Download - Teoria de La Decision
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 1/70
Simulación
Universidad del CEMA, LDE 700
Teoría de la Decisión
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 2/70
Evaluación y análisis deriesgos
La evaluación de riesgos es la cuantificación de laprobabilidad de ocurrencia y del impactopotencial de diferentes fuentes de riesgo.
El análisis de riesgos es el proceso de:
identificación de fuentes de riesgo,
evaluación cuantitativa y cualitativa del riesgo, administración del riesgo,
comunicación a las partes interesadas de la
evaluación hecha y las decisiones tomadas.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 3/70
Riesgo e incertidumbre
Dos factores explican nuestra incapacidad parapredecir en forma precisa un evento futuro:
Riesgo: es un efecto aleatorio propio del sistema
bajo análisis. Se puede reducir alterando el sistema. Incertidumbre: es el nivel de ignorancia del
evaluador acerca de los parámetros quecaracterizan el sistema a modelar. Se puede reducir
a veces con mediciones adicionales o mayorestudio, o consulta a expertos.
La variabilidad total es la combinación de riesgo eincertidumbre.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 4/70
Riesgo e incertidumbre (cont.)
Tanto el riesgo como la incertidumbre sedescriben mediante distribuciones deprobabilidad.
Por lo tanto, una distribucion de probabilidadpuede reflejar en parte el carácter estocástico delsistema analizado y en parte la incertidumbre
acerca del comportamiento de la variable. Los resultados que se obtengan de un modelo
de este tipo reflejarán la variabilidad total: elefecto conjunto de riesgo e incertidumbre.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 5/70
Riesgo e incertidumbre (cont.)
Separar el riesgo de la incertidumbre permiteentender qué pasos podrían tomarse que seanmás efectivos para reducir la variabilidad total.
Si una proporción importante de la variabilidadtotal se debe a incertidumbre, entonces nuestraestimación acerca del futuro podría mejorarserecopilando mejor información.
Si una proporción importante de la variabilidadtotal se debiera a riesgo, la única manera dereducir la variabilidad total es modificando elsistema analizado.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 6/70
Probabilidad:frecuentista y subjetiva
Para eventos repetibles y medibles, laprobabilidad representa la frecuencia relativade ocurrencia de un evento.
Para eventos no repetibles o mensurables, laprobabilidad es la expresión del grado decreencia que tiene un individuo acerca de laocurrencia de un evento incierto.
Desde este punto de vista, las probabilidadesson subjetivas por naturaleza y es posible quedos personas asignen diferente probabilidad deocurrencia a un mismo evento.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 7/70
Administración del riesgo
Aumentar el compromiso
Buscar más información
Tomar precauciones adicionales
Agregar un margen de contingencia
Compartir el riesgo
Transferir el riesgo
Cancelar el proyecto
Formular planes de contingencia
No hacer nada
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 8/70
Presentación de modelos
Un modelo es una herramienta de análisis y decomunicación. Como tal, debe ser entendido no sólopor quien lo diseñó sino también por terceros.
Presentar claramente la estructura lógica y lossupuestos empleados.
Incluir solamente las estadísticas indispensables.
Usar gráficos para transmitir conceptos.
Los resultados obtenidos deben responder a losinterrogantes planteados.
No incluir en el informe más información que la
necesaria. Derivar los datos de apoyo a los anexos.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 9/70
Simulación
1. Diseñar el modelo lógico de decisión.
2. Especificar distribuciones de probabilidad para lasvariables aleatorias relevantes.
3. Incluir posibles dependencias entre variables.
4. Muestrear valores de las variables aleatorias.
5. Calcular el resultado del modelo según los valoresdel muestreo (iteración) y registrar el resultado.
6.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 10/70
Simulación (cont.)
