidad a simular.
Matemticamente, una simulacin consiste en operar con un modelo numrico

que representa la estructura de un proceso dinmico a travs del cual se
realizan experimentos sobre x nmero de hiptesis.
Mtodo de Simulacin de Monte Carlo
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.
Qu es una Simulacin de Monte Carlo ?
Una simulacin Monte Carlo en su forma ms simple es un generador de

nmeros aleatorios que es til para anlisis de pronstico, estimacin, y riesgo.
Una simulacin de este tipo calcula numerosos contextos o escenarios de un

modelo al escoger repetidamente valores de una distribucin de probabilidad
de un usuario predefinido para las variables inciertas y usando esos valores
como insumo para el modelo. Ya que todos esos contextos producen resultados
asociados en un modelo, donde cada contexto puede tener un pronstico. Los
pronsticos son eventos (usualmente con frmulas o funciones) que usted define
como salidas importantes del modelo.
Ests usualmente son eventos tales como totales, ganancia neta, o gasto bruto.
Principales Variables Independientes
En este contexto, Hertz (1964 y 1968) incorpora el anlisis de riesgo en las decisiones de inversin de
la empresa. Para ello, utiliza el Mtodo de Monte Carlo para obtener el valor medio ms probable y la
dispersin de un proyecto de inversin.
Es importante determinar cules sern nuestras variables fundamentales que nos ayudarn a definir el
problema. Hertz considera nueve factores clasificados en tres categoras:
Tamao de Mercado
Anlisis de Mercados Precios de Venta
Crecimiento del Mercado
Cuota del Mercado
Costos Fijos y Variables Costos Variables

Costos Fijos
Vida til de la Inversin
Costo de la Inversin Inversin Requerida

Valor residual de la Inversin
Esquema: Simulacin de Monte Carlo
Empieza aqu: Genera un nmero

al azar (entre 0 y 1)
Transforma la Distribucin de
Probabilidad acumulada en
Distribucin de Probabilidad
Genera el siguiente nmero

Convierte el nmero
al azar (entre 0 y 1 )
al azar en un valor
de muestra
PRODUCT PROFORMA
Unit Sales 10
Sales Price $ 10.00
Total Revenue $ 100.00
Introduce el valor de
Variable Cost/Unit $ 5.50 muestra al modelo
Total Variable Cost $ 55.00
Recalcula el modelo y Total Fixed Cost $ 20.00
de transformacin
registra el resultado de la Total Cost $ 75.00
Net Revenue $ 25.00
simulacin para este
intento
Distribuciones de Probabilidad de los Flujos de Caja
En un modelo de incertidumbre, el VAN puede considerarse una variable

aleatoria. Por tanto, la suma de variables independientes, segn el Teorema
Central de Lmite, tiende a seguir una distribucin normal cuando el nmero de
sumandos tiende a .
En la prctica, la convergencia de este teorema es eficiente y consistente, y por

ello, podemos aventurarnos a decir que una variable aleatoria como el VAN
puede aproximarse a una normal cuando el nmero de sumandos es 10.
Pasos para efectuar una simulacin
1.Desarrollo de un perfil de simulacin en Excel con RS

2.Definicin de suposiciones para las variables aleatorias.
3.Definicin de las variables de decisin (optimizacin).
4.Definicin de las celdas de prediccin, esto es, las variables de salida de
inters.
5. Correr la simulacin.
6. Interpretar y analizar los resultados.
Empezando a usar el Risk Simulator
Veamos el siguiente ejemplo
Ilustraremos el manejo del Risk Simulator para el

anlisis de riesgos, usando el siguiente ejemplo de un
proyecto privado:
La empresa de confecciones Jeans S.A. Considera un

proyecto de inversin para una nueva planta de
confecciones en el cono norte 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/.
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.
Datos
Los Datos a usar en el ejemplo se resumen en la siguiente tabla, donde para los tres primeros se
conocen sus valores para los escenarios bajo, medio y alto.
Datos Esperado
Volumen de ventas en unidades 30,000
Precio Unitario 75 Escenarios
Costo Unitario 25 Bajo Medio Alto
Costo Fijo 630,000 27,000 30,000 39,000
Valor Residual 350,000 65 75 90
Inversion 2,800,000 20 25 35
COK 15%
Nuestro Modelo
Definimos las relaciones existentes entre las variables del Modelo, en nuestro caso, se calcula el flujo de
caja futuro del proyecto de Inversin, para el clculo de los Indicadores de Rentabilidad.
Empezando un nuevo perfil de Simulacin
Para empezar una nueva simulacin, primero se necesitar crear un perfil de simulacin.
Un perfil de simulacin contiene un conjunto completo de instrucciones de cmo le
gustara correr la simulacin, es decir, todos los supuestos, pronsticos, correr
preferencias, y as sucesivamente.
Ttulo de la Simulacin
Seleccionar si desea Ingresar nmero deseado

detener la simulacin de intentos de simulacin
cuando se encuentre un
error. Seleccionar si desea que
las correlaciones sean
Seleccione e ingrese un consideradas en la
valor de capital si quiere simulacin.
que la simulacin siga una
secuencia de nmero
aleatorio especfico (no
est activado inicialmente)
Por qu usar Valores Semilla para simulacin?
Configurar el mismo valor semilla (mismo numero aleatorio de valor secuencial) en una
simulacin siempre obtendr los mismo resultados, asumiendo que el numero de
intentos es el mismo y que el modelo con los supuestos relevantes y pronsticos son
los mismos.
Como la simulacin se basa en generadores de nmeros aleatorios, los resultados no

siempre sern exactamente iguales. Esto puede crear problemas cuando se hacen
presentaciones (las diapositivas muestran resultados diferentes a los obtenidos en la
simulacin en vivo) . Por lo tanto, configurar valores semilla garantizar que hayan los
mismos resultados.
La verdadera aleatoriedad de una simulacin no esta restringida por agregar un valor

semilla. La simulacin entera an es aleatoria.
No es necesario probar diferentes valores semilla y volver a ejecutar la simulacin. Si

se desea, es una mejor aproximacin realizar un bootstrap no paramtrico, donde hay
mltiples simulaciones concurrentes y las estadsticas resultantes de cada simulacin
con diferentes valores semilla sern compiladas.
Definimos Supuestos de Entrada
En este caso las variables tienen una distribucin triangular.

Definimos Pronsticos de Salida
El siguiente paso es definir pronsticos de salida en el modelo.

Grfica de Pronstico
La grfica de pronstico es un histograma de

probabilidad que muestra los clculos de
frecuencia de valores ocurridos en el nmero total
de intentos simulados.
Las barras verticales muestran la frecuencia de

un valor x particular ocurriendo en un nmero
total de intentos, mientras la frecuencia
acumulada (lnea uniforme) muestra el total de
probabilidades de todos los valores en y debajo
de x ocurridos en el pronstico.
Estadsticas de Pronstico
Las estadsticas de pronstico resumen la

distribucin de los valores de pronstico en
trminos de los cuatro momentos de una
distribucin.
Usar grficas de pronstico para Intervalos de Confianza
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. Nos Indica: VAN 0
Simulacin Bootstrap No Paramtrica
La simulacin Bootstrap estima la confiabilidad o precisin de los pronsticos

estadsticos o muestras de datos sin procesar. La simulacin Bootstrap puede ser
usada para responder una gran cantidad de preguntas sobre confianza y precisin en
las simulaciones. Por ejemplo supongamos un modelo idntico (con supuestos
idnticos y pronsticos pero sin ninguna semilla aleatoria) que est corriendo para 100
personas diferentes, cuyos resultados sern claramente ligeramente diferentes. La
pregunta es, si nosotros recolectamos todas las estadsticas de estas 100 personas,
como ser distribuida la media, o la mediana, o la asimetra o excesos de curtosis?
Suponga que una persona tiene un valor medio de 1.50 mientras otro 1.52. Son estos
dos valores estadstica y significativamente diferentes uno del otro o son ellos
estadsticamente similares y la pequea diferencia es debido totalmente a una
aleatoriedad fortuita? Que pasa con 1.53? Entonces, cuan lejos es suficientemente
lejos para decir que los valores son estadsticamente diferentes? Adicionalmente, si en
los resultados de un modelo la simetra es -0.19 es esta distribucin pronosticada
negativamente asimtrica o es estadsticamente suficientemente cercana a cero para
concluir que esta distribucin es simtrica y no asimtrica?
Si nosotros sacamos este pronstico 100 veces, i.e., correr una simulacin de prueba
1,000 por 100 veces y recolectamos 100 coeficientes de asimetra, la asimetra de la
distribucin podra indicar que tan lejos est cero de 0.19. si el 90% de confianza en la
distribucin asimtrica bootstrapped contiene el valor cero, entonces podramos
concluir que con un nivel de confianza del 90%, esta distribucin es simtrica y no
asimtrica. Y que el valor0.19 es estadsticamente suficientemente cercano a cero. De
otro lado, si cero cae fuera de esta rea de confianza del 90%, entonces esta
distribucin es negativamente asimtrica. El mismo anlisis puede ser aplicado a los
excesos de curtosis y otras estadsticas.
Esencialmente la simulacin bootstrap es una herramienta de prueba de hiptesis. Los

