RiskAMP

Jaume Mussons

RiskAMP es un motor de simulación de Monte Carlo con

todas las funciones de Microsoft Excel ®.
Con el RiskAMP complemento, puede agregar análisis de riesgos a sus modelos de hojas de
cálculo con rapidez, facilidad, y por una fracción del precio de los paquetes de la
competencia.

• La distribución PERT para el modelado de coste y proyecto

• Un asistente fácil de usar para la creación de tablas y gráficos
• Más de 40 distribuciones aleatorias, incluyendo distribuciones multivariantes
correlacionados
• 20 funciones de análisis estadístico
• Muestreo Latin Hypercube
• La integración completa de VBA
• Histogramas y gráficos de correlación automática, embebibles
• Soporte completo para 32-bit y 64-bit de Excel 2007, 2010, 2013

Descargue una versión de prueba gratuita de la RiskAMP Add-in

¿Qué es la simulación de Monte Carlo?

Cuando se construye un modelo de algo en el mundo real - una cartera de acciones, un

plan de proyecto, un ensayo clínico - usted tiene que construir en supuestos sobre el
futuro. Usted escoge algunos valores para sus retornos de las acciones previstas, por
ejemplo, y proyectarlas en el futuro.

Pero el mundo real no funciona de esa manera. Las acciones suben y bajan. Los proyectos
se ejecutan a través del tiempo o por debajo del presupuesto.
 RiskAMP
Jaume Mussons

Simulación de Monte Carlo es una manera de construir esta variabilidad en los modelos. En
vez de decir esta población volverá X% cada año, puede decir cosas como esta población
regresarán entre X% y Y% ; y luego averiguar lo que eso significa para su cartera.

Una vez que usted tiene que la variabilidad en el modelo, se puede empezar a entender
el riesgo en su modelo.

¿Cuál es la probabilidad de que usted va a perder dinero?

¿Cuál es la probabilidad de que el proyecto tendrá una duración de más de un año de

retraso?

¿Cómo funciona?

Hay tres partes principales a una simulación de Monte Carlo. En primer lugar, como se ha
descrito anteriormente, sustituimos valores fijos - cosas como precios de las acciones
previstas y los costos del proyecto - con variables aleatorias. Estamos añadiendo
variabilidad aleatoria al modelo.

Una vez hecho esto, nosotros hacemos el segundo paso: recalcular los cientos de modelos
o miles de veces, cada vez que cambian los valores aleatorios. Esta es la parte "simulación" -
estamos simulando el mundo real donde los valores cambian aleatoriamente.

Por último, la tercera parte: se analizan los resultados del modelo en los cientos o miles de
resultados, y la obtención de las estadísticas de los resultados. Por ejemplo, podríamos
ejecutar una cartera de acciones a través del proceso de simulación. Entonces podemos
mirar los resultados y decir en el 25% de los casos, la cartera perdió dinero. O en el 75% de
los casos, la cartera ha superado al mercado.

¿Por RiskAMP?

Creemos que la RiskAMP Monte Carlo Add-In para Excel ofrece la mejor combinación de
características y precios más bajos - el mejor valor en el software de simulación de Monte
Carlo. La empresa ofrece una versión gratuita de prueba del software
 RiskAMP
Jaume Mussons

El RiskAMP Add-in hace que sea fácil para empezar, con una completa interfaz de usuario
de apuntar y hacer clic para crear distribuciones aleatorias y generar tablas y gráficos. Una
vez que usted se sienta más cómodo con él, usted puede utilizar el conjunto completo de
funciones de Excel para diseñar modelos de análisis más complejos y más interesantes.

Descargue una versión de prueba gratuita de la RiskAMP Add-in

 RiskAMP
Jaume Mussons

Cómo
Añadir Simulación de Monte Carlo a sus modelos de hoja de cálculo

Esta guía describe cómo convertir un modelo estático Excel hoja de cálculo en una
simulación de Monte Carlo, y el tipo de información que usted puede aprender de la
simulación. Se le guiará a través de las técnicas básicas, y las funciones que tendrá que
utilizar. El modelo completo, incluyendo cada uno de los pasos a continuación, está
disponible para su descarga.