6. Repetir el proceso hasta tener una muestraestadísticamente representativa.
7. Obtener la distribución de frecuencias delresultado de las iteraciones.
8. Calcular media, desvío y curva de percentilesacumulados.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 11/70
Ley de los Grandes Números(desigualdad de Tschebycheff)
Cuanto mayor sea el tamaño de la muestra,
mayor será el ajuste entre la distribuciónmuestral y la distribución teórica sobre la quese basa la muestra.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 12/70
Teorema Central del Límite(TCL)
La media muestral de un conjunto de n variablesmuestreadas en forma independiente a partir deuna misma distribución f(x) se ajusta a una
distribución aprox. Normal con los siguientesparámetros:
x = Normal ( mu, sigma / n1/2 )
En otras palabras, la distribución del promedio de
un conjunto de variables aleatorias depende tantode la cantidad de variables aleatorias promediadascomo de la incertidumbre aportada por cadavariable.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 13/70
Teorema Central del Límite(cont.)
La suma de n variables aleatorias independientesda como resultado una distribuciónaproximadamente Normal, sin importar la forma de
la distribución de las variables sumadas (siempre ycuando no haya una variable cuya contribución ala variabilidad total sea dominante).
El producto de n variables aleatorias
independientes da como resultado una distribuciónaproximadamente Lognormal,independientemente de la forma de la distribuciónde las variables intervinientes.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 14/70
Generación de valoresmuestrales
Las computadoras son capaces de generarnúmeros aleatorios entre 0 y 1.
Los algoritmos para generar númerosaleatorios comienzan con cualquier valor entre0 y 1. Todos los números aleatorios que se
generen a continuación dependerán de estevalor inicial (semilla ).
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 15/70
Generación de valoresmuestrales
La función de Distribución Acumulada F(x) deuna variable aleatoria indica la probabilidad p que la variable X tome un valor menor o igual
que x .F(x) = p (X ≤ x)
A toda Función de Probabilidad Acumulada F(x)
le corresponde una Función InversaG (F(x)) = x
La Función Inversa indica los valores de x
asociados a distintos valores de F(x).
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 16/70
Generación de valoresmuestrales (cont.)
Para generar un valor muestral a partir deuna distribución de probabilidad:
1. Se genera un número aleatorio entre 0 y 1 apartir de una distribución Uniforme
2. El valor obtenido se usa para alimentar la
ecuación correspondiente a la FunciónInversa de la distribución de probabilidadmuestreada, de modo de generar un valor x
para la variable aleatoria.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 17/70
Métodos de Muestreo:Monte Carlo
El muestreo Monte Carlo es totalmentealeatorio.
Si el número de iteraciones no es losuficientemente alto, es posible que sesobremuestreen algunos segmentos de la
distribución que se quiere replicar y sesubmuestreen otros segmentos.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 18/70
Métodos de muestreo:Hipercubo Latino
Es un método de muestreo estratificado sinreemplazo (muestreo con memoria):
1. Se segmenta la distribución de probabilidad
acumulada F(x) en n intervalos (donde n es elnúmero de iteraciones a realizar)
2. Se genera un número aleatorio quecorresponderá a un determinado segmento de
F(x).3. Se genera un segundo número aleatorio para
determinar el punto preciso del muestreo dentro
de ese intervalo F(x).
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 19/70
Métodos de muestreo:Hipercubo Latino (cont.)
4. Se calcula el valor de x correspondiente a laFunción Inversa G (F(x)).
5. Se repite el proceso en la segunda iteración,pero descartando el segmento yamuestreado.
6. Se repite el proceso hasta completar el númerode iteraciones de la muestra.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 20/70
Intervalo de confianza parael resultado esperado
Para un tamaño de muestra n > 30 el intervalodel resultado esperado es:
IC 100*(1-alfa) = x +/- t (alfa/2,n-1)* s / (n)1/2
t(alfa,n) es el valor de x tal que P(t>x)=alfa
x - t * s / (n)1/2 < x < x + t * s / (n)1/2
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 21/70
Tamaño de muestranecesario para lograr estimacionesdentro de tolerancia
Si la estimación del valor esperado debe teneruna precisión representada por una tolerancia
de desvío D en valor absoluto un porcentaje100*(1-alfa) de las veces, entonces el tamañode la muestra n necesario es:
n = (zalfa/2)2 * (sigma)2 / (D) 2
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 22/70
Distribuciones deprobabilidad
Fuentes de información para cuantificar laincertidumbre en variables aleatorias:
Series de datos
Opinión de expertos
Cuando se procura caracterizar una variablealeatoria a partir de los datos disponibles separte del supuesto que los datos observadosson una muestra aleatoria de una distribuciónde probabilidad que trataremos de identificar.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 23/70
Distribuciones deprobabilidad (cont.)