mtodos clsicos usados en el pasado confiaban en las frmulas matemticas para
describir la procesin de muestras estadsticas. Estos mtodos asumen que la
distribucin de una muestra estadstica se aproxima a una distribucin normal haciendo
relativamente fcil el clculo del error estndar o el intervalo de confianza. Ahora,
cuando una distribucin no est normalmente distribuida o fcilmente encontrada, estos
mtodos clsicos son difciles de usar. En contraste, el anlisis bootstrapping estudia
las muestras estadsticas empricamente. Repitiendo las muestras de los datos y
creando distribuciones de los diferentes estadsticos para cada muestra. Los mtodos
clsicos de prueba de hiptesis estn disponibles en Risk Simulator y sern explicados
en la siguiente seccin. Los mtodos clsicos ofrecen alto poder en las pruebas pero
confan en los supuestos de normalidad y pueden ser usados nicamente para probar
la media y varianza de una distribucin, en comparacin con la simulacin bootstrap
que ofrece menor poder pero es no paramtrica y distribution-free, y puede ser usada
para probar cualquier estadstico distribucional. .
Ejecutar una Simulacin Bootstrap No Paramtrica
Para realizar una prueba de hipotesis, ejecute una simulacion y luego haga clic sobre el
icono de Bootstrap o en Simulador de Riesgo | Herramientas | Simulacin No
Paramtrica. Seleccione el pronstico deseado, las estadsticas que desea probar, el
numero de intentos bootstrap y ejecute el anlisis.
Interpretacin de una Simulacin Bootstrap No Paramtrica
Los resultados
bootstrap son un
conjunto de
diagramas de
pronsticos de
cada estadstica
que usted
seleccion.
Utilizando estos
diagramas, usted
puede determinar
los intervalos de
confianza de cada
estadstica y
realizar pruebas
de hiptesis.
Anlisis Tornado y Araa
Las Tablas Tornado y Araa ayudan

a identificar los factores crticos de
xito del resultado de una celda para
poder identificar las entradas y
simularlas.
Las variables crticas identificadas
que son inciertas son las nicas que
no deben ser simuladas. No pierda
su tiempo simulando variables que
puedan ser inciertas o tienen poco
impacto en los resultados.
Anlisis Tornado
Una Tabla Tornado organiza todas

las entradas que le dan forma al
modelo, empezando con la variable
de entrada que tiene el impacto ms
grande sobre los resultados. La tabla
se obtiene afectando cada dato
ingresado precedente en un rango
consistente (por ejemplo, 10% del
caso base) una a la vez, y
comparando sus resultados con el
caso base.
Tabla Araa
Una Tabla Araa, como su nombre lo

indica, se asemeja a una araa con
un cuerpo central y varias piernas
saliendo de ella. La pendiente
positiva indica una relacin positiva,
mientras que una pendiente negativa
indica una relacin negativa entre las
variables relacionadas. Por lo tanto,
las tablas araas pueden utilizarse
para visualizar relaciones lineales y
no lineales.
Anlisis de Sensibilidad
Las tablas de Sensibilidad son

perturbaciones dinmicas
creadas despus de una
simulacin. Las tablas de
Sensibilidad son perturbaciones
dinmicas en el sentido de que
mltiples supuestos son
impactadas simultneamente y
sus interacciones son
capturadas en las fluctuaciones
de los resultados.
Anlisis de Sensibilidad
Las tablas de Correlacin No

Lineal de Rango, indican los
rangos que tienen las
correlaciones entre cada
supuesto y el pronstico
objetivo
Comparacin de los perfiles Rentabilidad / Riesgo
Al presentar los perfiles de rentabilidad/riesgo en un slo grfico, podemos

comparar las diferentes estrategias y seleccionar la ms deseable. Sin embargo,
el problema es determinar cul es ms conveniente para el decisor.
Cuando comparamos las curvas de rentabilidad/riesgo existen tres casos

posibles:
Que exista una dominacin determinstica.

Que exista una dominacin estocstica.
Que no exista ningn tipo de dominacin.
Dominacin Determinstica
En la siguiente figura, la
estrategia B domina
determinsticamente a la
estrategia A, porque el VPN ms
bajo posible en la estrategia B es
mayor que el valor ms alto
posible en la A. Es claro que el
decisor siempre preferir la
estrategia B a la A, porque no
existe un solo escenario en el
cual la estrategia A tenga un
resultado mejor que la estrategia
B.
Dominacin Estocstica
Dominacin Estocstica
El segundo caso lo ilustra la figura anterior, donde la estrategia D domina estocsticamente
a la estrategia C porque hay una mayor probabilidad de exceder cualquier valor del VPN
con D del que hay con C; es decir, para un valor de X, la probabilidad de que la estrategia D
produzca un VPN en exceso de X, es mayor que en la estrategia C. Como consecuencia, un
decisor que prefiera ms rentabilidad elegir la estrategia D, dado que dicha estrategia tiene
una probabilidad mayor de generar una rentabilidad ms alta que C. Por ejemplo, para el
valor de $0.5 millones, la probabilidad de que la estrategia D produzca un VPN en exceso
de $0.5 millones es 0.8 (1 - 0.2), que es mayor a la de la estrategia C, que slo es 0.1.
A pesar de que la dominacin estocstica es positiva, no garantiza que la estrategia D sea

mejor que la C en cada escenario posible. Para un escenario en particular es decir, para
una combinacin especfica de los valores de las variables aleatorias es posible que la
estrategia C tenga un VPN mayor que el de la estrategia D. Sin embargo, en general, la
estrategia D es superior.
Es claro que si existe una dominacin estocstica entre estrategias no habr necesidad de
investigar las preferencias del decisor con respecto al riesgo, pues l racionalmente
eliminar las alternativas dominadas.
Ningn tipo de Dominacin
Si no existe dominacin estocstica, las distribuciones de probabilidades acumuladas de

las estrategias se cruzarn y ser ms difcil hacer una afirmacin definitiva de cul es la
mejor estrategia.
Por ejemplo, las distribuciones de las estrategias E y F, que se muestran en la figura

siguiente, representan una situacin muy comn: la estrategia E tiene menor riesgo
(probabilidad de obtener un VPN negativo), pero tambin tiene menos posibilidades de
generar valores altos.
Con la estrategia F existe una probabilidad del 25% de lograr un VPN mayor al mximo
valor que se generara con la estrategia E. La preferencia entre estas estrategias depende
de la actitud del decisor con respecto al riesgo: est el decisor dispuesto a aceptar el
mayor riesgo de F por la posibilidad de generar un VPN mayor?
Ningn tipo de Dominacin
Proyeccin de Variables
Qu es Pronosticar ?
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
Componentes de una serie de Tiempo
Veamos un ejemplo:
La series X t muestra la cantidad de pasajeros de lneas areas en Espaa de Enero de
1949 a Diciembre de 1960.
La serie muestra: Tendencia y Estacionalidad

Componentes de una serie de Tiempo
Los componentes de esta serie son:
Pronstico de Series de Tiempo
Los ocho modelos ms comunes de Series de Tiempo, segregados por estacionalidad y
tendencias se listan abajo. Por ejemplo, si la variable de datos no tiene tendencia o
estacionalidad. Entonces un modelo sencillo de promedios mviles o un modelo single
exponential-smoothing pueden ser suficientes.
Desde luego, si la estacionalidad existe pero no est presente una tendencia, un modelo
Aditivo Estacional o Multiplicativo Estacional podra ser mejor.
No Estacionalidad Con Estacionalidad

Sin Tendencia
Promedio Movil Simple Aditivo Estacional
Suavizamiento Multiplicatvo
Exponencial Simple Estacional
Con Tendencia
Promedio Movil Doble Aditivo Holt-Winter's
Suavizamiento Multiplicativo Holt-

Exponencial Doble Winter's
Simulador de Riesgo| Pronstico | Anlisis de Series de Tiempo.
3. Usted puede seleccionar cualquiera

1. Abra o escriba algunos 2. Inicie el Anlisis de de los 8 mtodos a escoger o escoger
datos histricos Series de tiempo Modelo de Seleccin Automtica para
que el software encuentre el modelo
que mas se ajuste.
4. Si usted escoge Modelo de

Seleccin Automtica o cualquier
modelo con un componente de
estacionalidad, entre el nmero de
estaciones por ciclo.
5. Entre el nmero deseado de

periodos a pronosticar
6. Si existe un perfil de Simulacin,

usted puede chequear esta opcin
y los resultados del pronstico
tendrn supuestos predefinidos en
ellas.
Metodologas
El Mejor Modelo: Multiplicativo de Holt-Winter Segundo Mejor Modelo: Aditivo de Holt-Winter