Portafolio de Inversiones Modelo

Descarga la hoja de cálculo usado en este ejemplo

Un modelo típico cartera de inversiones incluye un saldo inicial, las proyecciones de

rentabilidad y costos a lo largo de varios años, y un saldo final en algún momento en el
futuro. Un modelo simple hoja de cálculo podría tener este aspecto:

Figura A: El modelo original

En la figura A, el modelo se basa en un período fijo de retorno (anual) del 5,4%. En el

transcurso de 5 años, esto resulta en un rendimiento de 30,08%.

Mientras que el 5,4% es un rendimiento esperado, sabemos que los rendimientos reales
pueden variar considerablemente. El primer paso en la construcción del modelo de Monte
Carlo está reemplazando estos retornos fijos con valores distribuidos de forma aleatoria,
para aproximar mejor el mundo real.
 RiskAMP
Jaume Mussons

Paso 1: Agregar datos al azar

En el modelo de Monte Carlo, en lugar de un 5,4% de rentabilidad fija, anticipamos que el

retorno se distribuye normalmente con una media (promedio) de 5,4% y una desviación
estándar de 7,3%. Para cada celda de retorno en la hoja de cálculo (columna D), se utiliza la
función aleatoria NormalValue :

Figura B: Agregar datos al azar

En la figura B, el retorno en cada período se ha pasado de un 5,4% fijo a un retorno

distribuido al azar, usando la función se ve en la barra de funciones. Los rendimientos en
cada período se generan aleatoriamente. En Excel, si vuelve a calcular la hoja de cálculo en
este paso (pulse Ctrl + Alt + F9), podrás ver cada cambio de retorno. El rendimiento total
(celda F11) también puede diferir significativamente del valor original (30,08%).

Rendimientos distribuidos al azar-se parecen como una mejor aproximación de la realidad,

pero teniendo una sola vuelta al azar no es útil. La clave para el uso de la simulación de
Monte Carlo es tomar muchos valores aleatorios, recalcular el modelo cada vez, y luego
analizar los resultados.

Paso 2: Ejecutar una simulación de Monte Carlo

Una simulación Monte Carlo calcula el mismo modelo muchas veces, y trata de generar
información útil a partir de los resultados. Para ejecutar una simulación de Monte Carlo,
seleccione "Monte Carlo" -> "Ejecutar Simulación de Monte Carlo ..." en el menú. Cuando el
cuadro de diálogo de simulación está abierto, haga clic en "Start" para ejecutar una
simulación. Si marca la casilla "Permitir actualizaciones de pantalla" en el cuadro de diálogo,
verá los valores aleatorios en el modelo cambiando una y otra vez mientras se ejecuta la
 RiskAMP
Jaume Mussons

simulación. Para un uso normal debe desmarcar esta casilla, ya que hará que la ejecución
de la simulación más lentamente.

El RiskAMP Add-in incluye una serie de funciones para analizar los resultados de una
simulación de Monte Carlo. Para empezar, vamos a ver los resultados promedio de la
simulación utilizando la función SimulationAverage.

Nota: la primera vez que entre estas funciones en una hoja de cálculo, verás un # N / A
error. Esto es porque la simulación no ha recogido los datos para la célula todavía. Una vez
que se ejecuta una simulación, este error desaparecerá.

Figura C: Promedio de los resultados de simulación

En la Figura C, hemos añadido los resultados medios de simulación en la columna H

utilizando la función se ve en la barra de funciones. En este ejemplo, la celda H11 calcula el
valor promedio de la celda F11 sobre todos los ensayos, o iteraciones, de la simulación de
Monte Carlo. Para ver cómo funciona, realizar una simulación Monte Carlo usando el
elemento de menú "Monte Carlo" -> "Ejecutar Simulación de Monte Carlo ...". Vas a ver el
valor de cambio F11 en cada ensayo, pero el valor de H11 empieza lentamente a
establecerse en el valor promedio.

Cuando se ejecuta una simulación de Monte Carlo, en cada iteración nuevos valores
aleatorios se colocan en la columna D y la hoja de cálculo se vuelve a calcular. Esto resulta
en un valor diferente en la celda F11. La simulación de Monte Carlo se ejecuta cientos o
miles de veces, y en cada iteración del RiskAMP Añadir-en las tiendas y recuerda el valor de
la celda F11.Una vez que la simulación se ha completado, el valor promedio puede
calcularse a partir de este conjunto de valores almacenados.

