IBM Software IBM SPSS Statistics

Business Analytics

Mejorar la toma de decisiones en

condiciones de incertidumbre con
la simulación Monte-Carlo
Técnicas de simulación Monte Carlo y análisis de riesgos de IBM SPSS Statistics
Mejorar la toma de decisiones en condiciones de incertidumbre con la simulación Monte-Carlo

El entorno de SPSS Statistics ofrece un amplio conjunto de

Contenido procedimientos multivariados para la investigación de relaciones
2 Introducción complejas entre datos. Una serie de procedimientos incluyen
modelos avanzados tales como funciones de modelado lineal
3 Incertidumbre de las entradas en los modelos
general y generalizado. Con los modelos lineales generales
4 Afrontar la incertidumbre con la simulación
es posible modelar relaciones e interacciones entre muchos
6 El valor de la simulación de Monte Carlo para el análisis
factores. El modelo lineal general incorpora una serie de
de riesgos
modelos estadísticos distintos: análisis de varianza (ANOVA),
9 SPSS Statistics V21: Crear mejores simulaciones y evaluar análisis multivariado de varianza (MANOVA), análisis de
riesgos con la automatización
covarianza (ANCOVA), medidas repetidas, etc. El modelado
11 Conclusión lineal general es muy adecuado para profesionales de la
estadística que analizan datos con características únicas (por
ejemplo, datos con estructuras anidadas) o que describen
Introducción relaciones entre una variable dependiente y un conjunto de
IBM SPSS Statistics es uno de los líderes mundiales de soluciones variables independientes para descubrir si efectos aleatorios
de software estadístico, que proporciona modelos predictivos introducen correlaciones entre los casos.
y analítica avanzada para resolver problemas de negocio y
de investigación. Para muchas empresas, instituciones de Los modelos de regresión (para variables continuas dependientes)
investigación y profesionales de las estadísticas, es el estándar son una familia de técnicas predictivas clásicas, todas ellas
de facto para el análisis estadístico. Las organizaciones utilizan involucrando el ajuste ( o regresión) de una línea o curva a una
SPSS Statistics para: serie de observaciones para modelar efectos o predecir resultados.
Con SPSS Statistics también es posible utilizar modelos de
• Comprender los datos. regresión para predecir resultados categóricos para más de
• Analizar tendencias. dos categorías, clasificar fácilmente los datos en dos grupos,
• Pronosticar y planificar. modelar con precisión relaciones no lineales, encontrar el mejor
• Validar suposiciones. predictor entre decenas de posibilidades, etc.
• Generar conclusiones exactas.