Alfa 0.2429 Alfa 0.2217
Beta 1.0000 Beta 1.0000
Gamma 0.7797 Gamma 1.0000
Estacionalidad 4 Estacionalidad 4
RMSE 71.8132 RMSE 92.4240
MSE 5157.1348 MSE 8542.1969
Ao Trimestre Periodo Ventas MAD 53.4071 MAD 74.0883
2006 1 1 $684.20 MAPE 4.50% MAPE 5.38%
2006 2 2 $584.10 U de Theil 0.3054 U de Theil 0.3424
2006 3 3 $765.40
2006 4 4 $892.30
2007 1 5 $885.40
Tercero Mejor Modelo: Multiplicativo Estacional Cuarto Mejor Modelo: Aditivo Estacional
2007 2 6 $677.00
Alfa 0.7195 Alfa 0.6882
2007 3 7 $1,006.60
Gamma 1.0000 Gamma 1.0000
2007 4 8 $1,122.10
Estacionalidad 4 Estacionalidad 4
2008 1 9 $1,163.40
RMSE 152.3492 RMSE 182.4348
2008 2 10 $993.20
MSE 23210.2897 MSE 33282.4687
2008 3 11 $1,312.50
2008 4 12 $1,545.30 MAD 126.6442 MAD 161.1926
2009 1 13 $1,596.20 MAPE 9.01% MAPE 10.62%
2009 2 14 $1,260.40 U de Theil 0.4908 U de Theil 0.5607
2009 3 15 $1,735.20
2009 4 16 $2,029.70
2010 1 17 $2,107.80 Quinto Mejor Modelo: Suavizado Exponencial Doble Sexto Mejor Modelo: Promedio Mvil Doble
2010 2 18 $1,650.30 Alfa 0.1160 4
2010 3 19 $2,304.40 Beta 1.0000 RMSE 272.7573
2010 4 20 $2,639.40 RMSE 223.6280 MSE 74396.5245
MSE 50009.4736 MAD 249.0010
MAD 197.9173 MAPE 14.40%
MAPE 15.09% U de Theil 0.7248
U de Theil 0.7313
Sptimo Mejor Modelo: Suavizado Exponencial Simple Octavo Mejor Modelo: Promedio Mvil Simple
Alfa 0.7948 2
RMSE 287.1776 RMSE 318.8152
MSE 82470.9621 MSE 101643.1317
MAD 249.2510 MAD 280.3222
MAPE 18.16% MAPE 19.55%
U de Theil 0.9561 U de Theil 0.9623
Multiplicativo de Holt-Winter
Reporte Resumen Estadstico
Alfa, Beta, Gamma RMSE Alfa, Beta, Gamma RMSE

0.00, 0.00, 0.00 914.824 0.00, 0.00, 0.00 914.824
0.10, 0.10, 0.10 415.322 0.10, 0.10, 0.10 415.322
0.20, 0.20, 0.20 187.202 0.20, 0.20, 0.20 187.202
0.30, 0.30, 0.30 118.795 0.30, 0.30, 0.30 118.795
0.40, 0.40, 0.40 101.794 0.40, 0.40, 0.40 101.794
0.50, 0.50, 0.50 102.143
El anlisis se llev a cabo con alfa = 0.2429, beta = 1.0000, gamma = 0.7797, y estacionalidad = 4
Resumen del Anlisis de Series de Tiempo
Cuando existe estacionalidad y tendencia, los modelos ms avanzados requieren descomponer los datos en sus elementos base o componentes: un nivel base (L)
ponderado por el parmetro Alfa, un componente de tendencia (b) ponderado por el parmetro Beta; y un componente de estacionalidad (S) ponderado por el parmetro
Gamma. Existen varios mtodos pero los dos ms comunes son el aditivo de estacionalidad de Holt-Winter y el mtodo multiplicativo de estacionalidad de Holt-Winter. En el
modelo aditivo de Holt-Winter, el nivel base para el caso, la estacionalidad y las tendencias se aaden al mismo tiempo para obtener el pronstico ajustado. Se utiliza cuando
La prueba que mejor se ajusta para el pronstico del promedio mvil simple es la media de la raz cuadrada de los errores al cuadrado (RMSE - Root Mean Squared Error). La
RMSE calcula la raz cuadrada de la desviacin al cuadrado promedio de los valores ajustados contra los datos actuales.
El Error Cuadrtico Medio (MSE - Mead Squared Error) es una medida de error absoluto que ajusta los errores (la diferencia entre los datos histricos y los datos del pronstico
ajustados pronosticados por el modelo) para prevenir que los errores positivos y negativos se cancelen entre s. Esta medida tambin tiende a exagerar errores grandes
ponderndolos con mayor importancia que los errores pequeos, cuadrndolos, lo cual puede ayudar cuando se comparan diferentes modelos de series de tiempo. El Error
de la Media al Cuadrado (RMSE) es la raz cuadrada del MSE y es la medida ms popular de error, tambin conocida como funcin de perdida cuadrtica. El RMSE puede
definirse como el promedio de los valores absolutos de los errores del pronstico y es muy apropiado cuando el costo de los errores del pronstico es proporcional al tamao
absoluto del error del pronstico. El RMSE se utiliza como un criterio de seleccin para el mejor ajuste de modelos de series de tiempo.
El Porcentaje de la Media del Error Absoluto (MAPE - Mean Absolute Percentage Error ) es una medida estadstica de error relativo, como un porcentaje promedio del error de
los datos histricos y es ms apropiado cuando el costo de los errores del pronstico tiene una relacin ms cercana al porcentaje del error que a un valor numrico de error.
Finalmente, una medida asociada es la estadstica de la U de Theil, la cual mide la credibilidad del pronstico del modelo. Es decir, si la estadstica de la U de Theil es menor
a 1.0, entonces el mtodo utilizado para el pronstico proporciona un estimado que es estadsticamente mejor que adivinar.
Periodo Real Pronstico Ajustado Medidas de Error

1 684.20 RMSE 71.8132
2 584.10 MSE 5157.1348
3 765.40 MAD 53.4071
4 892.30 MAPE 4.50%
5 885.40 684.20 U de Theil 0.3054
6 677.00 667.55
7 1006.60 935.45
8 1122.10 1198.09
9 1163.40 1112.48
10 993.20 887.95
11 1312.50 1348.38
12 1545.30 1546.53
13 1596.20 1572.44
14 1260.40 1299.20
15 1735.20 1704.77
16 2029.70 1976.23
17 2107.80 2026.01
18 1650.30 1637.28
19 2304.40 2245.93
20 2639.40 2643.09
Pronstico21 2713.69
Pronstico22 2114.79
Pronstico23 2900.42
Pronstico24 3293.81
Pronstico25 3346.55
Pronstico26 2580.81
Modelos de Series de Tiempo (Metodologa ARIMA)
Hasta el momento t-1 se tiene la siguiente informacin:

- Valores Pasados de la serie: X 1, X 2, , X t-1
- Innovaciones Pasadas: a 1, a 2, , a t-1
Segn la Informacin disponible, hay tres tipos de modelos:

Modelos Autorregresivos de orden p: AR(p)
El modelo incorpora la informacin de las ltimas p observaciones.
Otras formulaciones:
Polinomio en el operador de retardos L

Filtro de autorregresivo (porque est aplicado a la propia variable).
Modelos Autorregresivos de orden 1: AR(1)
Un proceso autorregresivo de primer orden, AR(1), representa una variable cuyo
valor actual est relacionado con su valor anterior mediante un modelo de regresin.
El modelo incorpora la ltima observacin.
La figura muestra el perfil de dos series generadas por un AR(1) sin constante, con
distintos valores del parmetro :
.4 .6
.3
.4
.2
.2
.1
.0 .0
-.1
-.2
-.2
-.4
-.3
-.4 -.6
100 200 300 400 500 100 200 300 400 500
AR(1) phi=.5 AR(1), phi=.9

Los procesos AR(1) se
reconocen por una ACF
infinita y una PACF que se
anula a partir del segundo
retardo.
Si los datos tienen media,
es necesario especificar
un trmino constante.
Un ejemplo:
AR(1): zt 0.5zt 1 at ; at iid N(0,.01)
.4
.3
.2
.1
.0
-.1
-.2
-.3
-.4
100 200 300 400 500
AR(1) phi=.5
Modelos Autorregresivos de orden 2: AR(2)
Un proceso autorregresivo de segundo orden, AR(2), representa una variable cuyo valor
actual est relacionado con su valores anteriores hasta 2 periodos atrs mediante un
modelo de regresin.
El modelo incorpora las dos ltimas observaciones.
La figura muestra el perfil de una serie

generada por un AR(2) sin constante, con
Los procesos AR(2) se
reconocen por una ACF
infinita y una PACF que
se anula a partir del
tercer retardo.
Si los datos tienen
media, es necesario
especificar un trmino
constante.
Un ejemplo:
AR(2): Z t = 1.4 Z t-1 0.7 Z t-2 + a t; a t : iid N(0,1)

Modelos de Medias Mviles de orden q: MA(q)
El modelo incorpora la informacin de las ltimas q innovaciones.
Sus caractersticas bsicas son:
- Siempre es estacionario.
- Solo q innovaciones pasadas entran en el modelo.
- La funcin de autocorrelacin se corta tras q retardos.
- Las innovaciones persisten q perodos.

Modelos de Medias Mviles de orden 1: MA(1)
Un proceso de medias mviles de primer orden, MA(1), representa una variable cuyo valor
actual est relacionado con el valor actual y anterior de las innovaciones mediante un
modelo de regresin.
El modelo incorpora la innovacin actual y la anterior
La figura muestra el perfil de dos series generadas por un proceso MA(1) sin constante,
con distintos valores de :
.4 .4
.3 .3
.2 .2
.1 .1
.0 .0
-.1 -.1
-.2 -.2
-.3 -.3
-.4 -.4
100 200 300 400 500 100 200 300 400 500
MA(1), theta=.5 ma(1), theta=.9

Los procesos MA(1) se
reconocen por una
PACF infinita y una ACF
que se anula a partir del
segundo retardo.
Si los datos tienen
media, es necesario
especificar un trmino
constante.
Un ejemplo:
MA(1): zt at .5at 1 ; at iid N(0,.01)
.4
.3
.2
.1
.0
-.1
-.2
-.3
-.4
100 200 300 400 500
MA(1), theta=.5
Modelos de Medias Mviles de orden 2: MA(2)
Un proceso de medias mviles de segundo orden, MA(2), representa una variable cuyo
valor actual est relacionado con el valor actual y los valores anteriores hasta 2 periodos
atrs de las innovaciones mediante un modelo de regresin.
El modelo incorpora la innovacin actual y las dos ltimas observaciones de esta.
La figura muestra el perfil de una serie

generada por un MA(2) sin constante, con
Los procesos MA(2) se
reconocen por una PACF
infinita (no se muestra
aqu) y una ACF que se
anula a partir del tercer
retardo.
Si los datos tienen media,
es necesario especificar
un trmino constante.
Un ejemplo:
MA(2): Z t = a t 0.9 a t-1 + 0.2 a t-2; a t : iid N(0,1)

Procesos Mixtos: ARMA(p,q)
Incluyen p retardos de la propia variable y q innovaciones pasadas.

