Medición de Riesgos Financieros

Introducción al Análisis
Cuantitativo del Riesgo
 ¿Qué es el Riesgo?

• Los resultados de las decisiones humanas

están sujetos a la incertidumbre.

• Múltiples son las fuentes de incertidumbre; la

principal de ellas es la ignorancia.

Actual vs Pronóstico
• La mayor ignorancia del ser humano es la 3500.00

incapacidad de ver el futuro. 3000.00

2500.00
2000.00
1500.00

• El ser humano puede moldear su destino. Esta 1000.00

500.00
actitud conduce a la reflexión del impacto de las 0.00
1 2 3 4 5 6 7 8 9 101112131415161718192021222324
decisiones, lo que se denomina riesgo. Actual Pronóstico
 ¿Qué es el Riesgo?
• Común: Peligro de pérdida.

• La pérdida que puede producirse debido a la diferencia entre el resultado esperado y el resultado realizado, medida con una determinada
probabilidad en un horizonte temporal.

• ¿Qué es la incertidumbre?
No es medible. “Solo sé que nada sé”

Los efectos aleatorios se pueden clasificar en dos: riesgo e incertidumbre.

• RIESGO: Se refiere a situaciones en las que se conoce la probabilidad de ocurrencia de un evento particular. ”Conozco la
distribución de los resultados, pero no se cuál es el resultado”” Medible.

• INCERTIDUMBRE: Se refiere a situaciones en las que no se conoce la probabilidad de ocurrencia (como máximo se sabe el
impacto). No es medible debido a que incluye variables que se desconocen.

“No existe riesgo si no hay incertidumbre”

 ¿Qué es el riesgo?

1. Es natural en cualquier proceso de toma de decisión, ya que hay incertidumbre.

2. El riesgo no hay que evitarlo hay que MEDIRLO Y CONTROLARLO.

3. Entre mas resultados posibles haya, hay mas riesgo.

4. Hay varios tipos de riesgo.

“EL RIESGO ES LA EXPOSICIÓN A LA INCERTIDUMBRE

• Aparecen dos términos:

• La existencia de eventos inciertos, por desconocimiento, por que no han sucedido.

• La exposición, que no es otra cosa que la magnitud como los hechos inciertos afectan a las personas o a las
organizaciones.
 Fuentes de Riesgo

En sentido general, las fuentes de riesgo se pueden definir de la siguiente manera:

1. Creadas por el hombre:

1. Ciclos económicos y negocios
2. Inflación
3. Políticas Gubernamentales
4. Guerras

2. Fenómenos naturales: terremotos, calentamiento global, catástrofes en general.

3. Innovación Tecnológica: obsolescencia programada y sustituto de capital humano

 ¿Por qué es importante medir el Riesgo?

• La normatividad exige que por cada activo de riesgo exista medición y cobertura.

–Basilea I (1988), Basilea II (2004) y Basilea III (2010): Requerimientos mínimos de capital, revisión
de supervisores y disciplina de mercado.

–Superintendencia Financiera: Circular Externa 051 de 2007. No existe una metodología estándar
para medir el riesgo de mercado pero siempre se deberá calcular para provisionar la entidad.
Considera necesario que las entidades vigiladas desarrollen e implementen un Sistema de
Administración de Riesgo de Mercado, que les permita identificar, medir, controlar y monitorear
eficazmente este riesgo. Ningún agente describe una metodología para el calculo del VaR, sin
embargo, el método estimado deberá identificar la totalidad de los riesgos significativos, estos
modelos pueden ser: por ejemplo, varianzas y covarianzas, simulación histórica o simulación de
Monte Carlo.
 ¿Por qué es importante medir el Riesgo?

• Al medir el riesgo se esta identificando las causas por las que se generan y por tanto se crea una
auditoria interna de los procesos críticos.

• Al igual que las herramientas estadísticas, medir el riesgo influye en la toma de decisiones, el objeto
será gestionarlo.

• Las instituciones al evaluar modelos de riesgo deben mejorar todos los días sus estimaciones ante
eventos adversos, de esta manera se crea un vinculo ente la certeza y la precisión de nuevos
modelos, conllevando mejores estimaciones en cuanto a provisiones y expansiones de la compañía
“Mejores resultados empresariales”
¿Para qué preocuparse por el manejo del riesgo?

• Todo puede ir mal…..

• …. O mucho mejor de lo esperado

• ¿Podemos predecir el futuro?

–Desafortunadamente, nuestros pronósticos pueden estar mal!
Fuente: Memorias convención latinoamericana de riesgos Cartagena 2014
 ¿Puede ayudar la experiencia?

“Cuando me piden que describa mi experiencia durante

40 años en el mar, solo digo que no se han presentado
acontecimiento especiales. En toda mi experiencia
nunca he visto un accidente del que valga la pena
hablar”

Capitán E. J.Smith, Primer Capitán del RMS TITANIC.

¿Tratando con el mundo real?

“Uno quiere una válvula que no tenga fugas y se hace
todo lo posible para desarrollarla. Pero el mundo real le
entrega una válvula llena de fugas. Uno debe
determinar que tantas fugas puede tolerar.

