Simulación

Dr. Ignacio Ponzoni

Clase VII: Simulación de Monte Carlo

Departamento de Ciencias e Ingeniería de la Computación

Universidad Nacional del Sur
Año 2006
 Simulación de Monte Carlo
Frecuencia de los valores
de las variables de salida
Población

Muestra

Sistema
Entrada Salida

Simulación 2 Prof. Dr. Ignacio Ponzoni

 Simulación de Monte Carlo
y Análisis de Riesgo
• El riesgo se cuantifica como la probabilidad de
obtener un resultado no deseado.

• Dado un conjunto de valores para las variables de

decisión, un estudio de simulación permite estimar
cual es la distribución probabilística que siguen los
resultados.

• Luego, la simulación ayuda en el análisis del riesgo

de tomar una decisión.

Simulación 3 Prof. Dr. Ignacio Ponzoni

 Crystal Ball
Una herramienta de Software
para Simulación de Monte Carlo
• Crystal Ball es un complemento de Excel que
brinda facilidades para:

 Construir modelos de simulación de Monte Carlo.

 Ejecutar las simulaciones en forma completamente

automática.

 Interpretar y analizar los resultados.

Simulación 4 Prof. Dr. Ignacio Ponzoni

 Crystal Ball
Pasos para efectuar una Simulación

1.-Desarrollo de un modelo de simulación en Excel.

2.-Definición de suposiciones para las variables aleatorias.
3.-Definición de las variables de decisión.
4.-Definición de las celdas de predicción, esto es, las
variables de salida de interés.
5.-Indicar el número de repeticiones de la simulación.
6.-Correr la simulación.
7.-Interpretar y analizar los resultados.
Simulación 5 Prof. Dr. Ignacio Ponzoni
 Caso de Estudio
Simulación de un Modelo de Ganancias
• Período: 3 años
• Suposiciones del modelo
Parámetros del 1er año:
 Impuestos: 48%
 Costos fijos de la venta de mercadería (CFV).
 Costos de la venta de mercadería por unidad (CVU).
 Gastos fijos administrativos y de venta (GFV).
 Gastos administrativos y de venta por unidad (GVU).
Variables de decisión:
 Precio de venta del primer año (PV).
 Incremento anual proyectado en el precio de venta (IAPV).
Variables aleatorias:
 Unidades vendidas (UV).
 Factores de inflación para costos, gastos y precio.
 Factor de crecimiento de ventas.
Simulación 6 Prof. Dr. Ignacio Ponzoni
 Caso de Estudio
Simulación de un Modelo de Ganancias
• Distribuciones probabilísticas de las variables aleatorias:
 Factor de inflación para costos fijos de venta (FICF)
• Distribución uniforme entre 2 y 4%.
 Factor de inflación para costos de venta por unidad (FICU)
• Distribución uniforme entre 5 y 9%.
 Factor de inflación para gastos fijos adm. y de venta (FIGF)
• Distribución triangular con: a = 3%, c = 5% b = 6%.
 Factor de inflación para gastos adm. y de venta por unidad (FIGU)
• Distribución triangular con: a = 4%, c = 7% b = 9%.
 Cantidad de ventas en el primer año (CVA1)
• Distribución normal: media=15.000, desv. estándar=1.000.
 Factor de crecimiento de ventas por año (FCVA)
• Distribución triangular con: a = 5%, c = 15% b = 20%.
Simulación 7 Prof. Dr. Ignacio Ponzoni
 Caso de Estudio
Simulación de un Modelo de Ganancias

• Estimaciones a efectuar sobre el Modelo:

(Variables de salida del Modelo)

 Ingresos totales (IT).

 Costos totales de la mercadería vendida (CV).
 Gastos administrativos y de ventas totales (GV).
 Ganancia antes de los impuestos (GAI).
 Ganancia después de los impuestos (GDI).

Simulación 8 Prof. Dr. Ignacio Ponzoni

Simulación de un Modelo de Ganancias
• Ecuaciones del modelo:

IT = PV*UV
CV = CFV + CVU*UV
GV = GFV + GVU*UV
GAI = IT – CV – GV
GDI = GAI*0.52

• Los resultados para los distintos años se obtienen

aplicando los factores de inflación a los parámetros
del primer año en forma proporcional.
Simulación 9 Prof. Dr. Ignacio Ponzoni
Modelo de Monte Carlo en Excel

Simulación 10 Prof. Dr. Ignacio Ponzoni

 Etapa I
Especificación de los Datos de Entrada

• Se definen las distribuciones probabilísticas

para las celdas correspondientes a variables
aleatorias (celdas de suposición).