Modelos ARIMA
Reporte Auto-ARIMA
Reporte ARIMA ARIMA (Modelos Autorregresivos Integrados de Medias Mviles)
Estadsticas de la Regresin
R-Cuadrado (Coeficiente de Determinacin) 0.0050 Criterio de Informacin Akaike (AIC) 2.8549
R-Cuadrado Ajustado -0.0052 Criterio Schwarz (SC) 2.9478
R-Mltiple (Coeficiente de Correlacin Mltiple) 0.0708 Logaritmo de Probabilidad -141.32
Error Estndar Estimado (EEy*) 1.03 Estadstico Durbin-Watson (DW) 1.9634
Nmero de Observaciones 99 Nmero de Iteraciones 0
Los Modelos Autorregresivos Integrados de Medias Mviles o ARIMA(p,d,q) son la extensin del modelo AR que utiliza los tres componentes para modelar la
correlacin serial en datos de series de tiempo. El primer componente es el trmino autorregresivo (AR). El modelo AR(p) utiliza un nmero p de regazos de la serie.
Un modelo AR(p) tiene la forma: y(t)=a(1)*y(t-1)+...+a(p)*y(t-p)+e(t). El segundo componente es el termino del orden de integracin (d) de la serie. Cada orden de
integracin corresponde al numero de veces que la serie de tiempo debe se diferenciada para hacerse estacionaria. I(1) significa diferenciar los datos una vez. I(d)
significa diferencia los datos d veces. El tercer componente es el trmino (MA) media mvil. El modelo MA(q) utiliza q rezagos de los errores del pronstico para
mejorar este proceso. Un modelo MA(q) tiene la forma: y(t)=e(t)+b(1)*e(t-1)+...+b(q)*e(t-q). Finalmente, un modelo ARMA(p,q) tiene la forma combinada: y(t)=a(1)*y(t-
1)+...+a(p)*y(t-p)+e(t)+b(1)*e(t-1)+...+b(q)*e(t-q).
El R-Cuadrado, o el Coeficiente de Determinacin, indica el porcentaje de variacin en la variable dependiente que puede explicarse y contarse por las variables
independientes en este anlisis de regresin. Sin embargo, en una regresin mltiple, el R-Cuadrado Ajustado toma en cuenta la existencia de variables
independientes adicionales o regresores y ajusta el valor de esta R-Cuadrado para una perspectiva ms exacta del poder explicativo de la regresin. Sin embargo,
bajo algunas circunstancias de modelacin ARIMA (por ejemplo, modelos con no convergencia), el R-Cuadrado tiende a ser no confiable.
El Coeficiente de Correlacin Mltiple (R-Mltiple) mide la correlacin entre la verdadera variable dependiente (Y) y el estimado o ajuste (Y*) basado en la ecuacin de
regresin. Esta correlacin tambin es la raz cuadrada del Coeficiente de Determinacin (R-Cuadrado).
El Error Estndar Estimado (Sey*) describe la dispersin del conjunto de datos por encima y por debajo de la lnea de regresin o plano. Este valor es utilizado como
parte del clculo para obtener el intervalo de confianza de las estimaciones posteriores.
Los criterios de informacin AIC (Akaike) y SC (Schwarz) son utilizados generalmente en la seleccin del modelo de regresin. SC impone una gran penalidad por
coeficientes adicionales. Generalmente el usuario debe seleccionar un modelo con el valor ms bajo de los criterios AIC y SC.
El estadstico Durbin-Watson mide la correlacin serial en los residuales. Por lo general, DW menores a 2 implican una correlacin serial positiva.
Resultados de la Regresin
Intercepto AR(1)
Coeficientes -0.0812 -0.0714
Error Estandar 0.1041 0.1021
Estadstico t -0.7799 -0.6995
P-Value 0.4373 0.4859
Menor a 5% 0.0917 0.0982
Mayor a 95% -0.2540 -0.2410
Grados de Libertad Prueba de Hiptesis

Grados de Libertad para la Regresin 1 Estadstico t Crtico (99% confianza con diferencia de 97) 2.6275
Grados de Libertad Residual 97 Estadstico t Crtico (95% confianza con diferencia de 97) 1.9847
Grados de Libertad Totales 98 Estadstico t Crtico (90% confianza con diferencia de 97) 1.6607
Los coeficientes proporcionan el intercepto y la pendiente de la regresin estimada. Por ejemplo, los coeficientes son estimaciones de los posibles valores
poblacionales b representados en la siguiente ecuacin de regresin Y = b0 + b1X1 + b2X2 + ... + bnXn. El Error Estndar mide que tan exactos son los pronsticos
de los coeficientes, y el estadstico t es la razn entre el valor correspondiente al coeficiente estimado y su respectivo Error Estndar.
El estadstico t se utiliza en la prueba de hiptesis, donde se establece la hiptesis nula (Ho) de manera que el coeficiente sea cero, y la hiptesis alternativa (Ha)
diferente de cero, de manera que el verdadero valor del coeficiente no sea igual a cero. Una prueba t se lleva a cabo cuando el estadstico t se compara con los
valores crticos de los Grados de Libertad Residual. La prueba t es muy importante ya que calcula si cada uno de los coeficientes es estadsticamente significativo en
presencia de otros regresores. Esto significa que la prueba t comprueba estadsticamente cuando un regresor o una variable independiente debe continuar en la
regresin o de lo contrario, debe descartarse.
El coeficiente es estadsticamente significativo si su estadstico t excede el estadstico crtico en los grados de libertad relevantes (df). Los tres principales niveles de
confianza utilizados para medir la significancia son 90%, 95% y 99%. Si un estadstico t del coeficiente excede el nivel crtico, se le considera estadsticamente
significativo. Alternativamente, el P - Value calcula cada probabilidad de ocurrencia del estadstico t, lo que significa que entre ms pequeo sea el P - Value, ms
significativo ser el coeficiente. Los niveles usuales de significancia para el P - Value son 0.01, 0.05, y 0.10, que corresponden a 99%, 95%, y 90% de los niveles de
confianza respectivamente.
Los coeficientes con sus P - Value resaltados en azul indican que son estadsticamente significativos al 90% de confianza o 0.10 en nivel alfa, mientras que aquellos
resaltados en rojo indican que no son estadsticamente significativos en cualquier otro nivel alfa.
Anlisis de Varianza
Suma del
Suma de Estadstico
Promedio de Valor P
Cuadrados F
Cuadrados Prueba de Hiptesis
Regresin 0.52 0.52 0.49 0.4900 Estadstico F Crtico (99% confianza con diferencia de 1 y 97) 6.9036
Residual 103.68 1.07 Estadstico F Crtico (95% confianza con diferencia de 1 y 97) 3.9391
Total 104.2 Estadstico F Crtico (90% confianza con diferencia de 1 y 97) 2.7580
El cuadro de Anlisis de Varianza (ANOVA) proporciona una prueba con el estadstico F, apoyado en los resmenes generales de las estadsticas significativas de los
modelos. En lugar de buscar regresores individuales como en la prueba t, la prueba F busca en todas las propiedades estadsticas de los coeficientes. El estadstico
F se calcula como la razn de la suma ponderada de cuadrados de la suma explicada de la regresin sobre la suma ponderada de cuadrados de la suma de
residuales cuadrados. El numerador mide que tanto de la regresin se explica, mientras que el denominador mide que tanto no se explica. Por lo tanto, mientras ms
grande sea el estadstico F, ms significativo ser el modelo. El P - Value correspondiente es calculado para comprobar la hiptesis nula (Ho) en donde todos los
coeficientes son simultneamente iguales a cero, contra la hiptesis alternativa (Ha), en la cual todos son simultneamente diferentes a cero, indicando un modelo
de regresin estadsticamente significativo. Si el P - Value es ms pequeo que los niveles de significancia alfa, es decir, 0.01, 0.05, o 0.10, entonces la regresin es
significativa. La misma aproximacin puede aplicarse comparando el estadstico F con los valores crticos de F en varios niveles de significancia.
Reporte ARIMA Autocorrelacin
Tiempo AC PAC Lmite Inferior Lmite Superior Estadstico Q Valor P