Científico de la NASA.

Fuente: Memorias convención latinoamericana de riesgos Cartagena 2014

 Clasificación
• Riesgo Sistémico: es el riesgo que por defecto una institución financiera creará “efecto domino” que
se traslada por otras instituciones financieras y amenaza la estabilidad del sistema financiero.-Los
gobiernos se deben concentrar en el riesgo sistémico-.

• Riesgo de Mercado: pérdida que se puede generar por la diferencia de precios que se registran en el
mercado por cambios en los factores de riesgo.-Posibilidad de que las entidades incurran en pérdidas
asociadas a la disminución del valor de sus portafolios-.

• Riesgo de Crédito: pérdida potencial por causa del incumplimiento de las obligaciones de la
contraparte o deudor disminuyendo el valor de los activos de una entidad.

• Riesgo Operacional: la posibilidad de incurrir en pérdidas por deficiencias o fallas en el recurso

humano, sistemas, procesos, tecnología e infraestructura o por la ocurrencia de factores externos. –
Riesgo
 Clasificación
• Riesgo de liquidez: capacidad y percepción de una firma para cubrir de manera oportuna
las obligaciones (esperadas e inesperadas); así como para fondear la expansión prevista
en la planeación de negocio. Asociado por un lado, por el activo por tener poca
profundidad de mercado, y por otro lado, al fondeo por la inadecuada gestión de los flujos
de caja.

• Otros riesgos:
• Legal.
• Reputacional.
• Lavado de activos.
• Proyectos.
• Ambiental.
• País.
 Gestión de Riesgos

Es el proceso por el que una entidad establece el contexto, identifica, mide, controla-mitiga los riesgos
inherentes a sus actividades, divulga el proceso y monitorea la efectividad de la gestión de riesgos.

Dependiendo de la severidad y la frecuencia se opta por alguna de las siguientes estrategias:

 Eludir la exposición, eliminando la fuente de riesgo.

 Transferir el riesgo, pagando una prima por ello.
 Cubrir el riesgo, provisiones.
 Mitigar, reducir efectos negativos.
 Asumirlo.
 Gestión de Riesgos
1. El primer paso de una eficiente gestión de riesgos consiste en determinar el mapa de los riesgos,
análisis tradicional.
• Establecer las incertidumbres que inciden sobre la actividad.

2. El segundo paso es medir la incertidumbre; esto es asignar un conjunto de números a las

posibilidades de ocurrencia de los hechos inciertos.

3. El tercer paso es medir la exposición, para lo cual se requiere reconocer la relación funcional que
determina su impacto.

4. El cuarto consiste en determinar una medida integrada de riesgo.

 MAPA CONCEPTUAL
PRINCIPIOS: MARCO DE REFERENCIA:

• Crear valor Comando y

• Es parte integral de los procesos de la compromiso
organización.
• Es parte de la toma de decisiones.
• Aborda explícitamente la incertidumbre.
• Es sistemática, estructura y oportuna. Diseño del marco de referencia
• Se basa en la mejor información disponible. para la gestión del riesgo
• Esta adaptado.
• Toma en consideración a los factores
humanos y culturales.
• Es transparente e inclusiva Mejora continua del Implementación de la
• Es dinámica, reiterativa y receptiva al marco de referencia gestión del riesgo
cambio.
• Facilita la mejora y realza a la organización.

Monitoreo y revisión del marco

Tomado de NTC ISO 31000

Gestión de Riesgos
Establecimiento del contexto

Valoración del riesgo

COMUNICACIÓN Y CONSULTA

MONITOREO Y REVISIÓN
Identificación del riesgo

Análisis del riesgo

Evaluación del riesgo

Tratamiento del riesgo

Tomado de NTC ISO 31000

 Reglas en la Gestión de Riesgos

1. No existe retorno sin riesgo.

2. Transparencia en el conocimiento.
3. Buscar experiencia.
4. Aprender de los que se desconoce.
5. Comunicar.
6. Diversificar.
7. Mostrar disciplina.
8. Usar el sentido común.
9. El retorno es solo la mitad de la ecuación
 Una breve Aproximación
Nombre del
Costo Ingresos Riesgo
proyecto
X $50 $50 $25

Y $250 $200 $200

Z $100 $100 $10

¿Qué PROYECTO escogen? ¿por qué?

Características:

Presupuesto de $1000

Proyecto X el administrador esta restringido por el presupuesto.

Proyecto Y el administrador esta impulsado por los ingresos.

Proyecto Z el administrador adverso al riesgo.

