Herramientas básicas

Lo primero: abrir el modelo

GRÁFICO DE TORNADO

Gráfico Tornado El Gráfico de Tornado muestra el impacto individual de cada variable supuesta sobre la variable estimada. Esta herramienta desplega los resultados de dos maneras: El Gráfico de Tornado. El Gráfico de Araña. Este método difiere del método de correlación, en que testea cada variable de entrada de forma independiente. Mientras se analiza una variable, esta herramienta congela las otras variables en sus valores bases. Esto permite medir el efecto de cada variable sobre la variable estimada, sin tomar en cuenta las demás.

Gráfico Tornado Este gráfico es útil para: Medir la sensibilidad de las variables que se han definido en el modelo. Testea el rango de cada variable como percentiles y luego calcula el valor de la estimación en cada punto. El gráfico de tornado ilustra el balance entre el máximo y el mínimo valor estimado para cada variable, colocando la variable que origina el mayor rango de variación en la parte superior y las variables que originan la menor variación, las coloca en la parte inferior del gráfico. Las variables superiores>Mayor efecto Las variables inferiores>Menor efecto

Gráfico Tornado

Gráfico Tornado Las barras de cada variable representan el valor estimado sobre la variable testeada. Junto a estas barras están los valores que producen cambio en la variable estimada. Los colores de las barras indican la dirección o el efecto de la variable supuesta sobre la variable estimada. Para las variables que tiene efecto positivo, el color de la barra es azul y esta situada a la derecha del caso base. Para las variables que tienen efecto negativo , el color de la barra es rojo y esta situada a la izquierda del caso base. Si la relación es inversa, las barras también se invierten.

SPIDER CHART

Gráfico de Araña El Gráfico de Araña dibuja entre el mínimo y el máximo valor estimado una curva a través de todas las variables testeadas. Curvas con inclinaciones empinadas, positivas o negativas, indica que esa variable tiene un fuerte efecto sobre la variable estimada. Curvas con forma casi horizontal o de poca inclinación, tienen un efecto nulo o mínimo sobre la variable estimada.

Gráfico de Araña

BATCH FIT

Batch Fit El ajuste de datos ajusta distribuciones de probabilidad para una serie de datos múltiples. Se puede seleccionar alguna o todas las distribuciones de probabilidad (triangular, uniforme, etc.) para ajustarlas a un número de series limitado solamente por el tamaño de la hoja de trabajo. Esta herramienta ayuda a crear supuestos cuando se dispone de datos históricos para algunas variables. Selecciona cual distribución se ajusta mejor a los datos históricos y proporciona la distribución con sus respectivos parámetros. También proporciona una tabla de “bondad de ajuste” estadística para cada distribución para poder comparar el ajuste de la mejor distribución con el ajuste de las otras distribuciones. Además proporciona una matriz de correlaciones calculada entre los datos, para poder ver con facilidad cuales son los datos relacionados y en que grado.

Batch Fit

Batch Fit El ajuste de datos ajusta distribuciones de probabilidad para una serie de datos múltiples. Se puede seleccionar alguna o todas las distribuciones de probabilidad (triangular, uniforme, etc.) para ajustarlas a un número de series limitado solamente por el tamaño de la hoja de trabajo. Esta herramienta ayuda a crear supuestos cuando se dispone de datos históricos para algunas variables. Selecciona cual distribución se ajusta mejor a los datos históricos y proporciona la distribución con sus respectivos parámetros. También proporciona una tabla de “bondad de ajuste” estadística para cada distribución para poder comparar el ajuste de la mejor distribución con el ajuste de las otras distribuciones. Además proporciona una matriz de correlaciones calculada entre los datos, para poder ver con facilidad cuales son los datos relacionados y en que grado.

Bondad de Ajuste Prueba Chi Cuadrado: Valor prueba>0,50 Test aplicable a variables continuas y discretas cuando existe gran cantidad de datos. Compara las funciones de densidad de probabilidad. El contraste de homogeneidad entre dos variables se basa en la comparación de las frecuencias obtenidas con las frecuencias esperadas. La prueba Chi-Cuadrado es una prueba no paramétrica que se emplea para medir la asociación entre dos variables cuando tenemos tablas de contingencia. También es empleada, de manera general, para evaluar la divergencia entre una puntuaciones observadas (empíricas) y unas puntuaciones predichas (teóricas).

Bondad de Ajuste Prueba Kolmogorov-Smirnov: Valor prueba<0,03 Test aplicable solo a variables continuas. Analiza la zona central del histograma de distribución de probabilidades producidos por los datos y contrasta la diferencia entre dichos datos y los valores exactos de la distribución de probabilidad en estudio. Compara la gráfica de la distribución empíricas acumulada con la correspondiente gráfica de la función de densidad acumulada de la distribución teórica propuesta. Si hay un acercamiento entre las gráficas existe una probabilidad de que la distribución teórica se ajusta a los datos. La prueba de significación permite contrastar la hipótesis de que las muestras obtenidas proceden de poblaciones normales. El resultado de este test es la distancia vertical más larga entre dos distribuciones acumuladas.

Bondad de Ajuste Prueba Anderson-Darling: Valor prueba<1,50 Este método tiene similares características que la prueba anterior, con la que diferencia que destaca la diferencia entre los extremos de la distribución adaptada y los datos de entrada. Analiza el área de las colas de la distribución, con el fin de determinar si el histograma producido por los datos asumidos se aleja o se acerca de la distribución exacta. Recomendado para distribuciones con colas pronunciadas.

MATRIZ DE CORRELACIÓN

Matriz de correlación Cuando los valores de dos variables dependen uno del otra, se deberá correlacionar estas variables para incrementar la precisión de los resultados. La covarianza de ambas no es nula: mientras mayor es la covarianza, mayor resultará la correlación entre las variables y menor su independencia. Cuando existe alta correlación, puede influir notablemente en los resultados de la simulación, causando importantes variaciones en la estimación de riesgos. Si la correlación entre dos variables no es tomada en cuenta en la simulación, se obtendrán resultados que no son confiables.

Matriz de correlación Cuando los valores de dos variables dependen uno del otra, se deberá correlacionar estas variables para incrementar la precisión de los resultados. Existen 2 tipos de correlación: Correlación positiva: Indica que dos variables se incrementan o decrementan juntas. Por ejemplo, el precio de la gasolina y los costos de transporte se incrementan y decrecen juntos. Correlación negativa: Indica que un incremento en una de las variables hace que la otra disminuya o viceversa. Por ejemplo, la compra en cantidad de un producto hace que disminuyan los costos unitarios. El rango de correlación es desde –1 hasta 1.

Matriz de correlación En Crystal Ball es posible introducir los coeficientes de correlación usando el menú Correlation. Se puede introducir estos valores mediante la Matriz de Correlación. La Matriz de Correlación es una matriz cuya diagonal principal esta conformada por 1.

Porque correlacionar Suponga el siguiente modelo a simular:

Porque correlacionar Grafiquemos el Diagrama de Dispersión:

Porque correlacionar Es real para el negocio?

Porque correlacionar Este es el caso más frecuente: Ingresos y Costos están correlacionados.

Porque correlacionar No correlacionar estas variables, sobreestima el riesgo en más de un 50%!!!!!! With Correlations No Correlations