1 (0.0701) (0.0701) (0.2000) 0.2000 0.5020 0.4786
2 0.0452 0.0405 (0.2000) 0.2000 0.7123 0.7004
3 (0.0607) (0.0551) (0.2000) 0.2000 1.0956 0.7781
4 (0.1133) (0.1240) (0.2000) 0.2000 2.4467 0.6542
5 0.0032 (0.0085) (0.2000) 0.2000 2.4478 0.7843
6 0.1052 0.1141 (0.2000) 0.2000 3.6366 0.7257
7 (0.0992) (0.1018) (0.2000) 0.2000 4.7067 0.6957
8 0.1246 0.0904 (0.2000) 0.2000 6.4128 0.6011
9 (0.1335) (0.1024) (0.2000) 0.2000 8.3920 0.4952
10 (0.0503) (0.0634) (0.2000) 0.2000 8.6761 0.5631
11 0.0115 0.0061 (0.2000) 0.2000 8.6910 0.6504
12 (0.1192) (0.1215) (0.2000) 0.2000 10.3244 0.5875
13 0.0902 0.0682 (0.2000) 0.2000 11.2711 0.5881
14 (0.0308) (0.0616) (0.2000) 0.2000 11.3828 0.6557
15 (0.0604) (0.0445) (0.2000) 0.2000 11.8175 0.6928
16 0.0631 0.0281 (0.2000) 0.2000 12.2972 0.7233
17 (0.0834) (0.0630) (0.2000) 0.2000 13.1460 0.7264
18 (0.0181) (0.0206) (0.2000) 0.2000 13.1863 0.7804
19 (0.0284) (0.0923) (0.2000) 0.2000 13.2873 0.8235
20 (0.0943) (0.0618) (0.2000) 0.2000 14.4130 0.8090
Si la autocorrelacin total AC(1) es diferente a cero, significa que la serie de tiempo esta ordenada serialmente y esta correlacionada. Si AC(k) decrece
geomtricamente o exponencialmente con un incremento en los rezagos, implica que la serie sigue un proceso autorregresivo de orden bajo. De la misma manera si
AC(k) disminuye hasta cero despus de un pequeo nmero de rezagos, implica que la serie sigue un proceso de orden bajo. La autocorrelacin parcial PAC(k) mide
la correlacin entre observaciones (para series de tiempo) que estn separadas k periodos, manteniendo constantes las correlaciones entre los rezagos intermedios
menores que k. Si el patrn de autocorrelacin total puede ser capturado por una autorregresion u orden menor que k, entonces la autocorrelacin parcial PAC en el
rezago ser muy cercana a cero. El estadstico Ljung-Box Q analiza utiliza los valores P - Value para identificar si los coeficientes de correlacin superiores al primer
rezago son iguales a cero (la hiptesis nula) contra la hiptesis de que no todos los rezago son cero. Cuando los P-Value son muy pequeos (P < 0.001) se puede
rechazar la hiptesis nula inicial, es decir, existen valores de los coeficientes de autocorrelacin que son significativamente diferentes de cero. Las lneas punteadas
en las grficas de las autocorrelaciones son los dos errores estndar aproximados a los lmites. Si la autocorrelacin est dentro de estos lmites, no es
significativamente diferente a cero en (aproximadamente) el 5% del nivel de significancia.
Pronstico
Perodo Real (Y) Pronstico (F) Error (E) RMSE: 1.0234

2 -0.7847 (0.1146) (0.6701)
3 0.6472 (0.0251) 0.6723
4 -0.2010 (0.1274) (0.0736)
5 -0.1425 (0.0668) (0.0757)
6 -0.5960 (0.0710) (0.5251)
7 0.1616 (0.0386) 0.2002
8 -1.1230 (0.0927) (1.0302)
9 1.0685 (0.0010) 1.0694
10 -0.6736 (0.1575) (0.5161)
11 -0.4483 (0.0331) (0.4153)
12 -0.9325 (0.0491) (0.8834)
13 -0.3389 (0.0146) (0.3244)
14 1.6845 (0.0570) 1.7414
15 0.3663 (0.2015) 0.5678
16 -2.1754 (0.1073) (2.0681)
17 -0.6381 0.0742 (0.7124)
18 -0.3391 (0.0356) (0.3035)
19 -0.9872 (0.0569) (0.9302)
20 -0.2461 (0.0107) (0.2354)
21 -0.6384 (0.0636) (0.5748)
22 1.0572 (0.0356) 1.0927
23 -0.6763 (0.1567) (0.5196)
24 -1.2208 (0.0329) (1.1879)
25 0.4092 0.0060 0.4032
26 -1.3784 (0.1104) (1.2680)
27 0.2279 0.0173 0.2106
28 1.3809 (0.0974) 1.4784
29 0.0143 (0.1798) 0.1941
30 0.7861 (0.0822) 0.8682
31 0.1225 (0.1373) 0.2599
32 -0.4418 (0.0899) (0.3518)
33 1.2610 (0.0496) 1.3107
34 -1.8734 (0.1713) (1.7021)
35 3.1207 0.0527 3.0680
36 -0.1084 (0.3041) 0.1956
37 0.6486 (0.0734) 0.7220
38 -0.4967 (0.1275) (0.3692)
39 -1.1036 (0.0457) (1.0579)
40 -1.7587 (0.0023) (1.7563)
41 1.5954 0.0445 1.5510
42 -1.6172 (0.1951) (1.4221)
43 -0.6617 0.0344 (0.6961)
44 -0.1160 (0.0339) (0.0821)
45 -1.1080 (0.0729) (1.0351)
Debida diligencia en Pronsticos: Cuidarse de la Caja Negra
Pronsticos fuera del Rango
Errores del modelo (Causalidad Granger y causalidad circular)
No Linealidad e interacciones
Modelos mal ajustados (Bad Goodness-of-Fit)
Cambios y quiebres estructurales
Errores de especificacin y mtodos economtricos incorrectos
Variables omitidas
Multicolinealidad
Variables redundantes
Micronumerosidad y datos no estacionales
Heterosedasticidad y homosedasticidad
Autocorrelacin y Correlacin serial
Estacionalidad y ciclicidad
Errores no-esfricos y dependientes
Caminatas aleatorias, No predecibilidad y procesos estocsticos:
Movimiento Browniano
Reversin a la media
Proceso de difusin de salto
Procesos Mixtos
Y muchos, muchos, muchos, muchos otros asuntos tcnicos
El Riesgo y la Diversificacin
La Diversificacin resulta de la combinacin de valores cuyo rendimiento es menor que la correlacin

perfecta para reducir el riesgo de la cartera. El rendimiento de la cartera (varios proyectos a invertir) es
simplemente un promedio ponderado de los rendimientos de los valores individuales, no importando el
nmero de los valores en la cartera.
La Diversificacin disminuye el Riesgo
Para probar esta afirmacin usaremos el siguiente ejemplo:
Un agricultor produce Naranjas y Mangos. Dichos cultivos desarrollan ms o menos en funcin al

comportamiento del clima. Las naranjas se desarrollan mejor en climas fros y los mangos en los
climas calurosos. Segn ello los resultados de cada cultivo son los siguientes:
Clima Fro Clima Normal Clima Caluroso
Naranjas 210 90 30
Mangos 45 90 180
Supongamos que cada evento tiene igual probabilidad de ocurrencia, es decir: 33.3 %
Sus valores esperados sern:
NARANJAS: 0.33(210) + 0.33(90) + 0.33(30) = 110

MANGOS: 0.33(45) + 0.33(90) + 0.33(180) = 105
Las Varianzas sern:
NARANJAS: 0.33(210 110)2 0.33(90 110)2 0.33(30 110)2 5,599.9
MANGOS : 0.33(45 105) 0.33(90 105) 0.33(180 105) 3,583

2 2 2
Las Desviaciones Estndar sern:
NARANJAS 74.83
MANGOS 59.86
La Distribucin Normal y su relacin con la Desviacin Estndar: Porcentajes bajo la curva (Anlisis de
Densidad).
68.26%
95.46%
99.74%
-3d -2d -1d k 1d 2d 3d

D = 59.86 Mangos
D = 74.86 Naranjas
-3d -2d -1d k 1d 2d 3d

Si el agricultor decide invertir 50 % en cada cultivo en lugar de sembrar solo uno se obtendr:
El Valor Esperado ser:
0.33 ( 127.5 ) + 0.33 ( 90 ) + 0.33 ( 105) = 107.50
Su Varianza ser:
0.33(127.5 107.5)2 0.33(90 107.5)2 0.33(105 107.5)2 1,163.81
La Desviacin Estndar ser: 34.11
Como se demuestra, gracias a la diversificacin el riesgo diminuy.