 Una breve Aproximación
• Características:

• Mirando por encima, X(2), Y(1), Z(10), se debe escoger el Proyecto Z, con presupuesto $1,000, es posible obtener lo siguiente:

• Proyecto X: 20 proyectos que tienen un retorno de $1,000, con riesgo de $500

• Proyecto Y: 4 proyectos que tienen un retorno de $800, con riesgo de $800
• Proyecto Z: 10 proyectos que tienen un retorno de $1,000, con riesgo de $100

• Proyecto X: Por cada retorno de $1, se toma un riesgo de $0.5

• Proyecto Y: Por cada retorno de $1, se toma un riesgo de $1.0
• Proyecto Z: Por cada retorno de $1, se toma un riesgo de $0.1

• Proyecto X: Por cada riesgo de $1, se obtiene un ingreso de $2

• Proyecto Y: Por cada riesgo de $1, se obtiene un ingreso de $1
• Proyecto Z: Por cada riesgo de $1, se obtiene un ingreso de $10
 PROYECCIÓN DE MODELACIÓN DE MODELOS SIMULACIÓN
GESTIÓN
1 CUALITATIVA
2 PRONÓSTICOS Y
PREDICCIONES
3 ESTÁTICOS DE
CASO BASE
4 DINÁMICA DE MONTE
CARLO
Ajuste para atrás,
IDENTIFICACIÓN DEL RIESGO

MODELACIÓN DEL RIESGO

Simula miles de

tradicional para aquí!

ANÁLISIS DEL RIESGO

PREDICCIÓN DEL RIESGO
A pronósticos y análisis de resultados de escenarios

Análisis
B C escenarios
D
ARIMA, GARCH, Fuzzy
Logic, Markov Chains, Time Series Tornado Simulación
Comience con una lista de Models…
proyectos o estrategias para ser ... Crear modelos financieros o
evaluados que ya han pasado por la ... Análisis Tornado identifica los factores críticos
económicos del caso base estático
detección cualitativa... ... Con la ayuda de algoritmos de de éxito, entonces se ejecutan las sensibilidades
tradicional para cada proyecto...
predicción, los resultados futuros se dinámicas y simulaciones de riesgo de Monte Carlo...
pueden predecirse...

VALORACIÓN Y OPTIMIZACIÓN DE REPORTES,

ENMARCADO DEL
5
PROBLEMA EN OPCIONES 6 MODELACIÓN DE 7 PORTAFOLIOS Y 8 PRESENTACIONES Y
OPCIONES REALES RECURSOS ACTUALIZACIONES
REALES

DIVERSIFICACIÓN DEL RIESGO

MITIGACIÓN DEL RIESGO

GESTIÓN DEL RIESGO

COBERTURA DEL RIESGO

B D
Árboles A
Efficien
Estratégicos Simulación t Frontier Revenue
enhancement
Cost reduction
Strategic options

Árbol de Revenue
enhancement
value
Strategic
competitiveness
decision dinámico
Defray cost
Cost reduction
Other opportunities
Strategic options
Loss revenues
value
- Loss cost reduction
share
+
Strategic
realized label competitiveness
+

Objetivos
+ competition
+ Volatility -
+

Asignaciones
Market Value + technical risk

+ +
+
+ +
Decision

Binomial
prevalence Project Value developmental testing

restringidas
-
- -
+
market size +
- - R&D Cost

elasticity price
+ Post-P3 Cost

Time to P3
+ Lattices
... Opciones reales estratégicas están ... Las opciones reales son valoradas ... Optimización estocástica en múltiples
mediante enrejados binomiales y modelos ... Crear informes, tomar decisiones, y
enmarcadas para cubrir y mitigar riesgos a la proyectos para una eficiente asignación de
diferenciales parciales de forma cerrada con actualizar el análisis de forma iterativa cuando la
baja y aprovechar potenciales de activos sujetos a las limitaciones de recursos...
la simulación... incertidumbre se resuelve con el tiempo...
crecimiento...

Tomado de Modelación de Riesgos por Johnathan Mun (2016)

 ¿Cómo Medir el Riesgo?

1. Probabilidad de Ocurrencia

2. Desviación Estándar y Varianza

3. Desviación Semi-Estándar

4. Volatilidad

5. Beta

6. Coeficiente de Variación

7. Valor en Riesgo (VaR)

8. Retorno sobre Capital con Riesgo Ajustados (RAROC): Medida que combina la desviación estándar, el CV, la
desviación semi-estándar, y el análisis del peor escenario.
 ¿Cómo Gestionarlo?

1. Transferir el Riesgo

2. Evadir o Evitar el Riesgo

3. Reducir el Riesgo

4. Cubrir el Riesgo

Conceptos Implícitos en la Medición y Control del Riesgo

1. Distribuciones de Probabilidad V.A.C y V.A.D

2. Nivel de Confianza y Horizontal Temporal

3. Volatilidad

4. Valoración de Instrumentos de Inversión

5. Duración y Convexidad

6. Valor en Riesgo, percentiles.

 Aproximación
¿Por qué es importante el riesgo?

EL RIESGO ES IMPORTANTE, IGNORAR

LOS RESULTADOS DE RIESGO ES TOMAR
LA DECISIÓN INCORRECTA.

NO EXISTE EL RIESGO SI NO HAY

INCERTIDUMBRE
 Conceptos Básicos de Estadística

• Población: Conjuntos de todas las observaciones de interés para el investigador.

• Newbold: “una población es el conjunto completo de todos los objetos que interesan a un investigador.
El tamaño de la población, N, puede ser tan grande e incluso infinito.

• Variable: característica que se analiza a un conjunto de datos.

–Variable aleatoria: a toda función que asocia a cada elemento del espacio muestral un número
real. Valores que están dados por el azar.