2

Los modelos predictivos, tales como la regresión lineal, requieren
un conjunto de entradas conocidas para predecir un resultado.
No obstante, en muchas aplicaciones reales, las entradas no
se conocen con certeza y los usuarios están interesados en
tener en cuenta dicha incertidumbre en sus modelos. Por
ejemplo, cuando dado un modelo de rentabilidad que incluye
el coste de los materiales como entrada, los usuarios también
quieren tener en cuenta la incertidumbre en el coste de los
materiales y determinar la probabilidad de que la rentabilidad
disminuya por debajo de un valor de objetivo. Para afrontar
la incertidumbre en los valores de entrada futuros, los
estadísticos acuden a la simulación.
SPSS Statistics incluye un módulo de simulación diseñado
para tener en cuenta la incertidumbre en las entradas de los
modelos predictivos. Este artículo describe la simulación
Monte Carlo, el valor que representa utilizar la simulación
Monte Carlo en el análisis de riesgos y cómo SPSS Statistics y
su nuevo módulo de simulación ayuda a las empresas a utilizar
la simulación Monte Carlo en el análisis de riesgos.
3
Business Analytics
Incertidumbre de las entradas en los modelos
El desarrollo de un modelo de previsión requiere la realización
de ciertas suposiciones. Pueden tratarse de suposiciones
acerca del retorno de la inversión en un portafolio, el coste
de un proyecto de construcción o el tiempo que se tardará
en realizar cierta tarea. Puesto que son proyecciones, no es
posible saber con certeza su valor real, pero basándose en
datos históricos, la experiencia en el campo o experiencias
pasadas, es posible estimarlo. Aunque esta estimación resulta
útil para el desarrollo de un modelo, contiene algunas
incertidumbres y riesgos inherentes, ya que la estimación es
un valor desconocido.
Tradicionalmente, las empresas abordan la incertidumbre de
una de las tres formas siguientes:
• Estimaciones puntuales utilizan los valores más probables
de las variables inciertas. Estas estimaciones son las más
fáciles, pero pueden devolver resultados muy equivocados.
Por ejemplo, considere lo que sucedería si decide cruzar un
río porque su profundidad media es de 60 centímetros. O
suponga que, después de haber calculado que se tarda un
promedio de 25 minutos para llegar al aeropuerto, sale
25 minutos antes de que despegue el avión. ¿Con qué
probabilidad lo perderá?
Mejorar la toma de decisiones en condiciones de incertidumbre con la simulación Monte-Carlo
• Estimaciones de rango generalmente calculan tres escenarios:
el mejor caso, el peor caso y el caso más probable. Estos
tipos de estimaciones pueden mostrar el rango de resultados,
pero no la probabilidad de que se produzca alguno de los
resultados. Este enfoque también considera solamente unos
pocos resultados discretos, ignorando cientos de miles de otras
posibilidades. En pocas palabras, da la misma ponderación
a cada resultado, por lo que no se intenta evaluar la probabilidad
de cada resultado. La interdependencia entre entradas y el
impacto de las diferentes entradas en relación con los resultados
no se toma en consideración, lo cual sobresimplifica el modelo
y reduce su precisión.
• Escenarios “what-if” habitualmente se basan en las estimaciones
de rango y generalmente exploran el efecto de elementos
que puede controlar. ¿Cuál es el peor caso? ¿Qué sucede si
las ventas son el mejor caso pero los gastos son el peor caso?
¿Qué sucede si las ventas están en el promedio, pero los
gastos son el mejor caso? ¿Qué sucede si las ventas están en
el promedio, los gastos están en el promedio, pero las ventas
del próximo mes son planas? Esta forma de análisis puede
consumir mucho tiempo y se traduce en un gran volumen
de datos.
Con cada uno de estos tres enfoques tradicionales, no es posible
determinar la probabilidad de lograr diferentes resultados.
4
Afrontar la incertidumbre con la simulación
Una simulación Monte Carlo es un experimento informático
que implica el muestreo aleatorio de distribuciones de probabilidad
de las entradas para obtener soluciones aproximadas de los
problemas, especialmente en el caso de una serie de valores en el
que cada uno de ellos tiene una probabilidad calculada de ser la
solución. Cuando los estadísticos utilizan el término “simulación”,
habitualmente se refieren a la simulación Monte Carlo.
En este enfoque, las entradas inciertas se modelan con
distribuciones de probabilidad (como la distribución triangular) y
se generan valores simulados de dichas entradas extrayéndolos
de dichas distribuciones. A continuación, se utilizan los valores
simulados en un modelo predictivo para generar un resultado.
El proceso se repite muchas veces (generalmente miles o
decenas de miles de veces), lo cual genera una distribución
de resultados que se puede utilizar para responder preguntas
de una naturaleza probabilística con el fin de determinar el
comportamiento, analizar riesgos, etc.