D = 34.11
DIVERSIFICACIN
D = 59.86 Mangos
D = 74.86 Naranjas
-3d -2d -1d k 1d 2d 3d

Desviacin estndar para el

rend. cartera
Riesgo diversificable
No sistemtico
Riesgo Total
Riesgo sistemtico o
relacionado con el
mercado
Cantidad de Holdings
Comparacin entre Proyectos
VAN
Proyecto A: VANe = S/. 1500 ; VAN = S/. 500
F
G E
1500 A D
H Son mejores que A:
C F G H
K
Son peores que A
J
K C D
500 Desviacin
Entre el proyecto A y los proyectos E y J qu proyecto escoger? Con los antecedentes que se dispone,
si el inversionista es averso al riesgo debe elegir J y si no lo es debe elegir E.
Comparacin entre Proyectos
Proyecto A: VANe = $ 1500 ; VAN = $ 500
Proyecto B: VANe = $ 2800 ; VAN = $ 1540
No existe ninguna frmula matemtica o criterio que nos pueda indicar, con exactitud la decisin ms
conveniente.
La eleccin depender bsicamente de la actitud y preferencia hacia la toma de riesgos del

inversionista, lo cual variar en funcin del volumen del proyecto con relacin a su patrimonio.
Si una persona que tenga una fuerte aversin a tomar riesgos, podra inclinarse ms a tomar el
proyecto A. Esto sucede, ya que si bien, este implica posiblemente una ganancia menor, la
probabilidad de obtener un resultado negativo con l es muy inferior con respecto a B.
Uso de Optimizacin en Proyectos de Inversin
Qu es la Optimizacin ?
Una aproximacin usada para encontrar la combinacin de entradas que permitan el
mejor resultado posible satisfaciendo ciertas condiciones pre-especificadas. Por ejemplo:
Cules acciones colocar en un portafolio, as como el peso de cada accin como un

porcentaje del presupuesto total.
Optimizar el equipo de trabajo para una lnea de produccin.
Proyectar y seleccionar estrategias y priorizacin
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.
Localizacin de bodegas para distribucin
Flexibilidad en el diseo de manufacturas.
Polticas de tratamiento en administracin de residuos.
Mtodos Heursticos y Algoritmos
Desde luego, necesitamos usar software de optimizacin para obtener la solucin. Risk
Simulator usa una variedad de heursticos y algoritmos para encontrar los mejores y
ptimos conjuntos de soluciones.
El Simulador de Riesgo usa algoritmos inteligentes para acelerar el proceso de bsqueda

e inteligentemente eliminar ciertas reas que son subptimas, logrando as incrementar la
eficiencia.
Tipos de Optimizacin
Las optimizaciones pueden ser Lineales o no Lineales, y pueden ser discreta entera o
continuas:
Una Optimizacin discreta entera puede tomar nicamente un valor entero especfico
como 0, 1, 2, 3, y as.
Una Optimizacin continua puede utilizar variables de decisin continuas y puede tomar
cualquier valor.
Ambos tipos de distribucin pueden ser Lineales o no Lineales. Esto es, la funcin
objetivo y las restricciones pueden ser todas lineales o no lineales
Pasos requeridos en una Optimizacin
Para correr un modelo de optimizacin, algunas variables deben ser primero

determinadas y creadas:
Objetivo: La variable puede ser maximizada o minimizada (e.g., valor presente neto,
prdidas catastrficas, riesgo, tiempos de reposo, etc.)
Variables de Decisin y sus rangos permitidos: Variables sobre las cuales usted tiene
control (qu tanto producir, que tanto invertir, y as)
Restricciones: Restricciones o condiciones que deben ser satisfechas en la optimizacin

(e.g., presupuesto, tiempo, recursos, etc.)
supuestos de simulacin: supuestos Monte Carlo cuando se corren optimizaciones

dinmicas o estocsticas.
Procedimientos de Optimizacin
Optimizacin esttica
Optimizacin sin simulacin: RAPIDA
Gran punto de arranque antes de hacer un anlisis de optimizacin avanzado.
Optimizacin Dinmica
Simulacin de N intentos, paradas, ajuste de las celdas de supuestos con los
estadsticos simulados, y luego optimizar.
Algn tipo de proceso de Simulacin-Optimizacin.
Cuentas para riesgo e incertidumbre
Optimizacin estocstica
Simulacin de N intentos, paradas, ajuste de las celdas de supuestos con los
estadsticos simulados, y luego optimizar, entonces el proceso es repetido
nuevamente por N veces.
Una serie de optimizaciones dinmicas en la cual cada variable de decisin tiene una
distribucin de pronstico.
Un rango de valores ptimos en vez de estimados de punto simple.
Uso de la Optimizacin en Proyectos
Ilustraremos, el uso de optimizacin en Proyectos con el siguiente ejemplo:
Relacin ndice de
Proyecto VAN Costo Riesgo $ Riesgo % Seleccin
Retorno/Riesgo Rentabilidad
Proyecto 1 $458.00 $1,732.44 $54.96 12.00% 8.33 1.26 1.0000
Proyecto 2 $1,954.00 $859.00 $1,914.92 98.00% 1.02 3.27 1.0000
Proyecto 3 $1,599.00 $1,845.00 $1,551.03 97.00% 1.03 1.87 1.0000
Proyecto 4 $2,251.00 $1,645.00 $1,012.95 45.00% 2.22 2.37 1.0000
Proyecto 5 $849.00 $458.00 $925.41 109.00% 0.92 2.85 1.0000
Proyecto 6 $758.00 $52.00 $560.92 74.00% 1.35 15.58 1.0000
Proyecto 7 $2,845.00 $758.00 $5,633.10 198.00% 0.51 4.75 1.0000
Proyecto 8 $1,235.00 $115.00 $926.25 75.00% 1.33 11.74 1.0000
Proyecto 9 $1,945.00 $125.00 $2,100.60 108.00% 0.93 16.56 1.0000
Proyecto 10 $2,250.00 $458.00 $1,912.50 85.00% 1.18 5.91 1.0000
Proyecto 11 $549.00 $45.00 $263.52 48.00% 2.08 13.20 1.0000
Proyecto 12 $525.00 $105.00 $309.75 59.00% 1.69 6.00 1.0000
Total $17,218.00 $8,197.44 $7,007 40.70% 12.00

MAX < =$5000 <=6
Retorno/Riesgo 2.4573
Finalmente, un proceso de Optimizacin de Frontera Eficiente aplica los

conceptos de incrementos marginales y valuacin de precios sombra en la
Optimizacin.
Despus de aplicar la optimizacin, el Software nos indica cual es el valor de

las decisiones (en este caso la seleccin de los Proyectos); as como tambin,
el valor de la Funcin Objetivo.
Relacin ndice de
Proyecto VAN Costo Riesgo $ Riesgo % Seleccin
Retorno/Riesgo Rentabilidad
Proyecto 1 $458.00 $1,732.44 $54.96 12.00% 8.33 1.26 1.0000
Proyecto 2 $1,954.00 $859.00 $1,914.92 98.00% 1.02 3.27 0.0000
Proyecto 3 $1,599.00 $1,845.00 $1,551.03 97.00% 1.03 1.87 0.0000
Proyecto 4 $2,251.00 $1,645.00 $1,012.95 45.00% 2.22 2.37 1.0000
Proyecto 5 $849.00 $458.00 $925.41 109.00% 0.92 2.85 0.0000
Proyecto 6 $758.00 $52.00 $560.92 74.00% 1.35 15.58 1.0000
Proyecto 7 $2,845.00 $758.00 $5,633.10 198.00% 0.51 4.75 0.0000
Proyecto 8 $1,235.00 $115.00 $926.25 75.00% 1.33 11.74 1.0000
Proyecto 9 $1,945.00 $125.00 $2,100.60 108.00% 0.93 16.56 0.0000
Proyecto 10 $2,250.00 $458.00 $1,912.50 85.00% 1.18 5.91 0.0000
Proyecto 11 $549.00 $45.00 $263.52 48.00% 2.08 13.20 1.0000
Proyecto 12 $525.00 $105.00 $309.75 59.00% 1.69 6.00 1.0000
Total $5,776.00 $3,694.44 $1,539 26.64% 6.00

MAX < =$5000 <=6
Retorno/Riesgo 3.7543
En nuestro ejemplo, los proyectos a elegirse deben ser:
Proyectos elegidos
Proyecto 1
Proyecto 4
Proyecto 6
Proyecto 8
Proyecto 11
Proyecto 12
rboles de Decisin
Qu es un rbol de decisin ?
Herramienta analtica para la estructuracin y evaluacin de problemas bajo

incertidumbre.
Tcnica para presentar, analizar, seleccionar y evaluar entre varias posibilidades de

accin o escenarios.
Permiten entre otros evaluar consecuencias, implementar variables de riesgo, hacer

anlisis con variables discretas y/o continuas, hacer predicciones y clculos de
probabilidades.
Elementos de un rbol de decisin
Alternativas de decisin: Posibles cursos de accin para el decisor.
Eventos Probabilsticos asociados al proceso de decisin: Eventos que no se

controlan y presentan incertidumbre.
Informacin Econmica Relevante: Consecuencias econmicas de las posibles

decisiones.
Secuencia del proceso de Decisin: Orden y relaciones en el cual se producen las

decisiones (Nodos de Decisin y nodos de Estado).
Solucin de un rbol de decisin
Etapas del proceso de decisin:
1.Definicin del problemas
2.Estructuracin del rbol de decisiones
3.Resolver el rbol, utilizando valores esperados y seleccionando la mejor estrategia
Maximizar
Minimizar
4. Anlisis de sensibilidad
5. Tomar la decisin
Diagrama de Influencia
Los diagramas de influencia son una herramienta grfica que nos permite analizar,
causas, efectos, as como variables no controlables y crticas.
Nos permiten identificar las variables y rutas claves para tomar una decisin adecuada.
Los elementos claves en los diagramas de influencia son:
Nodos
Flechas o arcos
Tipos de Nodos
Nodo de Decisin
Nodo de Incertidumbre
Nodo Terminal
Veamos un ejemplo
Otorgamiento Crdito
Una entidad desea decidir si otorgar un crdito o no a un cliente para la compra de un

vehculo por US$ 20.000.
Se encuentra en la siguiente situacin:
Si se otorga el crdito existe una probabilidad del 0.1 de incumplimiento