–Experimento aleatorio: cualquier acción o proceso que no se tiene certeza de su resultado final.
 Conceptos Básicos de Estadística

• Parámetro: medida descriptiva de la variable en la población.

• Muestra: subconjunto representativo de la población.

• Estadístico: medida descriptiva de la variable en la muestra.

 Utilidad: permiten estimar los parámetros poblacionales desconocidos.
 Descripción del Conjunto de Datos

1. Medidas de tendencia central: es un valor representativo de un

conjunto de datos.

 Se refiere al punto medio de una distribución, las medidas de tendencia

central se conocen también como medidas de posición.
 Descripción del Conjunto de Datos

• Media aritmética: es la suma de los valores divido entre el numero de observaciones. Medida preferida
para describir datos numéricos.
Ventajas Desventajas

1. Concepto familiar para la mayoría de 1. Se puede ver afectada por valores

personas y es intuitivamente claro. extremos que no suelen ser
representativos.
2. Cada conjunto de datos tiene una media,
es una medida que puede calcularse y es 2. Tedioso cuando la muestra en amplia.
única debido a que cada conjunto de
datos posee una y solo una media.

3. La media es útil para llevar

procedimientos estadísticos como la
comparación de medias de varios
conjuntos de datos
 Descripción del Conjunto de Datos

Mediana: es el valor central de un conjunto de datos ordenados. Esta sola

observación es el elemento que esa mas al centro del conjunto de números.

𝑛+1
𝜇𝑒 : ; 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑑𝑒 𝑞𝑢𝑒 𝑠𝑒𝑎 𝑝𝑎𝑟, 𝑠𝑒 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑎 𝑙𝑎 𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛.
2
 Descripción del Conjunto de Datos

• Moda: observación que se presenta con mayor frecuencia. Se usa con frecuencia para determinar
inventarios.
Ventajas Desventajas

1. Datos cualitativos como cuantitativos. 1. No se usa de manera frecuente.

2. Los valores extremos no afectan 2. En ocasiones no existen modas.

indebidamente a la moda.
3. Cuando existen mas de dos modas es difícil
3. No importa la amplitud o que tan pequeños interpretar y comparar la medida de
sean los valores del conjunto de datos e tendencia central.
independientemente de cual sea su
dispersión.
 Descripción del Conjunto de Datos

• Media truncada: media que no tiene en cuenta los valores

extremos por ser de alguna manera atípicos a la distribución.

 Se elimina los datos extremos superior y por tanto se debe eliminar el dato
inferior para mantener la equivalencia de proporciones.
 Descripción del Conjunto de Datos

• Media aritmética ponderada: tiene en cuenta el peso asignado a cada una

de las observaciones. Se puede estimar de manera relativa o absoluta.
 La media ponderada nos permite calcular un promedio que toma en cuenta la
importancia de cada valor respecto al total.
–Ejemplo: Promedio del costo de trabajo por hora para cada uno de los productos.

Nivel de mano de Salario por hora Horas de mano de obra por unidad
obra en Euros Producto 1 Producto 2
No calificado 5.00 1 4
Semicalificado 7.00 2 3
Calificado 9.00 5 3
Fuente: Estadística para la administración y la economía, Newbold.
 Descripción del Conjunto de Datos

• Media geométrica
 Algunas veces, cuando se trabaja con cantidades que cambian en cierto periodo,
necesitamos conocer una tasa promedio de cambio.
 La media geométrica permite hallar tasas de crecimiento promedio, además de realizar
pronósticos de muy corto plazo.
Ingresos Acerías Paz del Rio
AÑO
(Millones de pesos)
2008 582.807.19
2009 510.309.75
2010 578.651.3
2011 700.986.6
2012 597.731.9
2013 595.562.9
 Descripción del Conjunto de Datos

2. Medidas de variabilidad o dispersión.

 La dispersión se refiere a la separación de los datos en una distribución,
teniendo como criterio una medida de tendencia central.

–¿Por qué es importante medir la variabilidad?

 Para medir el control de la calidad estadística.

 Nos proporciona información adicional para juzgar la confiabilidad de la
medida de tendencia central.
 Reconocer la dispersión de los datos.
 Comparar la dispersión de diferentes muestras.
 Descripción del Conjunto de Datos
• Rango: es la diferencia entre el mas alto valor y el mas pequeño del conjunto de datos observadas.

• Rango interfractil: es una medida de dispersión entre dos fractiles de una distribución de frecuencias. Los fractiles tienen
nombres dependiendo del número de partes iguales en que se dividen los datos. (Deciles, percentiles, cuartiles)

• Rango intercuartil: diferencia entre el cuartil 3 y el cuartil 1, mide la dispersión que hay en el 50% central de los datos.

• Desviación promedio o varianza: indica en promedio como se dispersan las observaciones con respecto a una medida de
tendencia central.

• Propiedades de la varianza
 Var(k)=0
 Var(X)>0
 Var(k+X)=Var(X)
 Var(KX)=𝐾 2 Var(X)
 Descripción del Conjunto de Datos
• Desviación típica o estándar: indica en promedio como se dispersa una observación con respecto a la
media aritmética. También es útil para describir cuanto se apartan las observaciones individuales con
respecto a la media, se le conoce como resultado estándar.