Una de las virtudes de la simulación Monte Carlo es que hace
posible tener en cuenta el riesgo en el análisis cuantitativo y
la toma de decisiones. La simulación histórica (habitualmente
utilizada en el cálculo del valor en riesgo en escenarios financieros,
por ejemplo) consiste en la generación de escenarios mediante
muestras de datos históricos asociados a cada factor de riesgo
incluido en el problema. Este enfoque no requiere suposiciones
distribucionales. La simulación que es posible con
IBM WebSphere ILOG es un ejemplo de simulación histórica.
La ejecución de simulaciones a partir de distribuciones conocidas
basadas en datos históricos produce precisión. Por ejemplo, el
análisis de riesgo estocástico utiliza un modelo y la simulación
Monte Carlo para analizar el efecto de varias la entrada o la
salida del modelo. Define distribuciones de probabilidad para
expresar la posible variación de las variables de entrada del
modelo y utiliza la técnica de simulación Monte Carlo para
calcular el efecto de la incertidumbre en las principales salidas
del modelo. El análisis estocástico puede ser una herramienta
de toma de decisiones de valor incalculable para la tasación
de inversiones, la planificación estratégica y de negocio, la
previsión de marketing y ventas, modelos de precios, junto
con numerosas aplicaciones científicas.
5
Business Analytics
Si existen datos históricos, quizás no desee utilizar la simulación
histórica porque la simulación Monte Carlo presenta la ventaja
de permitir una variedad más amplia de escenarios que los
resultados bastante limitados que pueden proporcionar los
datos históricos. Por lo tanto, puede ajustar distribuciones
de probabilidad a los datos y utilizarlos como la base para
las distribuciones de entradas de la simulación Monte Carlo.
Por ejemplo, quizás alguien haya recogido datos históricos
del precio de un producto y desee crear una distribución de
posibles precios futuros basada en los datos.
Una de las razones por las cuales el análisis de riesgos no se
aplicaba frecuentemente en el pasado es que los equipos no tenían
suficiente potencia para gestionar las exigentes necesidades de la
simulación Monte Carlo. Además, para cada caso, era necesario
desarrollar un modelo informático de tasación de proyecto
personalizado que representara la relación entre las variables de
entrada y salida por medio de una combinación de funciones,
fórmulas y datos. Ahora, no obstante, muchos de los sistemas y
procesadores pueden gestionar el gran volumen de cálculos de la
simulación Monte Carlo.
Mejorar la toma de decisiones en condiciones de incertidumbre con la simulación Monte-Carlo
El valor de la simulación Monte Carlo para
el análisis de riesgos
Las soluciones de software estadístico y de modelado existentes
cuentan con diferentes métodos para abordar el análisis
del riesgo. Algunas soluciones de modelado trabajan en el
entorno Microsoft Excel. La ventaja de este enfoque es que las
empresas pueden incorporar fácilmente la gestión del riesgo
en los procesos diarios en todos los niveles de su organización,
ya que los modelos de hoja de cálculo se han creado para ellas.
Otros productos de software estadístico pueden actuar como
soluciones autónomas para la gestión del riesgo, pero en su
mayoría se han diseñado para bancos y otros tipos de instituciones
financieras. Proporcionan herramientas de gestión del riesgo
para la gestión y control del riesgo de mercados, riesgo de
crédito, riesgo operacional y riesgo de liquidez, pero no está
claro cómo se construye un modelo en su marco.
Las soluciones de simulación Monte Carlo proporcionan
funciones para simular todas las distribuciones de probabilidad
estándares u ofrecen simulaciones Monte Carlo de dos
dimensiones. Están disponibles herramientas econométricas
para el análisis del rendimiento y del riesgo, y otras aplicaciones
6
de software cuentan con funciones para el cálculo de un modelo
de riesgo. La codificación personalizada es necesaria si se
desea utilizar estas soluciones para la simulación Monte Carlo
y el análisis de riesgos de manera conjunta.
El análisis de riesgos puede beneficiarse mucho de la simulación
Monte Carlo. Considere un sencillo ejemplo de ventas
mensuales como función de gastos en publicidad, el número
de agentes de ventas y el índice de confianza en el consumo
(llamado “cci” en el modelo) como indicador del estado
general de la economía. Este proceso cuenta con varias etapas:
1.Configurar el modelo e identificar las variables de riesgo
En la Figura 1 se muestran los datos representados de 5 años
de datos de ventas mensuales que se han utilizado para crear
el modelo de regresión lineal, suponiendo que no existen
dinámicas de tiempo en los datos y ninguna correlación en
los términos de error.
Figura 1: Datos para las ventas mensuales