Discretas
Una variable aleatoria representada mediante una
distribución discreta de probabilidad puede tomarun valor de entre un conjunto de valores, cada unode los cuales tiene asignada una determinadaprobabilidad de ocurrencia.
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
1 2 3 4 5
p
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 24/70
Distribuciones deprobabilidad (cont.)
Continuas
Una variable aleatoria representada mediante una
distribución continua de probabilidad puede tomarcualquier valor dentro de un rango determinado.
0.00
0.05
0.10
0.15
0.20
0 20 40 60 80 100
p
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 25/70
Distribuciones deprobabilidad (cont.)
No Limitadas
La variable aleatoria puede tomar valores entre+infinito y -infinito.
Limitadas
Los valores de la variable aleatoria quedanconfinados entre dos valores extremos.
Parcialmente limitadas
Los valores de la variable aleatoria quedanlimitados en uno de los extremos de la distribución.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 26/70
Distribuciones deprobabilidad (cont.)
La distribución de probabilidad se ajusta a ladescripción matemática de un procesoaleatorio que cumple con determinadossupuestos teóricos.
Los parámetros que definen la distribución en
general no guardan relación intuitiva con laforma de la distribución.
Ejemplos: Normal, Lognormal, Exponencial.
Paramétricas
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 27/70
Distribuciones deprobabilidad (cont.)
Son de aplicación cuando:
1. la teoría sobre la que se fundamenta una
determinada distribución es aplicable alproblema.
2. se acepta que esa distribución da un buenajuste de la variable aleatoria aunque no haya
una teoría para explicarlo. 3. la distribución se ajusta aproximadamente a
la opinión del experto y no se requiere muchaprecisión.
Paramétricas (cont.)
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 28/70
Distribuciones deprobabilidad (cont.)
Los parámetros que se usan para definir estasdistribuciones describen la forma de la
distribución.
No se apoyan en una teoría que describa elproceso de generación de valores aleatorios.
Ejemplos: Triangular, Histograma, General,Uniforme, Acumulada
No Paramétricas
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 29/70
Distribuciones deprobabilidad (cont.)
Estas distribuciones en general son másútiles cuando se busca recabar la opinión
subjetiva de expertos, con las siguientesexcepciones:
el experto puede estar muy familiarizado
con los parámetros que definen unadistribución paramétrica
a veces los parámetros de una distribuciónparamétrica son intuitivos (p.ej. Binomial)
No Paramétricas (cont.)
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 30/70
Distribuciones deprobabilidad (cont.)
El uso de estas distribuciones de probabilidades la única alternativa para describir una
variable aleatoria cuando:1. No hay una base de antecedentes.
2. Los datos del pasado no son relevantes.
3. Los datos son escasos y no cubren todo elrango de posibles valores.
4. Es demasiado caro generar datos.
5. Generar valores llevaría demasiado tiempo.
Subjetivas
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 31/70
Distribuciones deprobabilidad (cont.)
En las estimaciones subjetivas hay dosfuentes de incertidumbre:
Variabilidad asociada a la variablealeatoria en sí.
Incertidumbre asociada a la falta de
conocimiento sobre el comportamiento dela variable.
La distribución subjetiva especificada agrega
ambas fuentes de incertidumbre
Subjetivas (cont.)
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 32/70
Distribuciones a partir deopinión de expertos
Una técnica básica para obtener distribucionessubjetivas consiste en desagregar elproblema en las variables que lo componen:
pone en evidencia la estructura lógica delproblema de decisión
las variables del problema son algo mástangible de estimar que el resultado.
la desagregación facilita el reconocimiento dedependencias entre componentes delproblema.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 33/70
Distribuciones a partir deopinión de expertos (cont.)