Si el cliente realiza los pagos la entidad obtiene una utilidad del 15% sobre el valor del
vehculo
Si el cliente incumple la entidad tiene un costo de US$ 15.000
El no otorgamiento del crdito no genera costo para la compaa
Veamos un ejemplo
Veamos un ejemplo
Riesgo de Mercado
Conceptos de Value at Risk
Indicador Base de Riesgo de Mercado: VaR
Valor-en-Riesgo (VaR @ 5%) a 1 da =
USD 7 millones
Qu significa esto?
Qu es el Value at Risk (VaR) ?
Presupuestos
Es posible reunir informacin representativa sobre los posibles
resultados de una inversin en el corto plazo.
Datos histricos o supuestos expertos
Esta informacin permite describir el futuro (comportamiento estable)
Tres elementos distintivos de la definicin

El Value-at-Risk incorpora:
Criterio Horizonte de Significancia

asimtrico inversin estadstica
Definicin de Value at Risk (VaR)
Definicin
Es la mxima prdida esperada
dentro de un horizonte de inversin de n das
con una probabilidad de error de %
Criterio Horizonte de Significancia

asimtrico inversin estadstica
El VaR resume la prdida mxima esperada (o peor prdida) a lo largo de un

horizonte de tiempo objetivo dentro de un intervalo de confianza dado.
El clculo del VaR est dirigido a elaborar un reporte de la siguiente forma:

Se tiene una certeza de X% de que no se perder ms de V dlares en los
siguientes N das
V es el VaR de N -das para un nivel de confianza de X%
Segn la propuesta del Comit de Basilea el intervalo de confianza ideal es de 99%

(1% de probabilidad, -2.33 desviaciones) y
Segn la metodologa de RiskMetrics es de un 95% (5% de probabilidad y -1.65
desviaciones).
Indicador Base de Riesgo de Mercado: VaR
Probabilidad
de
ocurrencia
5% de
probabilidad
0
-2% -1% 0% 1% 2%
Posibles
VaR variaciones
del valor de la
USD 7MM
cartera
en 1 da
Metodologas VaR alternativas
Las similitudes
Mtodo Analtico
(Delta Normal)
Los tres mtodos buscan estimar un valor
crtico para las prdidas potenciales.
Mtodo Montecarlo
Las diferencias
(Simulaciones)
Cada mtodo realiza distintos supuestos

acerca de qu valores son representativos
Mtodo Histrico sobre las futuras prdidas potenciales y cmo
(Histogramas) stas se distribuyen estadsticamente.
Mtodo Analtico
(Delta Normal)
Mtodo Montecarlo
(Simulaciones)
Mtodo Histrico
(Histogramas)
VaR Analtico - Delta Normal
Supuestos
El supuesto clave es que es posible conocer la funcin de distribucin de
rendimientos (futuros) de la inversin o paquete de inversiones que se
plantea manejar.
Se asume que la distribucin es normal (y, por ello, simtrica), con media y
varianza conocidas.
Sin embargo
Es realmente normal?
Problemas de estabilidad de medias y varianzas
De dnde procede la informacin sobre media y varianza?
Y los momentos superiores?
A partir de los supuestos sobre la distribucin, es posible calcular directamente

el percentil de riesgo apropiado.
Probabilidad de
ocurrencia
0
-2% -1% 0% 1% 2%
Posibles valores de la
variable aleatoria
Probabilidad de
ocurrencia
variable aleatoria
0
-3 -2 -1 +1 +2 +3
68.26%
95.44%
99.74%
Probabilidad de
ocurrencia
5% 90% 5%
variable aleatoria
Con una probabilidad de 95% en una cola

=DISTR.NORM.ESTAND.INV(5%)= -1.6448
Valor crtico: 1.6448 Desviaciones estndar
Generalizacin
Si llevamos esta generalidad a una distribucin normal N(m,)

tendramos que normalizar para calcular qu valor de x se superar
con una probabilidad de 5%.
xm xm xm
P z 5% P 1.65 5% 1.65

x 1.65 m
Los dos componentes: la media y la volatilidad
La media () de los rendimientos suele calcularse como el promedio aritmtico de

las rentabilidades observadas en el corto plazo. Distinguir la diferencia entre
media aritmtica y geomtrica en este caso.
La volatilidad () de los rendimientos se aproxima utilizando la desviacin estndar

de las rentabilidades observadas en el corto plazo.
Conversin de plazos
Es comn (aunque no recomendable) convertir los rendimientos y volatilidades de

un da en sus correspondientes anuales del siguiente modo:
manual mdiaria 252 anual diaria 252

Perodo de anulacin de riesgo
El periodo de Anulacin de Riesgo (Defeasance Period), es el horizonte de

tiempo elegido al cual se har referencia para el clculo de la medida de
riesgo.
Las medidas de riesgo vendrn referenciadas en funcin de ese horizonte
temporal.
Rendimiento: rperiodo rdiariaT
Volatilidad: periodo diaria T

El intervalo de confianza
Segn la propuesta del Comit de Basilea[1] el intervalo de confianza

ideal es de 99% (1% de probabilidad, -2.33 desviaciones estndar) a
10 das.
Segn la metodologa de RiskMetrics[2] es de un 95% (5% de
probabilidad y -1.65 desviaciones estndar) a 1 da.
[1] Banco de Pagos Internacionales, Amendment to the Capital Accord to Incorporate Markets Risk, Comit
de Basilea, Basilea, Suiza, Enero de 1996.
[2] Riskmetrics Technical Document JP Morgan 1996
Mtodo Analtico
(Delta Normal)
Mtodo Montecarlo
(Simulaciones)
Mtodo Histrico
(Histogramas)
VaR Montecarlo
Supuestos
El supuesto clave es que es posible conocer la funcin de distribucin de

rendimientos (futuros) de la inversin o paquete de inversiones que se
plantea manejar.
Se asume que la distribucin es una distribucin conocida (no

necesariamente normal o simtrica).
Para ello es posible utilizar algn procedimiento de ajuste o bootstrapping.
Sin embargo
Es necesario que una serie de rendimientos se distribuya siguiendo un patrn
conocido?
Problemas de estabilidad de parmetros
VaR Montecarlo
Procedimiento
A partir de los supuestos sobre las distribuciones y sus covarianzas, es
posible generar numerosos rendimientos futuros hipotticos.
Mediante la combinacin de dichos retornos, se puede estimar
resultados alternativos del portafolio y formar as un histograma
emprico.
Finalmente, a partir de este histograma, se puede estimar el percentil
de riesgo apropiado.
En sntesis
Se asume que las distribuciones son conocidas y se generan
numerosos mundos imaginarios que siguen estas distribuciones.
El VaR se calcula comparando dichos escenarios simulados.
Riesgos del Modelo VaR Montecarlo
Riesgos del Modelo

Suponer que la Simulacin es la nica alternativa.
Simular demasiados escenarios.
Demasiada atencin a la seleccin de parmetros o distribuciones en
detrimento de la intuicin detrs del modelo.
Mala interpretacin de resultados, especialmente intervalos de confianza.
Utilizar los mismos parmetros para distintos momentos del tiempo.
Elegir los supuestos, distribuciones, etc. que arrojan los mejores
resultados numricos.
En sntesis: Un buen modelo determinstico no necesariamente es un
buen modelo de simulacin.
Mtodo Analtico
(Delta Normal)
Mtodo Montecarlo
(Simulaciones)
Mtodo Histrico
(Histogramas)
VaR Histrico
Supuestos
A diferencia de los dos primeros mtodos, este enfoque no realiza
supuestos sobre la manera de suavizar la distribucin de los
retornos.
Se mantiene el supuesto previo de que el comportamiento pasado es

representativo del futuro cercano.
Procedimiento
Se utiliza el propio histograma emprico de los retornos histricos para
calcular el nivel de prdidas crtico.
Notar que los patrones de covarianza entre variables se incorporan

directamente en el procedimiento.
VaR Histrico Sntesis del proceso
Variables actuales Cambios histricos Valores posibles
Tasas de inters Tasas de inters Tasas de inters
Tipos de cambio Tipos de cambio Tipos de cambio

+ =
Spreads de riesgo Spreads de riesgo Spreads de riesgo
ndices burstiles ndices burstiles ndices burstiles
Histograma
Valoracin del
de valores
portafolio
posibles
A manera de Resumen
Problemas del VaR
Medicin de Escenarios Extremos
El VaR NO captura la intensidad de prdidas.
Probabilidad
de
ocurrencia
5% de
probabilidad
0
-2% -1% 0% 1% 2%
Posibles
VaR variaciones
del valor de la
USD 7MM
cartera
en 1 da
Medicin de Escenarios Extremos
El VaR NO captura la intensidad de prdidas.
El VaR es el mismo
Por qu el VaR no es suficiente?
Los trabajos de Artzner y Delbaen (1997), demuestran que el VaR tiene

caractersticas indeseables:
Falta de subaditividad
Falta de convexidad
Por ello, de modo agregado se dice que el VaR no es una medida coherente de
riesgo.
El VaR nicamente es coherente cuando est basado en distribuciones continuas

normalizadas (ya que para una distribucin normal el VaR es proporcional a la
desviacin estndar).
Deficiencias del VaR para la toma de decisiones
El VaR NO es subaditivo.
Riesgo VaR
Indicador sub-aditivo
0%
0% 50% 100%
Peso en el activo 1 (cartera hipottica con dos activos)

Deficiencias del VaR para la toma de decisiones
El VaR NO es convexo
Riesgo
Indicador no convexo
0%
0% 50% 100%
Peso en el activo 1 (cartera hipottica con dos activos)