Usted verá que el valor medio, regresó en H11 celular, es muy cercano al valor fijo original
del 30,08% (ver la celda F11 en la figura A). Esto es como se esperaba, ya que los datos
aleatorios que estamos utilizando para las devoluciones tiene un promedio de 5.4%, que
era el valor fijo en el modelo original.
 RiskAMP
Jaume Mussons

Paso 3: Análisis de datos

Como se señaló anteriormente, la rentabilidad media dada por la simulación Monte Carlo
se encuentra cerca el modelo original, fijo. Si ese fuera el único que podíamos aprender de
la simulación, no tendría mucha utilidad. Sin embargo, podemos obtener mucha más
información útil a partir de la simulación de Monte Carlo examinado rangos y percentiles.

Para empezar, podemos mirar a los valores mínimos y máximos identificados durante la
simulación utilizando losSimulationMin y SimulationMax funciones:

Figura D: Mínimo y los máximos resultados de simulación

En la figura D, I11 celda contiene el valor mínimo de la celda F11 visto durante la
simulación. Esto es significativamente peor que la media, y representa el riesgo que figura
en el modelo de cartera. Esto significa que hay alguna posibilidad de que esta cartera, a los
5 años, terminará con una pérdida neta de 23%.

En cuanto a los valores máximos absolutos minimum y tiende a exagerar los valores
atípicos, o de las colas, de los posibles resultados del modelo de cartera. También podemos
aprender sobre probabilidad de percentiles, mediante elSimulationPercentile función:

Figura E: Percentil Resultados

 RiskAMP
Jaume Mussons

En la figura E, células J11 contiene la función SimulationPercentile como se ve en la barra de

funciones. Para entender lo que significan los percentiles, imaginemos que tomamos cada
resultado se ve en la celda F11 durante la simulación de Monte Carlo, y las colocamos en
orden (creciente). El primer valor sería el mínimo, como se ha visto más arriba; no hay
valores en los resultados son más bajos que el valor mínimo. El último valor sería el
máximo; 100% de los valores en los resultados son iguales a, o menor que, el último
valor. Por lo tanto, el valor máximo es el percentil número 100.

El 25 Percentil, a continuación, representa un valor que es igual o mayor que 25% de los
resultados observados durante la simulación. Otra forma de decirlo es, hay una
probabilidad del 25% que cualquier valor en la simulación será menor o igual a esta
cantidad; y, al mismo tiempo, hay una posibilidad de 75% de que cualquier valor en la
simulación será mayor que o igual a esta cantidad.

En la Figura E, células J11 muestra el resultado 25 Percentil de la celda F11. Esto nos dice
que, en la simulación, el 75% de las veces el valor de F11 es mayor que o igual a 16,61%. O
bien, hay un 75% de probabilidades de que nuestro modelo tendrá un rendimiento total
del 16,61% o superior.

Al cambiar los valores de los percentiles, podemos determinar el rendimiento esperado de

la cartera con diferentes probabilidades. Este tipo de análisis puede ser útil para determinar
los niveles reales de riesgo asociado con una cartera de inversiones.

Paso 4: Determinación de los niveles de confianza

En lugar de encontrar el rendimiento esperado en diferentes percentiles, podemos convertir

el análisis y encontrar la probabilidad de alcanzar una rentabilidad objetivo particular con
el SimulationInterval función:
 RiskAMP
Jaume Mussons

Figura F: Resultados Percentil

Este análisis responde a la pregunta, ¿cuál es la probabilidad, en todos los ensayos de la

simulación, que el modelo regresará al menos el 50%? En la figura F, esta probabilidad es
13.20%; es decir, existe una probabilidad 13,20% el modelo resultará en un retorno de 50%
o más. Este tipo de análisis puede ser útil en la determinación de los niveles de
confianza.Por ejemplo, en la evaluación de inversiones alternativas, podemos comparar las
probabilidades de alcanzar determinados rendimientos mínimos. O podemos entender la
probabilidad de pérdida asociada a una inversión mediante la búsqueda de la probabilidad
de que se devolverá 0%.

Conclusión

La discusión anterior describe la conversión de un sencillo modelo de cartera fija en una

simulación de Monte Carlo, y los tipos de análisis que se pueden hacer con una simulación
de Monte Carlo. Este es un ejemplo muy sencillo; muchas funciones de análisis diferentes
están disponibles, y hay muchas maneras distintas de generar datos aleatorios en un
modelo. Consulte el Manual de RiskAMP Ayuda (disponible en Excel o desde el menú Inicio)
para obtener más información acerca de las diferentes funciones.