• Regla empírica:
• Distribución de probabilidad de variable aleatoria continua cuya forma es simétrica y acampanada y
sus parámetros son una media y una desviación estándar.

1. Alrededor del 68% de las observaciones se encuentran en el intervalo 𝜇 ± 𝜎.

2. Alrededor del 95% de las observaciones se encuentran en el intervalo 𝜇 ± 2𝜎.
3. Alrededor del 99% de las observaciones se encuentran en el intervalo 𝜇 ± 3𝜎.
 Descripción del Conjunto de Datos

• Coeficiente de variación: medida relativa de variabilidad, medida en términos porcentuales.

Expresa la desviación típica en porcentaje de la media. Proporciona una estimación de la
magnitud de la desviación respecto a la magnitud de la media.

–Tiene en cuenta la escala con que se miden las unidades poblacionales.

 CV de 0% a 11% Muy homogéneo

 11.1% y 20% Homogéneo
 20% y 40% Heterogéneo
 Mayor que 40% Muy heterogéneo.
 Descripción del Conjunto de Datos

Coeficiente de asimetría

• Las curvas que representan los datos puntuales de un conjunto de datos pueden ser simétricas o
sesgadas.

• Las curvas sesgadas, son sesgadas porque los valores de su distribución de frecuencias se
concentran en el extremo inferior o en el superior de la escala de medida del eje horizontal.
 Descripción del Conjunto de Datos

• Coeficiente de Curtosis

Cuando se mide la curtosis de una distribución, se esta midiendo que tan puntiaguda es.

 Mesocurtica
 Leptocurtica, pequeña dispersión.
 Platicurtica
 Descripción del Conjunto de Datos

Medidas de Asociación Lineal

• Indican si existe relación lineal entre dos variables.

 Covarianza: es una medida de relación lineal entre dos variables. Un valor positivo indica una
relación lineal directa o creciente y un valor negativo indica una relación lineal decreciente.

ത
σ(𝑋 − 𝑋)(𝑌 ത
− 𝑌)
𝑆𝑥𝑦 =
𝑛−1

 Coeficiente de correlación: medida mas útil, ya que indica el sentido como el grado de relación.
ത
σ(𝑋 − 𝑋)(𝑌 ത
− 𝑌)
𝑟=
(𝑛 − 1)𝑆𝑥 𝑆𝑦
 Descripción del Conjunto de Datos

• Propiedades del Coeficiente de Correlación Lineal de Pearson:

1. −1 ≤ 𝑟𝑥𝑦 ≤ 1, rango delimitado.

2. 𝑟𝑥𝑦 no depende de las unidades de medida.
3. Mide la dirección.
4. Mide el grado; fuerte, débil y no existe.
5. Relación simétrica.
6. No hay relación de causa y efecto.
 Descripción del Conjunto de Datos

• Medidas de Asociación no Lineal-Spearman

Este coeficiente es una medida de asociación lineal que utiliza los rangos, números de orden, de cada grupo de sujetos y compara
dichos rangos. Existen dos métodos para calcular el coeficiente de correlación de los rangos uno señalado por Spearman. El
coeficiente de correlación de Spearman es exactamente el mismo que el coeficiente de correlación de Pearson calculado sobre el
rango de observaciones.

6 σ 𝑑𝑖2
𝑟𝑠 = 1 −
𝑛(𝑛2 − 1)

La formalidad estadística propone realizar test de hipótesis sobre los parámetros poblaciones a partir de los estadísticos encontrados.
Por esta razón, será necesario evaluar si el parámetro poblacional, coeficiente de correlación, es diferente de cero. Según lo anterior,
la hipótesis nula es que el parámetro poblacional es igual que cero y la hipótesis alternativa, su respectiva negación. El estadístico de
prueba es el siguiente:

(𝑟 𝑛 − 2) − 𝜃
𝑡𝑐 = ~𝑡𝛼ൗ
2,𝑛−2
1 − 𝑟2
 Prueba de Normalidad

• Estadístico JB

𝑛 1
𝐽𝐵 = ∗ 𝑆 + (𝐾 − 3)2
2
6 4

Este estadístico con un n demasiado grande se distribuye Ji-cuadrado con dos grados de libertad.
 Distribución de Probabilidad
 Conjunto de todos los resultados posibles de un experimento junto a su probabilidad asociada.

 El experimento proviene de una variable aleatoria, al ser aleatoria, el grado de incertidumbre existe en
el resultado final de la variable.

 La función de probabilidad P(x) mide la probabilidad de cada uno de los valores que toma la variable
aleatoria.

 P(VPN=2,000,000)
 P(TIR=15%)

•0≤𝑃 𝑥 ≤1
• σ𝑃 𝑥 = 1
 Distribución de Probabilidad
• La función de distribución acumulada F(x), muestra la probabilidad acumulada hasta cualquier valor
máximo que toma la variable aleatoria.
Ejemplo:
• ¿Cuál es la probabilidad de que la TIR sea inferior o igual que 8%?