En la Figura 2 se muestra el modelo de regresión lineal generado
después de ajustar el modelo con las ventas como variable
dependiente (objetivo) y publicidad, cci y agentes como variables
independientes (predictor). En el ejemplo, las variables de
publicidad, cci y agente son aquellas para las cuales el valor
proyectado es tanto probable como potencialmente dañino para
el valor de ventas mensuales.
Figura 2: Modelo de regresión lineal con tres variables de riesgo
7
Business Analytics
2.Especificar distribuciones de probabilidad.
La especificación de una distribución de probabilidad para cada
variable de riesgo seleccionada implica la configuración de una
serie de valores y la asignación de ponderaciones de probabilidad.
En general, los analistas del proyecto deben confiar en el buen
juicio y factores subjetivos para la determinación del rango de
valores y probabilidades. En la Figura 3 se ilustran algunas de
las distribuciones de probabilidad utilizadas en la aplicación de
análisis del riesgo.
Figura 3: Distribuciones de probabilidades utilizadas en el análisis de riesgos
Mejorar la toma de decisiones en condiciones de incertidumbre con la simulación Monte-Carlo

Si existen datos históricos, puede omitirse esta etapa y llevar a cabo

una simulación histórica directamente. Otra posibilidad es ajustar
las distribuciones a los datos para la simulación Monte Carlo.

3.Ejecutar simulaciones
El modelo se procesa y se repite hasta que se recogen
suficientes resultados para formar una muestra representativa
del número casi infinito de posibles combinaciones. Durante
una simulación, los valores de las variables de riesgo se
generen aleatoriamente en función de las distribuciones de
probabilidad especificadas. En el ejemplo, el objetivo de la
simulación era ver la probabilidad de alcanzar un objetivo
de ventas mensuales de 7 millones de dólares. Se calcula el
resultado de cada iteración del modelo (las “ventas mensuales”
del ejemplo) y se guardan para el análisis estadístico (la
etapa final del proceso de análisis de riesgos). En la Figura 4
Figura 4: Función de distribución acumulada de ventas mensuales
se muestra la función de distribución acumulada de ventas
mensuales (en base a 100.000 registros de datos simulados)
en la que se observa que la probabilidad de alcanzar el objetivo El ejemplo también sirve para ver el efecto que causa la
de ventas mensual de 7 millones de dólares es del 62%. variación del número de agentes de ventas en tres valores fijos:
110, 100 y 90, para analizar el efecto que causa la reducción
de personal de ventas en las ventas mensuales. La variación de
una entrada a lo largo de un conjunto de valores fijos, como
se realiza en este caso para el número de agentes de ventas,
recibe el nombre de “análisis de sensibilidad”. En la Figura 5 se
muestra el análisis de sensibilidad de la variación del número de
agentes de ventas en relación a las ventas mensuales.

8

Figura 5: Análisis de sensibilidad
Puede observarse que cuando se reduce el personal de ventas
y se pasa de 110 a 90, disminuye la probabilidad de lograr el
objetivo pasando del 63% al 31%.
9
Business Analytics
SPSS Statistics: Crear mejores simulaciones
y evaluar riesgos con la automatización
El módulo de simulación de SPSS Statistics se ha diseñado
para tener en cuenta la incertidumbre de los valores de las
entradas en los modelos predictivos. Ayuda a los usuarios a:
• Diseñar una simulación. Los usuarios pueden especificar
todos los detalles necesarios para realizar una simulación,
tales como las distribuciones de los predictores simulados
y las correlaciones para dichos predictores. Cuando
existan datos históricos, las distribuciones y correlaciones
de los predictores simulados pueden determinarse
automáticamente a partir de dichos datos.
• Guardar especificaciones para un archivo de planificación
de simulación a simulación.
• Ejecutar una simulación. Las especificaciones para la
simulación pueden venir de un archivo de plan de simulación
cargado o el usuario puede proporcionar las especificaciones
en la interfaz de usuario asociada y realizar la simulación
desde dicha interfaz de usuario.
• Cargar un plan de simulación, modificar cualquier
aspecto del mismo, opcionalmente ejecutar la simulación
modificada y opcionalmente guardar los cambios.
Mejorar la toma de decisiones en condiciones de incertidumbre con la simulación Monte-Carlo