Por supuesto, cualquier análisis es sólo tan bueno como el modelo y los datos que se
ingresan. Este modelo es muy simple, ya que no tiene en cuenta los costes de inversión y la
inflación. El modelo también es muy sensible a la media y la desviación estándar de nuestro
retorno esperado.
 RiskAMP
Jaume Mussons

Planificación de proyecto
Una visión general y Ejemplo de Uso del análisis de Monte Carlo en Planificación de
Proyectos

Riesgos en la Planificación de Proyectos

En este apartado vamos a discutir la forma de modelo de riesgo en la planificación del

proyecto. Dos fuentes principales de riesgo son el tiempo y costo; nos centraremos en el
tiempo porque es un poco más complicado; un análisis similar se puede aplicar a la
planificación de costes ( ver nota 1 ).

El riesgo en la planificación para el tiempo de finalización del proyecto es, naturalmente,

que sus proyecciones son incorrectas. Subestimar el tiempo del proyecto puede dar lugar a
costes adicionales y las posibles sanciones. La sobreestimación de tiempo del proyecto
puede dar lugar a un desperdicio de recursos.

Con la práctica, y las buenas técnicas de análisis, generalmente puede construir una
proyección razonable para el tiempo de finalización del proyecto. Pero en el mundo real, no
es posible prever todas las contingencias, e incluso la mejor planificación de los proyectos
incluirá alguna sobre o subestimaciones.

Para tomar en cuenta esta realidad, es común en la planificación de proyectos para

producir múltiples estimaciones para el tiempo de finalización del proyecto. Estimación del
mejor caso, peor de los casos, y las estimaciones esperadas le da una serie de plazos de
ejecución, y trata de tener en cuenta el riesgo de factores imprevistos.

El Plan del Proyecto Básico

Considere la posibilidad de un plan de proyecto simple. Este plan incluye un proyecto

único, con tres tareas:

Tarea Optimista Esperado Pesimista

Tarea 1 10 Días 20 Días 30 Días

Tarea 2 10 Días 20 Días 30 Días

 RiskAMP
Jaume Mussons

Tarea Optimista Esperado Pesimista

Tarea 3 5 Días 10 Días 20 Días

Supongamos, además, que estas tareas deben completarse en secuencia, es decir, cada
tarea depende de la tarea que tiene ante sí. ¿Cuánto tiempo durará el proyecto tardará en
completarse?

Usted puede mirar en las proyecciones para cada tarea y añadirlos; esto le dará el mejor de
los casos, era de esperar, y peor de los casos de todo el proyecto.

Tarea Optimista Esperado Pesimista

Tarea 1 10 Días 20 Días 30 Días

Tarea 2 10 Días 20 Días 30 Días

Tarea 3 5 Días 10 Días 20 Días

Total 25 Días 50 Días 80 días

Esto es útil, pero aún poco realista; porque es poco probable que cada tarea se tomará el
tiempo mejor de los casos, o el tiempo del peor caso. Lo más probable, una tarea tomará
un poco más de tiempo, y la otra será completada antes de lo previsto.

Aquí es donde el análisis de Monte Carlo puede ser útil. A partir de las estimaciones para el
proyecto, podemos ejecutar un análisis basado en estimaciones aleatorias para cada
tarea. Esto producirá un modelo que tiene en cuenta la variabilidad, y también considera
que cada tarea es independiente.

Adición de aleatoriedad

Para hacer eso, el primer paso es añadir una variable aleatoria que modela cada tarea. Hay
dos distribuciones comúnmente usadas para hacer esto: la distribución beta-PERT (también
llamado justa distribución PERT), y la distribución triangular.
 RiskAMP
Jaume Mussons

Para este ejemplo, vamos a utilizar la distribución PERT. Esta distribución se utiliza para el
modelado de datos de expertos cuando, como en este caso, tenemos estimaciones para el
rango de valores posibles. Se necesita un mínimo, máximo y valor más probable, y devuelve
una muestra de esa distribución. La distribución crea una curva suave.

Tarea optimista Esperado pesimista Muestra (PERT)

Tarea 1 10 Días 20 Días 30 Días 24 Días

Tarea 2 10 Días 20 Días 30 Días 16 Días

Tarea 3 5 Días 10 Días 20 Días 13 Días

Total 25 Días 50 Días 80 días 53 Días

En este caso, con valores aleatorios seleccionados para cada tarea, se puede ver que la
primera tarea se necesita un poco más de lo esperado. La última tarea requiere más tiempo
también. La segunda tarea se ha completado antes de lo previsto.