Desagregación (cont.) el análisis de riesgo es menos dependiente de
las estimaciones hechas para cada
componente la estimación de la distribución del resultado
del modelo a partir de la agregación de los
componentes será más precisa que lo quepodría haber sido de tratar de estimarladirectamente
la agregación tendrá en cuenta los efectos del
TCL en forma automática.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 34/70
Uniforme
Todos los valores dentro del rango factible tienenla misma densidad de probabilidad.
Parámetros : Uniform (min,max) Aplicaciones: U(0,1) se usa en la generación de
los valores de todas las demás distribuciones de
probabilidad en el muestreo aleatorio. Es una aproximación muy cruda para usar como
estimación de la incertidumbre percibida de unparámetro.
0
0.1
0.2
0.3
30 40 50 60 70 80 90
p
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 35/70
Triangular
Aplicaciones: estimar subjetivamente la
distribución de la variable aleatoria cuandotodo lo que puede precisarse de la misma esel valor mínimo, el valor más probable y el
valor máximo. Parámetros: Triang (min, +probable, max )
0
0.1
0.2
0.3
0.4
0.5
0.6
20 30 40 50 60 70 80
p
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 36/70
Triangular (cont.)
Sus propiedades estadísticas se derivan desu forma, no de una teoría subyacente.
Es de definición intuitiva y de gran flexibilidaden cuanto a geometrías posibles.
La forma de la distribución usualmente lleva
a sobreestimar la densidad de las colas y asubestimar la densidad en el “tronco” de ladistribución.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 37/70
Triangular (cont.)
Se pueden definir el valor mínimo y el valormáximo como umbrales de ocurrenciapráctica. En vez de tomarlos como valores
absolutos, se los toma como percentiles,dejando “abiertas las colas” (triangulargeneral).
0
0.1
0.2
0.3
0.4
10 30 50 70 90
p
Parámetros:TriGen (min, +probable,max, prob Min<min, prob
Max>max)
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 38/70
Histograma
Aplicaciones: representar la forma de ladistribución de una serie de datos o la opinión
de un experto acerca de la forma de ladistribución de una variable.
Parámetros: Histogram (min, max, {p i })
Todos los intervalos de la distribución tienen elmismo “ancho”.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 39/70
General
Aplicaciones: reflejar la opinión de expertos.Es la más flexible de las distribucionescontinuas. Es un histograma “estilizado”.
Parámetros: General (min, max, {x i } , {p i })
Es posible, aunque no es recomendable,especificar intervalos de distinto “ancho”.
0.0
0.1
0.2
0.3
0.4
45 50 60 70 80 85
p
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 40/70
Acumulada
Aplicaciones: recabar opinión de expertos. Parámetros: Cumulative (min,max,{x i },{P i })
Puede ser de utilidad cuando se procura
estimar una variable cuyo rango cubre variosórdenes de magnitud.
Desventajas: insensibilidad de la escala deprobabilidades. Es más facil representar lavariabilidad que se quiere reflejar cuando setrabaja con distribuciones de frecuenciarelativa.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 41/70
BetaPert
Es una versión de la distribución Beta queusa los mismos supuestos acerca de la
media de una variable aleatoria que las redes
PERT.
Parámetros: BetaPert (min,+prob,max)
0
0.02
0.04
0.06
30 40 50 60 70 80
p
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 42/70
BetaPert (cont.)
La media de una distribución BetaPert escuatro veces más sensible al valor medio quea los valores extremos.
El desvío standard de una distribuciónBetaPert es menos sensible a los valoresextremos que la distribución Triangular.
El desvío standard de una distribuciónBetaPert es sistemáticamente menor que elde una Triangular, particularmente cuando
las distribuciones son sesgadas.
0 35p
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 43/70
Discreta
Aplicaciones:
Describir una variable aleatoria que puede tomaruno de entre un conjunto de valores discretos.
Describir probabilidades condicionales para
distintos estados de la naturaleza, donde cadaestado de la naturaleza tiene una probabilidad deocurrencia p.
Armar distribuciones de probabilidad compuestasa partir de la opinión de dos o más expertos,donde a la opinión de cada experto se le otorgauna ponderación p.