ESCENARIO TIR P(x) F(x)

Pesimista 2% 40% 40%

Moderado 8% 50% 90%

Optimista 10% 10% 100%

 Distribución de Probabilidad

•Principales parámetros

i. Valor esperado: Media de la distribución de probabilidad.

• Esperanza matemática
•𝐸 𝑥 = σ 𝑥𝑖 ∗ 𝑃(𝑥)
• Propiedades
 𝐸 𝑥 =𝐾
 𝐸 𝑘+𝑥 = 𝑘+𝐸 𝑥
 𝐸 𝑘𝑥 = 𝑘𝐸 𝑥
 Distribución de Probabilidad
ii. Varianza
𝜎𝑥2 = ෍ 𝑥𝑖2 𝑃(𝑥) − 𝐸 2 (𝑥)

• Propiedades
 Var(k)=0
 Var(X)>0
 Var(k+X)=Var(X)
 Var(KX)=𝐾 2 Var(X)
 Distribución de Probabilidad
iii. Desviación estándar
• 𝜎𝑥 = 𝜎𝑥2
• La interpretación se realiza con la regla empírica.

iv. Coeficiente de variación

𝜎𝑥
𝐶𝑉 =
𝐸 𝑥
 Variable Aleatoria Continua
• La función de densidad o masa f(x), no es una probabilidad. Esta función muestra el contorno de la
distribución de probabilidad.

• La función que si muestra la probabilidad de ocurrencia es la función de distribución acumulada F(x).

• Propiedades
𝑎
i. 𝑃 𝑥 = 𝑎 = ‫ = 𝑥𝑑 )𝑥(𝑓 𝑎׬‬0
ii. La función de probabilidad acumulada siempre esta en intervalos.

𝑃 −𝛼 < 𝑥 < 𝛼 = 1

iii. 𝑃 𝑎 < 𝑥 < 𝑏 = 𝑓 𝑏 − 𝑓(𝑎)

𝑑𝐹(𝑥)
iv. 𝑑𝑥
= 𝑓(𝑥)
 Variable Aleatoria Continua
• Variable aleatoria continua
• Teorema del Limite Central: establece que sin importar la distribución de la población, si se toma diferentes
muestras de la población y se calcula la media para todas las muestras, esta distribución de medias se
aproximaría a una distribución normal.
• Su principal característica es que es simétrica, y es asintótica. Por ello, cualquier valor de la variable
aleatoria es teóricamente posible.

Función de densidad o masa

1 𝑥−𝜇 2
1 −2 𝜎
•𝑓 𝑥 = 𝜎 2𝜋
𝑒
 Variable Aleatoria Continua: Distribución Normal

• Los parámetros de una distribución normal son la media y la desviación estándar.

𝑋~𝑁 𝜇, 𝜎

𝑥ҧ = 100
𝜎 = 10
𝑃(𝑥 ≥ 120)

𝛼 1 𝑥−𝜇 2
1 −
𝑓 𝑥 > 120 = න 𝑒 2 𝜎 𝑑𝑥
120 𝜎 2𝜋
 Variable Aleatoria Continua: Distribución Normal Estándar
• Proceso mediante el cual una variable x medida en cualquier unidad se transforma en una
variable z.
• Una variable X se transforma en una medida en desviaciones estándar.

𝑋~𝑁 𝜇, 𝜎

𝑧~𝑁 0,1

𝑥−𝜇
𝑧=
𝜎
Z es el número de desviaciones
estándar en que se aleja un valor x de
su respectiva media.
 Variable Aleatoria Continua: Distribución Normal Estándar
• Pasos para solucionar un ejercicio:
• 𝑃(𝑥 ≤ 83.8)
83.8 100
1. Convertir X en Z.

2. Graficar la distribución normal. • 𝑃 𝑥 ≤ 115

100 115
3. Hallar la probabilidad.

• 𝑃 95 ≤ 𝑥 ≤ 110

95 100 110

• Hallar el valor de x que corresponde al 7.49%

7.49%

x=? 100
 Variable Aleatoria Continua: Tipos de Distribución
• Log Normal: esta distribución es de variable continua, no puede tomar valores negativos, esto la hace una distribución adecuada para algunas variables
financieras, como el precio de los activos, tasa de cambio, tasas de interés, etc. Se usa para situaciones con bajas posibilidades de que se presenten altos
valores y que además, no pueden ser negativos: ventas, precios de acciones y de finca raíz, las reservas de petróleo, entre muchos otros.

– Esta distribución no es simétrica.

– Tres condiciones:
• No puede ir debajo de cero, pero puede llegar hasta + infinito.
• Alargada positivamente.
• El logaritmo natural da una curva normal. Es decir, los logaritmos de una variable se describen mediante una distribución normal.
Moda
P1: Posible, pero extremadamente raro.
Mediana
P10: Máximo razonable.
f(x)
P50: Mitad arriba y mitad abajo: la mediana.
Media
P90:Mínimo razonable.

P99: Tan pequeño como puede ser.

Variable aleatoria (x)

 Variable Aleatoria Continua: Tipos de Distribución
Distribución Uniforme:
Es una distribución continua que describe una variable aleatoria en la que cualquier ocurrencia tiene la misma
probabilidad dentro de los límites inferior y superior. Por sus características la distribución de frecuencia acumulada se
presenta como una línea recta.