En general, este es el tipo de cosa que esperaríamos ver en el mundo real; no el mejor de
los casos, no es el peor de los casos, pero en algún punto intermedio. Un solo caso al azar
no es útil, sin embargo, debido a que representa sólo una de las posibilidades
esencialmente ilimitadas. Aquí es donde podemos utilizar la simulación de Monte Carlo
para medir comprender el riesgo.

El análisis Monte Carlo

En un análisis de Monte Carlo, corremos el mismo modelo - la selección de un valor

aleatorio para cada tarea - pero lo hacemos cientos o miles de veces. Cada vez que se
ejecuta, que registra los valores. Cuando la simulación es completa, podemos mirar las
estadísticas de la simulación "para entender el riesgo en el modelo.

Vamos a empezar con las estadísticas básicas: el mínimo, máximo y promedio.

 RiskAMP
Jaume Mussons

Muestra
Tarea Optimista Esperado pesimista (PERT) Mínimo Promedio Máxima

Tarea 10 Días 20 Días 30 Días ... 11 Días 20 Días 29 Días

1

Tarea 10 Días 20 Días 30 Días ... 10 Días 20 Días 29 Días

2

Tarea 5 Días 10 Días 20 Días ... 5 Días 11 Días 19 Días

3

Total 25 Días 50 Días 80 días ... 32 Días 51 Días 70 Días

Tres notas sobre esta tabla antes de continuar:

1. Estos datos provienen de un análisis de Monte Carlo de 1000 ensayos.

2. La última fila contiene estadísticas calculadas del total - no se trata de sumas de las
columnas por encima de ellos. Si esto no está claro, por favor vea la nota 2 .

3. Las estadísticas se han redondeado al día más cercano. El promedio real para el
total, por ejemplo, era 50,83.

Lo primero que podemos tomar distancia de estos datos es que el tiempo medio de
finalización está cerca de nuestra estimación central. Eso es lo que cabría esperar; que es el
caso más probable para cada tarea. A continuación, podemos ver que los mejores y los
peores casos de la simulación - el mínimo y máximo del total - no son tan extremos como
los absolutos mejores y peores casos, si sólo resumimos las estimaciones.

Es de esperar también, porque las tareas son independientes. Incluso si una tarea se toma
el tiempo peor de los casos, no es necesariamente probable que otra tarea se reunirá la
estimación más pesimista. El modelo de Monte Carlo ayuda a capturar esta variabilidad
independiente, y nos permite endurecer las estimaciones un poco. Ahora podemos decir
que el peor de los casos es de 70 días, en lugar de 80.

A continuación, podemos ver el rango de los datos generados durante la simulación de

Monte Carlo para comprender más acerca de las proyecciones.
 RiskAMP
Jaume Mussons

Análisis de Probabilidad

En este gráfico, el tiempo, en días (en la parte inferior), en contra de la probabilidad (a la

izquierda) es dentro de ese tiempo. Muestra sólo hay un 5% de probabilidad de que el
proyecto se completará dentro de 40 días; pero hay una posibilidad de 94% del proyecto se
completará dentro de 60 días.

¿Qué significa eso? Cuando nos encontramos con la simulación de Monte Carlo, utilizamos
valores aleatorios para cada tarea (sobre la base de las estimaciones), y encontramos que el
tiempo total para el proyecto. Hicimos que los 1.000 veces, y cada vez que fuimos
seleccionados diferentes valores aleatorios, lo que resulta en un nuevo total al azar.

Cuando la simulación fue completa, nos fijamos en cada prueba y contamos el número de
veces que el total fue de 40 días o menos. Nos encontramos con que en sólo el 5% de los
ensayos (50 de 1000) el tiempo total del proyecto fue de 40 días o menos. Por tanto,
podemos decir que, durante la simulación, hubo un 5% de probabilidad de que el proyecto
se completó dentro de 40 días.

Del mismo modo, durante la simulación había una posibilidad de 94% de que el proyecto
se completó en 60 días.