Conditional Value at Risk
Qu es el CVaR ???
Definicin
El Conditional-Value-at-Risk (CVaR) a un nivel de confianza dado es la
prdida esperada entre las prdidas que son mayores que el VaR.
Dicho de otra forma, es la prdida esperada que es ms grande o igual que
el VaR.
[Uryasev S., y Rockafellar, R.T 2000]
Implicancias
Es un promedio de las prdidas que exceden el VaR.
Va a ser un indicador que no slo tiene en cuenta el VaR sino tambin las
prdidas extremas de la distribucin.
CVaR: Valor Esperado de las Prdidas que superan al VaR
Probabilidad
de
ocurrencia
0
-2% -1% 0% 1% 2%
Posibles
variaciones
CVaR VaR
del valor de la
cartera
en 1 da
Resumen de las ventajas del CVaR
El CVAR calcula riesgos ms all del VAR lo que la hace una medida ms
conservadora, puesto que por definicin as lo exige, por lo que el CVAR domina al
VAR.
El CVAR tiene la propiedad de ser una funcin siempre convexa respecto a las
posiciones lo que permite la optimizacin en la posicin de una cartera.
El CVAR es continuo respecto al nivel de confianza.
Es consistente con la aproximacin de mnima varianza, ya que la cartera de

mnima varianza es la que minimiza tambin el CVAR.
VaR vs. CVaR ante recomposiciones de Cartera
2.10%
2.05%
2.00%
1.95%
1.90%
1.85%
1.80%
1.75%
1.70%
1.65%
1.60%
1.55%
1.50%
1.45%
1.40%
1.35%
1.30%
1.25%
1.20%
1.15%
1.10%
0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00
Weight in Asset 1
CVaR @ 5% VaR @ 5%
El VaR para tres acciones - Sol Meli, Telefnica y BSCH
Evolucin del VaR en funcin a la proporciones invertidas en Sol Meli (w1) , Telefnica (w2) y
BSCH (1- w1 - w2) para un nivel de confianza del 95% y un horizonte temporal de un da.
El CVaR para tres acciones - Sol Meli, Telefnica y BSCH
Evolucin del CVaR en funcin a la proporciones invertidas en Sol Meli (w1) , Telefnica (w2) y
BSCH (1- w1 - w2) para un nivel de confianza del 95% y un horizonte temporal de un da.
Introduccin a los Riesgos de Crdito
PERDIDAS POR INCUMPLIMIENTO
Magnitud de las prdidas esperadas Prdidas esperadas

=
EL
=
1. Cul es la probabilidad de
que la contraparte incumpla
los pagos?
Probabilidad de incumplimiento =
PD
X
2. Cunto deber
Equiv alencia del prstamo
este cliente a la institucin en
caso de incumplimiento? (Exposicin al incumplimiento)
=
EaD
(Exposicin esperada)
X
3.Qu cantidad de la Grav edad

exposicin v a a perder la (Prdida en caso de =
LGD
institucin? incumplimiento)
Cmo medir el Riesgo de Crdito?
Primero hay que definir cual es la funcin de perdida que queremos

medir:
De manera muy simple la perdida esperada resulta de calcular:

Perdida Esperada = PD * LGD *EAD
Las perdidas esperadas

se cubren con provisiones
Calculando la prdida no esperada
La perdida no esperada se mide forma equivalente al VaR de mercado

calculando la diferencia entre la mxima perdida para un cierto nivel de
confianza respecto a la perdida esperada en un periodo de tiempo.
Las perdidas no
esperadas se cubren con
capital
Riesgos Operacionales
RIESGO DE OPERACIN - INTRODUCCIN
La 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.
Metodologa de Medicin:
Mtodo del Indicador Bsico

No Avanzadas
Mtodo Estndar
Metodologas
de Medicin
del Riesgo Modelo de Medicin Interna
Operacional
Avanzadas Modelo de Distribucin de Prdida
Cuadros de Mando
METODOLOGAS DE MEDICIN
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.
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
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.
CRITERIOS CUANTITATIVOS
Coberturas por Riesgo Operativo
DETERMINACIN DE LAS FUNCIONES DE
PROBABILIDAD
La ausencia de informacin es un fenmeno recurrente en la valoracin del riesgo

operacional.
Para proveer una solucin inicial al problema, a la espera de recolectar la informacin
en la medida en la cual el proceso de implantacin de la generacin de datos avance,
se puede aplicar el proceso de auto valoracin
Mediante las preguntas a expertos es posible lograr la asignacin de una funcin de
distribucin.
Para ello puede hacer uso del Mtodo Delphi a travs del cual la opinin de los expertos
converge a la caracterizacin de la variable.
PROBABILIDAD
El Mtodo se desarrolla por etapas:

1. En la primera los expertos expresan su opinin y de esta informacin se produce
las estadsticas que resumen la opinin del grupo
2. En la segunda etapa, conocidos los resultados de la primera, los expertos
retroalimentan y producen un nuevo concepto.
3. El proceso se repite eliminado opiniones extremas hasta arribar a un consenso
que puede estar representado por una funcin de distribucin triangular, o por una
distribucin uniforme.
PROBABILIDAD
La aplicacin de las pruebas de bondad de ajuste permite tener una idea de la mejor
distribucin que describe el fenmeno, cuando se cuenta con datos.
Tal proceso se puede complementar con la observacin de la grfica de la funcin de
distribucin acumulada y los datos observados.
Adicionalmente comparar los parmetros estadsticos de la muestra con los de la
distribucin contribuye a la formacin de un concepto adecuado respecto a la distribucin
que mejor se ajusta.
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:
1. Binomial
2. Poisson
3. Binomial Negativa
4. Hipergeomtrica.
MEDICIN DE LA SEVERIDAD
Los modelos de severidad producen estimaciones del valor de la perdida por cada fallo
presentado.
Se trata entonces de variables continuas.
Tiene como caracterstica la presencia de valores extremos poco frecuentes.
Si se cuenta con observaciones de los montos perdidos cada vez que han ocurrido
errores, puede ajustarse a una distribucin paramtrica
O puede ajustarse a una funcin custom

Riesgos en Toma de Decisiones-Pronosticos PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Riesgos en Toma de Decisiones-Pronosticos PDF

Загружено:

Авторское право:

Доступные форматы

Gestin Integral de

Curva de campana (Cantidades que ocurren normalmente)

Extremadamente flexible, pero menos precisa que la distribucin

Los valores situados entre el ms probable y los extremos tienen

Ejemplo: Variables en el proceso

Es mejor cuando faltan datos

Son utilizados para saber si se debe realizar un proyecto

- Valor Actual Neto

- Tasa interna de retorno

- Relacin Costo beneficio

- Periodo de recuperacin de la inversin

- Costo Anual Equivalente

Considera de manera explcita el valor del dinero en el

El VAN representa la riqueza adicional que se consigue con

Si VAN es mayor que cero, aceptar el proyecto

INVERSION FLUJO DE EFECTIVO

La frmula para TIRM es:

VF ( flujos de caja positivos)

Obtenemos: COK 10.00%

Entonces, la manera de calcular la TIRM es:

Una proporcin de 1 es lgicamente la medida ms baja aceptable en el ndice. Cualquier

Un aumento en los valores del ndice de rentabilidad, tambin aumenta el atractivo

Cules son sus similitudes y diferencias?

Al considerar el riesgo se suelen distinguir dos casos:

El riesgo propiamente dicho:

Se refiere a situaciones en las que se conoce la

Por ejemplo, la probabilidad de que en una determinada

Se refiere a situaciones en las que no se conoce la

Por ejemplo, es difcil conocer la probabilidad de que

Obj.: Medir la Incertidumbre Obj.: Medir la Exposicin

- Aplicacin del Clculo Estocstico - Determinar las relaciones entre

Para que un evento incierto sea considerado riesgoso debe tener :

Medidas numricas de riesgo:

Objetivo: cifras que tengan valor intuitivo

La Asimetra mide la desviacin de una distribucin, es decir, la distribucin

La Curtosis mide las probabilidades de eventos extremos, prdidas

Algunas medidas de riesgo simtrico:

Algunas medidas de riesgo asimtrico:

Ambas tienen el mismo riesgo

Cuando nos enfrentamos a situaciones sobre la que no es posible obtener una

As, los modelos de simulacin pretenden representar una realidad de una

Matemticamente, una simulacin consiste en operar con un modelo numrico

El MTODO DE MONTE CARLO (propuesto por J. Von Neumann y S. Ulam)

En un Monte Carlo, el muestreo artificial o simulado trata de crear un universo

Una simulacin Monte Carlo en su forma ms simple es un generador de

Una simulacin de este tipo calcula numerosos contextos o escenarios de un

Costos Fijos y Variables Costos Variables

Costo de la Inversin Inversin Requerida

Empieza aqu: Genera un nmero

Genera el siguiente nmero

En un modelo de incertidumbre, el VAN puede considerarse una variable

En la prctica, la convergencia de este teorema es eficiente y consistente, y por

1.Desarrollo de un perfil de simulacin en Excel con RS

Ilustraremos el manejo del Risk Simulator para el

La empresa de confecciones Jeans S.A. Considera un

Se pide calcular los indicadores de rentabilidad del

Seleccionar si desea Ingresar nmero deseado

Como la simulacin se basa en generadores de nmeros aleatorios, los resultados no

La verdadera aleatoriedad de una simulacin no esta restringida por agregar un valor

No es necesario probar diferentes valores semilla y volver a ejecutar la simulacin. Si

En este caso las variables tienen una distribucin triangular.

El siguiente paso es definir pronsticos de salida en el modelo.

La grfica de pronstico es un histograma de