Es útil cuando el analista está en capacidad de especificar tan sólo un valor mínimo y uno máximo, por lo que
generalmente se usa en ocasiones en las que la incertidumbre es muy alta y se conoce poco de la situación descrita.
Costos de manufacturación, ventas de un nuevo producto, lanzamiento de un dado.

𝑋𝑚𝑖𝑛 + 𝑋𝑚á𝑥
𝜇=
2

f(x)
(𝑋𝑚á𝑥 − 𝑋𝑚𝑖𝑛)2
𝜎=
12

Variable aleatoria (x)

 Variable Aleatoria Continua: Tipos de Distribución
Distribución Triangular:

Se define completamente al especificar dos o tres valores de la situación analizada. Se emplea cuando el analista tan
soló puede estimar los valores mínimos, más probable y máximo; por lo que se constituye en la manera más intuitiva
en que se caracteriza la incertidumbre.
Adicionalmente, se emplea extensivamente para representar situaciones que impliquen costos, inversiones, duraciones
de tiempo, ventas de bienes, inventarios. Se recomienda que cuando se utilice el método de expertos se utilicen como
valores mínimos y máximos los percentiles 10 y 90 respectivamente.

𝑋1 + 𝑋2 + 𝑋3
𝜇=
3

f(x) 𝑋3 − 𝑋1 𝑋32 − 𝑋1 𝑋3 + 𝑋12 − 𝑋2 𝑋3 𝑋3 − 𝑋2 − 𝑋1 𝑋2 (𝑋2 − 𝑋1 )

𝜎=
18(𝑋3 − 𝑋1 )

𝑋1 : 𝑀𝑖𝑛𝑖𝑚𝑜, 𝑋2 : 𝑀á𝑠 𝑃𝑟𝑜𝑏𝑎𝑏𝑙𝑒; 𝑋3 : 𝑀á𝑥𝑖𝑚𝑜

 Variable Aleatoria Continua: Tipos de Distribución

• Pert: los valores entre el mas probable y los extremos tienen mas probabilidad de producirse
que la distribución triangular, es decir, los extremos no tienen tanto peso.

–Se cumplen tres condiciones, fijar máximo, mínimo y mas probable.

•Ejemplos: variables en el proceso de evaluación de un proyecto de inversión.
 FUNCIONES DE DISTRIBUCIÓN MÁS UTILIZADAS: SIGUEN UN PROCESO BINOMIAL

• Las distribuciones de este tipo, son discretas y describen la cantidad de oportunidades o aciertos en
que un evento ocurre en una serie fija de intentos, que siguen un proceso de Bernoulli, en el cual tan
solo es posible obtener dos resultados. Los intentos deben ser independientes el uno del otro y la
probabilidad se mantiene constante sin importar su cantidad. El caso más común es el del número de
veces que se saca “Cara” cuando se lanza una moneda al aire luego de varios intentos.
 FUNCIONES DE DISTRIBUCIÓN MÁS UTILIZADAS: SIGUEN UN PROCESO BINOMIAL

• Bernoulli: es una distribución diversificada con dos resultados (cara o sello,

éxito o fracaso), por lo que también se conoce simplemente como
distribución Si/No. Lanzamiento de una moneda, lanzamiento de un dado,
lanzamiento de una bola en una ruleta de un casino.

–La distribución Bernoulli es la distribución binaria con una prueba. La

probabilidad de éxito (p) es el único parámetro de distribución.
 FUNCIONES DE DISTRIBUCIÓN MÁS UTILIZADAS: SIGUEN UN PROCESO BINOMIAL

• Distribución Binomial:
𝝁 = 𝒏𝒑
𝑥 𝑛−𝑥
𝑃 . = 𝑛𝐶𝑥𝑝 (1 − 𝑝) 𝟐
𝝈 = 𝒏𝒑(𝟏 − 𝒑)

• Ejemplo: La rapidez con las que las compañías de servicios resuelven problemas es de suma
importancia. Una empresa que presta servicios “Call Center” afirma que es capaz de resolver 70% de
los problemas de los clientes el mismo día en que se reportan. Suponga que los 15 casos que se
reportaron el día de hoy son representativos de todas las quejas.
a. ¿cuántos problemas se esperaría que se resolvieran el día de hoy?¿cual es la desviación estándar?
rta: 10.5; 1.77
b. ¿Cuál es la probabilidad de que se resuelvan 10 problemas el día de hoy? Rta: 20.61%
c. ¿de que 10 u 11 problemas se resuelvan el día de hoy? Rta: 42.47%
d. ¿y de que más de 10 problemas se resuelvan el día de hoy? Rta: 51.54%
 FUNCIONES DE DISTRIBUCIÓN MÁS UTILIZADAS: SUCESOS RAROS

• Son de gran utilidad para modelar fenómenos asociados a contingencias, tales como accidentes, incendios, robos, etc., razón por la cual se
utilizan para describir situaciones que aplican a la industria aseguradora.