También podemos invertir la pregunta, y preguntar qué era el tiempo de terminación -

basada en la probabilidad de la simulación - en los distintos niveles de probabilidad. Si
queremos estar 80% seguro de que el proyecto se completará, por ejemplo, necesitamos
presupuesto de 57 días para el proyecto; porque en el 80% de los casos, el proyecto llevó al
menos 57 días para completarse.
 RiskAMP
Jaume Mussons

El gráfico anterior se ve en la terminación en o antes de una fecha determinada; con el fin

de evitar la infrautilización de recursos, también podríamos considerar la fecha de
finalización efectiva . No vamos a tratar de que en esta discusión, pero la gráfica se parece a
esto:

Puntos clave

Sobre la base de este análisis, podemos encontrar un par de puntos clave de la modelo y el
análisis:

• Rango estimado es 32-70 días

A pesar de que nuestras estimaciones mejores y peores casos dan como resultado
los totales de 25 a 80 días, a partir de la simulación podemos proyectar que el
rango en realidad será más estrecha.

• Probabilidad de finalización dentro de los 50 días es del 50%

Nuestra estimación inicial era de 50 días. La probabilidad de golpear este objetivo,

basado en el modelo, es sólo el 50%. Esto puede parecer obvio, pero en realidad es
sólo porque se trata de un modelo muy simple. Cuando usted tiene un modelo más
complejo con dependencias entre tareas y subproyectos, la probabilidad de que el
valor "más probable" a menudo puede ser muy diferente.

• Para el 75% de confianza, Presupuesto 55 días; el 85% de confianza, Presupuesto 58

días
 RiskAMP
Jaume Mussons

Podemos decir que en el 75% de las pruebas de simulación, el proyecto fue

completado dentro de 55 días. Podemos presupuesto para diferentes niveles de
confianza mirando a la probabilidad de la simulación.

Advertencias y Conclusión

El análisis anterior, y los datos obtenidos de la simulación, se basa enteramente en las

estimaciones del proyecto que hemos creado en el primer paso. La validez y la utilidad del
análisis, por lo tanto, es sólo tan buena como nuestra capacidad de estimar.

Si las estimaciones son demasiado amplias o demasiado estrechas, o incluso si el punto

"más probable" es en el lugar equivocado entre los valores, el análisis puede provocar un
error en el riesgo global.

También es importante no crear cálculos que son demasiado amplios, y asuma que usted
puede utilizar el análisis para reducir las probabilidades.

Las estimaciones son la parte más importante del modelo. Hasta ahí, en la planificación del
proyecto, es una combinación de arte y habilidad. Análisis de Monte Carlo es sólo una
herramienta que complementa esta. Si usted puede generar estimaciones de proyectos
viables, sin embargo, el análisis de Monte Carlo puede ser muy valioso para ayudar a
identificar y entender los riesgos en sus modelos de planificación de proyectos.

Descarga Hojas de cálculo de ejemplo

Los archivos de ejemplo utilizan el RiskAMP Monte Carlo complemento; si usted no tiene el
complemento ya, usted puede descargar una versión de prueba gratuita de nuestra página
de descarga .
Descargue el ejemplo utilizado en este artículo
 RiskAMP
Jaume Mussons

Este archivo contiene el modelo descrito en la nota anterior. Puede volver a ejecutar la
simulación de Monte Carlo, así como modificar varios valores para ver cómo afectan el
análisis.

Descarga un modelo más complejo

El primer ejemplo es relativamente simple, para los propósitos de describir cómo funciona
el análisis subyacente. Este segundo ejemplo contiene un modelo más complejo, pero
utiliza un análisis idéntico.

Notas

1. Nosotros decimos que el tiempo es más complejo que costará porque las tareas
pueden tener dependencias, lo que significa el comienzo de una tarea que podría
retrasarse si otra tarea se ejecuta a través del tiempo. Si bien el costo del proyecto
tiene sus propias complejidades, que representan el factor tiempo hace que las
proyecciones de tiempo de modelado matemáticamente más difícil.

En este modelo, porque usamos una estructura de proyecto relativamente simple, el

análisis del tiempo y el costo es más o menos equivalente. De hecho, usted puede
reemplazar los "días" en el cálculo con "dólares" y generar el mismo análisis.

2. En las cuatro primeras columnas de la tabla, la última fila es una suma de los valores
por encima de ella. Esto incluye la columna "PERT", donde generamos valores
aleatorios para cada tarea. La última fila de la columna de la PERT es una suma de
los tiempos de trabajo.

En las tres columnas de la derecha, las estadísticas de simulación, encontramos el

mínimo, máximo y los resultados promedio para cada tarea. En la fila inferior de la
derecha, sin embargo, no estamos añadiendo las filas más arriba.Más bien, estamos
 RiskAMP
Jaume Mussons

encontrando las mismas estadísticas - mínimo, máximo y promedio - por el valor

total, que era la suma de la columna de la PERT.