• Para cada variable aleatoria:

 Paso 1: seleccionar como celda de suposición la
celda de Excel que almacena la variable.
 Paso 2: elegir el tipo de distribución probabilística.
 Paso 3: indicar los parámetros de la distribución.
Simulación 11 Prof. Dr. Ignacio Ponzoni
 Etapa I: pasos 1 y 2

Simulación 12 Prof. Dr. Ignacio Ponzoni

 Etapa I: paso 3
Selección de Parámetros de la Distribución

Simulación 13 Prof. Dr. Ignacio Ponzoni

 Etapa II
Definición de Variables de Decisión

Simulación 14 Prof. Dr. Ignacio Ponzoni

 Etapa III
Especificación de las Variables a Estimar
• Se definen las celdas correspondientes a las variables de salida
de interés (celdas de predicción).

Simulación 15 Prof. Dr. Ignacio Ponzoni

 Etapa IV
Ejecución de la Simulación

Simulación 16 Prof. Dr. Ignacio Ponzoni

 Etapa IV
Ejecución de la Simulación

Simulación 17 Prof. Dr. Ignacio Ponzoni

 Etapa IV
Ejecución de la Simulación

Simulación 18 Prof. Dr. Ignacio Ponzoni

 Etapa V
Análisis de la Salida de la Simulación

• Crystal Ball provee tres tipos de reportes de

salida:

• Gráfico de frecuencias

• Resumen de percentiles

• Resumen de estadísticas

Simulación 19 Prof. Dr. Ignacio Ponzoni

 Etapa V
Análisis de la Salida de la Simulación
• Generación del Gráfico de Frecuencia de distribución
de valores para las Variables de Predicción.

Simulación 20 Prof. Dr. Ignacio Ponzoni

 Etapa V
Análisis de la Salida de la Simulación
¿Cuál es el nivel de certeza de obtener una
ganancia total superior a los $175.000?

Simulación 21 Prof. Dr. Ignacio Ponzoni

 Etapa V
Análisis de la Salida de la Simulación
¿Cuál es el nivel de certeza de que la
ganancia total no supere los $175.000?

Simulación 22 Prof. Dr. Ignacio Ponzoni

 Etapa V
Análisis de la Salida de la Simulación
¿Cuál es el nivel de certeza de que la ganancia
total esté entre $175.000 y $250.000?

Simulación 23 Prof. Dr. Ignacio Ponzoni

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

Simulación 24 Prof. Dr. Ignacio Ponzoni

 Etapa V
Análisis de la Salida de la Simulación
• Resumen de percentiles
¿Cuál es la probabilidad de que la ganancia
total sea menor a $197.669? Respuesta: 20%

Simulación 25 Prof. Dr. Ignacio Ponzoni

 Etapa V
Análisis de la Salida de la Simulación
• Resumen estadístico

Simulación 26 Prof. Dr. Ignacio Ponzoni

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

Simulación 27 Prof. Dr. Ignacio Ponzoni

 Tablas de Decisión
Selección de la Variable de Predicción

Simulación 28 Prof. Dr. Ignacio Ponzoni

 Tablas de Decisión
Selección de la Variables de Decisión

Simulación 29 Prof. Dr. Ignacio Ponzoni

 Tablas de Decisión
Fijar Rangos de las Variables de Decisión

Simulación 30 Prof. Dr. Ignacio Ponzoni

 Tabla de Decisión

Simulación 31 Prof. Dr. Ignacio Ponzoni

Congelamiento de Suposiciones

• Permite congelar temporalmente los valores

de ciertas variables de suposición a fin de
ejecutar experimentos de simulación
enfocados a observar el comportamiento de
otras variables de suposición.

Simulación 32 Prof. Dr. Ignacio Ponzoni

 Gráficos de Solapamiento
• Permiten superponer gráficos de frecuencia
correspondientes a distintas variables de predicción.

Simulación 33 Prof. Dr. Ignacio Ponzoni

 Gráficos de Tendencias

• Estos gráficos permiten observar los rangos de

certeza para varias variables de predicción
simultáneamente permitiendo determinar tendencias
en los resultados de las simulaciones efectuadas.

• En general estos gráficos vinculan variables de

predicción relacionadas desde un punto de vista
lógico.