¿Cómo funciona? Éstos son dos ejemplos.
Modelo del impacto en los beneficios debido
a la incertidumbre del coste de los materiales
Pablo es un analista en una gran empresa de fabricación y
es responsable del modelado y previsión financiera. Como
consecuencia de la actual inestabilidad de los mercados, los
directores de Pablo le pidieron que incluyera el riesgo en el
coste de los materiales en su modelo de rentabilidad. Para
este escenario, muchos estadísticos utilizan un modelo de
rentabilidad relativamente sencillo: estimaciones del valor
máximo, mínimo y más probable del coste de los materiales.
Este modelo presenta las limitaciones descritas anteriormente
para las estimaciones de rango.
Por medio del nuevo diálogo de simulación de SPSS Statistics,
Pablo se dirige a su modelo de rentabilidad, entra en el constructor
de expresiones y especifica “coste de materiales” (uno de los
predictores del modelo) como predictor simulado. Pablo solamente
tiene estimaciones del coste máximo, mínimo y más probable, por
lo que elige una distribución triangular para modelar su variable de
coste. Puesto que existe cierta incertidumbre en sus estimaciones
del coste máximo, mínimo y más probable, Pablo piensa ejecutar
esta simulación varias veces, variando los parámetros de la
distribución de costes en cada simulación. Puede guardar sus
especificaciones en un plan de simulación para que este análisis
de escenario no tenga que realizarse en una sesión, y puede variar
los parámetros de esta distribución triangular más fácilmente tras
recargar el plan de la simulación.
Modelo del consumo de energía teniendo en cuenta la
incertidumbre de la temperatura
Puede ser problemático modelar o predecir las necesidades
de consumo energético de una empresa de suministros que
compra energía de otros proveedores, cuando la demanda
supera la capacidad de producción interna. Por ejemplo
Paula, que es responsable de dicha tarea en su empresa de
suministros. Ella modela las necesidades energéticas con un
modelo de regresión que ha construido en SPSS Statistics.
Paula ha guardado el modelo en un archivo XML, lo cual le
permite aplicar rápidamente el modelo en un conjunto dado
de entradas – algo que hace cada día.
Una de las principales fuentes de incertidumbre en el modelo
de Paula es la temperatura. Aunque puede utilizar fácilmente
un análisis “what-if” para obtener estimaciones puntuales de
necesidades energéticas para temperaturas concretas, ella está
más interesada en la probabilidad de que las necesidades de
energía superen la capacidad de producción en un día dado,
lo cual obliga a comprar energía adicional a un proveedor
externo. Paula tiene acceso a datos históricos de temperatura
que piensa utilizar para modelar la incertidumbre de la
temperatura diaria, por lo que arranca SPSS Statistics y carga
dichos datos.
Ella abre el diálogo de simulación, carga su modelo de regresión
y especifica que la temperatura es un predictor simulado. A
continuación selecciona el ajuste automático (autofit) de la
distribución de temperaturas a partir de los datos históricos.
Puesto que también cuenta con las predicciones de temperatura
para la fecha actual, puede personalizar los parámetros de
la distribución autofit si lo desea. Especifica valores para los
predictores fijos y obtiene una distribución del consumo de
energía, a partir de la cual puede determinar fácilmente la
probabilidad de que las necesidades de energía superen la
capacidad de producción interna en una cantidad dada.