Hacemos esto porque lo que nos interesa es la probabilidad

combinatoria. Queremos saber lo que es el valor mínimo (por ejemplo), cuando se
selecciona independientemente aleatoriamente cada tarea. Como señalamos antes,
a veces una tarea será larga y otra será corto. En otros casos, dos tareas pasarán de
largo. Durante la simulación que tirar los dados, por así decirlo, y luego contar los
resultados. (Se llama Monte Carlo de simulación después el casino en Mónaco ).

Es por eso que es importante que estamos tomando las estadísticas del total, más
que la suma de las estadísticas de cada columna. Queremos saber lo que es el valor
mínimo cuando las cosas suceden al azar, como lo hacen en el mundo real.
 RiskAMP
Jaume Mussons

La distribución beta-PERT
Visión general de la distribución beta-PERT para el modelado de datos de expertos

La distribución beta-PERT (de aquí en adelante, me referiré a ella como sólo la distribución
PERT) es una herramienta útil para el modelado de datos de expertos. Cuando se utiliza en
una simulación de Monte Carlo, la distribución PERT se puede utilizar para identificar los
riesgos en proyectos y modelos de costos basados en la probabilidad de cumplimiento de
los objetivos y metas a través de cualquier número de componentes del proyecto.

Al igual que con cualquier distribución de probabilidad, la utilidad de la distribución PERT

está limitada por la calidad de los insumos: los mejores serán sus estimaciones de los
expertos, los mejores resultados se pueden obtener de una simulación.

En este artículo se describe la distribución PERT, cómo usarlo, y su uso dentro de una
simulación de Monte Carlo. Una discusión adicional al final se describe la base matemática
para la distribución.

Asistente de datos Modelado

En proyecto o planificación de costes, que a menudo recibe estimaciones del tiempo

esperado, el costo, u otras variables. Para construir los modelos de probabilidad (como
simulaciones de Montecarlo), tendrá un rango de estimaciones - a un valor "más probable",
así el valor mínimo y máximo, y si es posible,. Estas estimaciones se utilizan para construir
una distribución de probabilidad y, a continuación, una simulación de Monte Carlo se
puede ejecutar sobre la base de muestras de dicha distribución. (Para una visión más
general de Monte Carlo y simulaciones de probabilidad, consulte las notas del producto
disponible en nuestra página de la biblioteca).

Cuando usted tiene un rango de estimaciones disponibles, hay varias maneras diferentes
que usted puede modelar la distribución de generar valores de muestra. Los tres se
discuten a continuación son la distribución uniforme, la distribución triangular, y la
distribución PERT.

La distribución uniforme

La distribución uniforme es el más simple distribución posible para el muestreo de un

rango de estimaciones. En este modelo, cada valor - desde el mínimo hasta el máximo - es
igualmente probable.
 RiskAMP
Jaume Mussons

El uso de la distribución uniforme es útil en situaciones en las que tiene un máximo

estimación disponible mínimo y, pero ninguna otra información. Es fácil ver que la mayoría
de las situaciones del mundo real no se encuentran en este modelo, y en muchos casos es
posible obtener una estimación adicional de la espera, o más probable, el valor. Si usted
puede conseguir una estimación más probable, además del mínimo y el máximo, puede
utilizar la información para crear un modelo de probabilidad más realista.

La Distribución Triangular

Si usted tiene una estimación "más probable", además de la estimación mínima y máxima,
se puede utilizar esta información para construir una distribución de probabilidad que
favorece el valor más probable. La distribución más simple teniendo esto en cuenta es la
distribución triangular - en pocas palabras, la distribución se asemeja a un triángulo con el
valor más probable (referido como el modo) en el punto del triángulo.

Ejemplos de la distribución triangular: simétrica y asimétrica. La distribución triangular

enfatiza el resultado más probable.

A diferencia de una distribución uniforme, la distribución triangular enfatiza el valor más

probable, que debería proporcionar teóricamente una mejor estimación de las
probabilidades de llegar a los demás valores. No hay ningún requisito de que la
distribución sea simétrica alrededor de la media; en función de las estimaciones que tiene
para mínimo, máximo, y lo más probable es que la forma del triángulo puede ser sesgada a
la derecha (valores máximos) izquierda (mínimo) o. De esta manera, la distribución
triangular puede modelar una variedad de circunstancias diferentes.