• El tipo de eventos que se consideran son aquellos que pueden ocurrir en un intervalo dado de tiempo, con una media igual a (Lambda), que
resulta en ocurrencias en un sistema que no tiene memoria. De aquí que sea útil para describir accidentes, o el número de fallas que llegue a
presentar un equipo.

• Distribución Poisson:
• Se utiliza para representar eventos independientes en un intervalo especifico de tiempo, por lo que se trata de una distribución discreta. Por
ejemplo, es útil en situaciones como el número de llamadas telefónicas recibidas en un minuto, o la cantidad de defectos que pueda tener un
corte de paño o un documento, número de errores ortográficos escritos por una persona en una página.

Ejemplo: una institución financiera calcula que la probabilidad de incumplimiento de un cliente es de 2.5%. El mes pasado se realizaron 40
préstamos.

a. ¿Cuál es la probabilidad que no se paguen 3 préstamos? Rta: 6.13%

b. ¿Cuál es la probabilidad de que por lo menos no se paguen 3 préstamos? Rta: 8.03%

 FUNCIONES DE DISTRIBUCIÓN MÁS UTILIZADAS: SIGUEN UN PROCESO HIPERGEOMÉTRICO

Distribución Hipergeométrica:

• Este tipo de proceso es similar al binomial, con la excepción de que la muestra no permanece
constante, es decir, no existe reemplazo. Describe el número de veces que una situación ocurre en
una cantidad fija de intentos, pero los mismos son dependientes de los resultados anteriores. Por
ejemplo, cuando se desea saber la probabilidad de encontrar un elemento defectuoso dentro de una
fábrica.

• Ejemplo: una empresa tiene 15 camiones de entrega. De estos 15 camiones, 6 presentan problemas con los
frenos. En forma aleatoria se seleccionó una muestra de 5 camiones. ¿Cuál es la probabilidad de que 2 de los
camiones probados presenten frenos defectuosos? Rta: 41.96%
 FUNCIONES DE DISTRIBUCIÓN MÁS UTILIZADAS: OTRAS DISTRIBUCIONES

Personalizada:

Se construye a partir de las características especificas de una situación que se desea describir, y por
tanto, es bastante flexible, al punto que puede ser al mismo tiempo discreta y continua. Para su
definición tan sólo requiere del evento y su probabilidad asociada. Es muy útil cuando se carece de una
serie de datos reales, pero se conoce el comportamiento del sistema.
 PROCESO SE SIMULACIÓN DE MONTE CARLO

1) Diseñar el modelo matemático que representa el problema con incertidumbre.

2) Especificar distribuciones de probabilidad para las variables aleatorias.

3) Incluir posibles dependencias entre variables.

4) Muestrear valores de las variables aleatorias

5) Calcular el resultado del modelos según los valores del muestreo y registrar el resultado.

6) Repetir el proceso iterativamente hasta tener una muestra estadísticamente representativa.

7) Obtener la distribución de frecuencias del resultado de las iteraciones.

8) Calcular la media, la desviación y curva de percentiles acumulados.

 Uso del Simulador de Riesgo

1) Crear modelo

2) Crear perfil

3) Definición de variables supuesto-Incertidumbre

4) Definir variables de decisión-Optimización

5) Definir variables constantes-Restricciones en optimización

6) Definición de variables objetivo-Pronóstico

7) Efectuar la simulación

8) Interpretar y analizar
 DEFINICIÓN DE LAS VARIABLES DE SUPUESTO
• Distribuciones

• Hay un amplio listado de distribuciones disponibles en RS:

1. Continuas
• Normal
• Uniforme
• Triangular o Pert
• Logarítmica normal
• Gumbel Máxima-Mínima
• Weibull
• Beta

2. Discretas
• Poisson
• Bernoulli
• Binomial
 AJUSTE DE DISTRIBUCIÓN
Caso 1: Información histórica
Caso 2: sin información histórica o menores que 10.

• CASO 1:

Pruebas de bondad de ajuste

• Chi Cuadrado, mejor para datos discretos o muestras grandes de datos continuos.
• Anderson-Darling para datos continuos, se recomienda para distribuciones con colas pronunciadas.
• Kolmogorov –Smirnov, se recomienda para distribuciones continuas. No requiere de una gran cantidad de
observaciones.

Ho: Los datos se ajustan a una distribución

Hi: Los datos NO se ajusta a una distribución

• Decisión: Pvalue>Nivel de significancia-> No Rechazo Ho

 Contenido programático
• CASO 2:

• Sucede más a menudo de lo que uno quisiera, estas son algunas opciones para tratar la simulación.

• Juicio de expertos:
 Min-Máx: Uniforme, Por ejemplo: Variables que capturan las ventas máximas y mínimas.
 Promedio y rango de variación: Normal o Log Normal.
 Min, Más Probable, Max: Triangular o Pert

• Tiempos entre llegadas-Exponencial

• Número de llegadas en un intervalo- Poisson
• Suma de variables independientes-Normal
• Producto de variables independientes-Log Normal
• Construir una tabla de frecuencias-Distribución personalizada
 Miguel Angel Bello
Economista, MBA, CRM.
miguel.bello@software-shop.com