10

Conclusión
La simulación Monte Carlo ayuda a resolver los retos que
plantea la incertidumbre en los modelos predictivos y de
previsión, así como en la evaluación de riesgos. SPSS Statistics
se ha diseñado para ayudarle a utilizar la simulación Monte
Carlo en el análisis de riesgos. Por medio del módulo de
simulación de SPSS Statistics, puede simular datos en función
de parámetros especificados y utilizar dichos datos simulados
como entrada para la predicción de un resultado. También
puede modificar los parámetros utilizados para simular los
datos y comparar resultados. Por ejemplo, puede simular varios
importes de presupuestos en publicidad y ver cómo afectan a
las ventas totales. En base al resultado de la simulación, puede
decidir gastar más en publicidad para lograr el objetivo de
ventas totales. Con funciones de automatización, funciones
para guardar planes de simulaciones y soporte para modelos
predictivos, el módulo de simulación de SPSS Statistics
combina transparentemente el análisis de riesgos y las
simulaciones Monte Carlo en una única solución de software.
11
Business Analytics
Acerca de IBM Business Analytics
El software IBM Business Analytics proporciona conocimientos
útiles que necesitan los responsables de la toma de decisiones
para lograr un mejor rendimiento del negocio. IBM ofrece
un conjunto completo y unificado de Business Intelligence,
análisis predictivo y avanzado, gestión del rendimiento
financiero y de la estrategia, gobierno, riesgo y cumplimiento
normativo y aplicaciones analíticas.
Con el software de IBM, las empresas pueden detectar tendencias,
patrones y anomalías, comparar escenarios “what-if”, predecir
amenazas y oportunidades potenciales, identificar y gestionar
los principales riesgos de negocio, así como planificar, elaborar
presupuestos y hacer previsiones de recursos. Con estas
profundas capacidades analíticas, nuestros clientes de todo el
mundo pueden conocer mejor, anticiparse y dar forma a sus
resultados de negocio.
Para más información
Para obtener más información, visite ibm.com/es/analytics
Solicite una llamada
Para solicitar una llamada o hacer una pregunta, vaya a
ibm.com/es Un representante de IBM responderá su
pregunta lo antes posible.
 IBM España, S.A.
Tel.: 902 022 002
C/Santa Hortensia, 26-28
28002 Madrid

La página de inicio de IBM se encuentra en:

ibm.com
IBM, logotipo de IBM, ibm.com y SPSS son marcas registradas de
International Business Machines Corp., registradas en numerosas jurisdicciones
de todo el mundo. Otros nombres de productos y servicios pueden ser marcas
registradas de IBM o de otras empresas. Encontrará una lista actualizada de las
marcas registradas de IBM en la Web en “Información de copyright y marcas
registradas” en:
ibm.com/legal/copytrade.shtml
Este documento es válido en la fecha inicial de publicación y puede estar sujeto
a cambios por parte de IBM en cualquier instante. No todas las ofertas están
disponibles en todos los países en los que IBM opera.
LA INFORMACIÓN DE ESTE DOCUMENTO SE PROPORCIONA
“TAL CUAL” SIN GARANTÍA DE NINGÚN TIPO, NI EXPLÍCITA
NI IMPLÍCITA, INCLUYENDO, PERO NO LIMITÁNDOSE, A LAS
DE COMERCIALIZACIÓN, ADECUACIÓN A UN PROPÓSITO
DETERMINADO Y A LAS GARANTÍAS O CONDICIONES DE NO
INFRACCIÓN. Los productos de IBM se garantizan de acuerdo con los
términos y condiciones de los acuerdos bajo los que se proporcionan.
1 Capacidad de recordar (persistir) cuándo las entidades son las mismas y cómo se
relacionan (contexto) – lo que permite tener en cuenta correctamente eventos,
transacciones, comportamientos, etc.

© Copyright IBM Corporation 2012

Please
Por favor, Recycle
recicle

YTW03231-ESES-00