Sin embargo, mediante el uso de una forma triangular estricto en cuanto a la modalidad, la
distribución triangular puede poner demasiado énfasis en el valor más probable, a expensas
de los valores a cada lado. La distribución triangular es útil, ya que es fácil de calcular y
generar, pero está limitada en su capacidad para modelar estimaciones del mundo real.
 RiskAMP
Jaume Mussons

La distribución PERT

La distribución PERT también utiliza el valor más probable, pero está diseñado para generar
una distribución que se asemeja más a distribución de probabilidad realista. Dependiendo
de los valores proporcionados, la distribución PERT puede proporcionar un ajuste estrecho
con las distribuciones logarítmicas normales o normales.

Al igual que la distribución triangular, la distribución PERT destaca el valor "más probable"
sobre la estimaciones mínimas y máximas. Sin embargo, a diferencia de la distribución
triangular la distribución PERT construye una curva suave que coloca progresivamente más
énfasis en los valores alrededor de (cerca de) el valor más probable, en favor de los valores
alrededor de los bordes. En la práctica, esto significa que la "confianza" que la estimación
para el valor más probable, y creemos que aunque no es exactamente precisa (como
estimaciones rara vez lo son), tenemos la expectativa de que el valor resultante será similar
a la estimación .

Los ejemplos de la distribución PERT: compara las curvas suaves con la distribución
triangular, arriba. Valores cercanos a la cima son más probables que los valores cercanos a
los bordes.

Suponiendo que muchos fenómenos del mundo real tienen una distribución normal, el
atractivo de la distribución PERT es que produce una curva similar a la curva normal en
forma, sin saber los parámetros precisos de la curva normal relacionada.

Uso de la distribución PERT en Excel con la RiskAMP Add-in

El simple caso de la distribución PERT toma un mínimo, máximo y valor más probable. La
función RiskAMP PERTValueutiliza estos insumos para generar una muestra aleatoria de la
distribución:

= PERTValue (mínimo, mostlikely, máximo)

 RiskAMP
Jaume Mussons

La escala, o λ (lambda) de parámetros, también se pueden usar para modificar la

distribución:

= PERTValue (mínimo, mostlikely, Máximo, Lambda)

Pero el uso del parámetro de escala es opcional. Si se omite, el valor de escala

predeterminado es 4, que produce una curva que se aproxima razonablemente la
distribución normal.

Las hojas de cálculo de ejemplo que se instalan con el RiskAMP Add-in incluyen un modelo
de proyecto / tarea utilizando la distribución PERT. Este modelo muestra cómo utilizar la
función PERTValue y cómo mostrar y tabla de probabilidades basado en una distribución
PERT.

El modelo matemático

La distribución PERT es un caso especial de la distribución beta que utiliza tres parámetros:
mínimo, máximo, y lo más probable (modo). A diferencia de la distribución triangular, la
distribución PERT utiliza estos parámetros para crear una curva suave que se ajusta bien a
las distribuciones normales o lognormal.

La distribución beta se caracteriza por la función de densidad

f( x ) = ⎧⎩⎨xv - 1( 1 - x )w - 1B ( v , w )00 ≤ x ≤ 1de lo contrario

y la función de distribución
F( x ) = { Bx( v , w )B ( v , w )00 ≤ x ≤ 1de lo contrario

El muestreo de la distribución beta requiere valores máximos (escala) y dos parámetros de

forma mínima y, v y w.

La distribución PERT utiliza el modo o parámetro más probable para generar los
parámetros de forma v y w. Un parámetro de escala λ adicional ajusta el alto de la
distribución; el valor predeterminado para este parámetro es de 4.

En la distribución PERT, la media se calcula µ

µ = xm i n+ xsoy una x+ λ xm o de( λ + 2 )

y se utiliza para calcular los parámetros de forma de V y W

v = ( µ - xm i n) ( 2 xm o de- xm i n- xsoy una x)( xm o de- µ ) ( xsoy una x- xm i n)

w = v ( xsoy una x- µ )( µ - xm i n)
 RiskAMP
Jaume Mussons

que se utilizan, con los parámetros máximos de escala mínima y, para probar la distribución
beta.

Para obtener más información y un análisis más detallado, ver (por ejemplo) Análisis de
riesgos - Una guía cuantitativa, por David Vose (John Wiley & Sons, 2000). [ Amazon ]
 RiskAMP
Jaume Mussons