Simulación 34 Prof. Dr. Ignacio Ponzoni

 Opciones para generar los
Gráficos de Tendencias

Simulación 35 Prof. Dr. Ignacio Ponzoni

Gráfico de Tendencias para el Ejemplo

Simulación 36 Prof. Dr. Ignacio Ponzoni

 Análisis de la Sensibilidad
de los Resultados
• El nivel de incertidumbre en las predicciones de una simulación
es una combinación del nivel de incertidumbre en las variables
de suposición y de la rigurosidad de las ecuaciones empleadas en
el modelo.
 Por un lado, una variable de suposición puede tener un alto
nivel de incertidumbre pero tener poco peso en las fórmulas
del modelo.
 Por otra parte, una variable con poco nivel de incertidumbre
puede tener una gran incidencia en las ecuaciones del
modelo.
• La sensibilidad mide el grado de incertidumbre de una
predicción sobre la base del nivel de incertidumbre de las
variables de suposición y las37características del modelo.
Simulación Prof. Dr. Ignacio Ponzoni
 Análisis de Sensibilidad
en Crystal Ball
• En Crystal Ball un gráfico de sensibilidad permite establecer la
influencia de cada variable de suposición sobre una variable de
predicción.
• Existen dos tipos de estimaciones efectuadas por Crystal Ball:
 Rango de correlaciones: muestra el grado de correlación

existente entre cada variable de suposición, incluida en el

análisis, y la variable de predicción elegida. Este rango va de
-1 a +1, indicando magnitud y dirección de la correlación.
 Contribución a la varianza: donde se indica, con un

porcentaje entre 0% y 100% la importancia relativa de cada

variable aleatoria en la conformación de la varianza de la
variable de salida.
Simulación 38 Prof. Dr. Ignacio Ponzoni
Opciones de los Gráficos de Sensibilidad
Selección de la Variable de Predicción

Simulación 39 Prof. Dr. Ignacio Ponzoni

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

Simulación 40 Prof. Dr. Ignacio Ponzoni

 Ejemplo
Sensibilidad para la Ganancia Total
mediante Rango de Correlación

Simulación 41 Prof. Dr. Ignacio Ponzoni

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

Simulación 42 Prof. Dr. Ignacio Ponzoni

 Tests de Bondad de Ajuste
y Softwares para Simulación
• Cuando el test de bondad de ajuste se realiza manualmente,
los valores críticos se obtienen de una tabla definida SÓLO
para algunos niveles de significancia.

• Esta limitación desaparece cuando realizamos los test en una

computadora, dado que la misma puede calcular el valor
crítico para cualquier valor .

• Si bien resulta posible que el usuario especifique el valor de 

al momento de ajustar una distribución, los paquetes de
software para simulación suelen trabajar con un “p-value”, el
cual indica el valor de  a partir del cual uno debe rechazar la
hipótesis nula.
Simulación 43 Prof. Dr. Ignacio Ponzoni
 Tests de Bondad de Ajuste
y Software para Simulación
• En estos casos, existen recomendaciones sobre a partir de
que p-value debemos aceptar la hipótesis nula.
• En el caso de Crystal Ball, existen tres tipos de tests de
bondad de ajuste que se pueden realizar:
 Chi-Cuadrado: para el cual se recomienda aceptar con un
p-value mayores a 0.5
 Kolmogorov-Smirnov: para el cual se recomienda aceptar
con un p-value menores a 0.03
 Anderson-Darling: para el cual se recomienda aceptar con
un p-value menores a 1.5
Simulación 44 Prof. Dr. Ignacio Ponzoni
 Ejemplo en Crystal Ball

Simulación 45 Prof. Dr. Ignacio Ponzoni

 Ejemplo en Crystal Ball

Opción para ajustar distribución

Simulación 46 Prof. Dr. Ignacio Ponzoni
 Ejemplo en Crystal Ball

Simulación 47 Prof. Dr. Ignacio Ponzoni

 Ejemplo en Crystal Ball

Simulación 48 Prof. Dr. Ignacio Ponzoni

 Ejemplo en Crystal Ball

0.0786 > 0.03,

rechazamos hipótesis nula
Simulación 49 Prof. Dr. Ignacio Ponzoni
 Ejemplo en Crystal Ball

Simulación 50 Prof. Dr. Ignacio Ponzoni

 Ejemplo en Crystal Ball

Simulación 51 Prof. Dr. Ignacio Ponzoni

 Recomendaciones
• Lectura sugerida:
 Capítulo 4 del libro de Introduction to Simulation

and Risk Analysis de Evans y Olson.

• Software para simular:

 Crystal Ball 2000, Academic Edition.

• Ejercitación propuesta:
 Adapte el modelo en Excel del Caso de Estudio

Dave´s Candies para efectuar la simulación

utilizando Crystal Ball.
Simulación 52 Prof. Dr. Ignacio Ponzoni