Parámetros: Discrete ({x i },{p i })
0.00
0.05
0.10
0.150.20
0.25
0.30
0.35
1 2 3 4 5
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 44/70
Obtenciónde distribuciones de probabilidada partir de opiniones diferentes
Definir una distribución Discreta donde {xi}representa la opinión de los expertos y {pi} esla ponderación asignada a cada opinión.
Enfoques incorrectos:
Tomar la opinión más conservadora (no seusa toda la información disponibles, se generauna distribución sesgada)
Promediar los valores de las opiniones: sesubestima la variabilidad (recordar TCL)
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 45/70
Normal
Aplicaciones: una variedad de situaciones, como
se desprende del Teorema Central del Límite. Es útil en finanzas porque la suma o diferencia
de distribuciones normales resulta también en
una distribución normal con parámetros quepueden ser determinados a partir del TCL.
Parámetros: Normal (mu,sigma )
0.00
0.05
0.10
0.15
0.20
0 20 40 60 80 100
p
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 46/70
Estimación subjetiva de losparámetros de una normal
• Media: Valor más probable• Desvío: el intervalo +/- 2*sigma contiene el
95% de los valores, por lo tanto:
Sigma: (máximo - más probable) / 2
• La distribución Normal se extiende de -infinitoa +infinito, aunque si CV < 1/3 la probabilidad
de que ocurra un valor negativo es menor que0.14%.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 47/70
Lognormal
Aplicaciones: modelizar variables que son elproducto de una cantidad de otras variablesaleatorias que ocurren naturalmente.
Generalmente brinda una buena representaciónde variables que se extienden de 0 a +inf y quetienen un sesgo positivo.
Parámetros: Lognormal (mu,sigma)
Se usan como parámetros la media aritmética yel desvío standard de los datos disponibles.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 48/70
Condiciones subyacentes deuna distribución Lognormal
La variable aleatoria puede tomar valores queaumentan sin límites pero no puede tomarvalores negativos.
La variable aleatoria tiene un sesgo positivo(hacia la derecha) con la mayor parte de losvalores cerca del límite inferior.
El logaritmo natural de la variable se ajusta auna distribución Normal.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 49/70
Series de datos: selección dedistribuciones
¿Se trata de una variable discreta ocontinua?
¿Es realmente necesario ajustar los datos a
una distribución de probabilidad teórica? ¿Hay correspondencia entre el rango teórico
de la variable y la distribución a ajustar?
¿La variable es independiente, estácorrelacionada, o es dependiente de otrasvariables del modelo?
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 50/70
Ajuste de los datos a unadistribución teórica
Los parámetros de la distribución que permitanlograr el mejor ajuste a los datos se determinanusualmente mediante alguno de los siguientes dosmétodos:
Estimadores de Máxima Verosimilitud:maximizan la probabilidad que la distribucióndefinida con estos parámetros sea capaz degenerar los datos observados.
Minimización de las diferencias absolutas entrelos valores de probabilidad acumulada observadosy los derivados de la distribución teórica (usando
programas de optimización)
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 51/70
Indicadores debondad de ajuste
Los indicadores estadísticos de Bondad de Ajustemás usados son tres:
Para distribuciones discretas y continuas, tantonuméricas como no numéricas: Chi cuadrado.Es el indicador menos potente.
Para distribuciones continuas: Kolmogorov-Smirnov (K-S). No es muy sensible para
detectar discrepancias en las colas de ladistribución.
Anderson-Darling (versión sofisticada de K-S),pone más énfasis en las colas.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 52/70
Indicadores debondad de ajuste (cont.)
Cuanto menor sea el valor de cada indicador,mayor será el ajuste aparente entre ladistribución teórica y los datos observados.
Los valores standard de K-S y A-D son de usolimitado para comparar valores críticos cuandohay menos de 30 observaciones. Esto se puede
corregir usando K-S y A-D modificados. Hay muchas distribuciones que tienen formas
similares y que pueden ser capaces degenerar los datos observados.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 53/70
Ajuste empírico:variables discretas
Si la cantidad de datos no es muy elevada, lafrecuencia de datos para cada valor de x puedeser usada directamente para definir unadistribución Discreta.
Si hay muchos datos, es más fácil ordenar losdatos en forma de histograma y definir entoncesuna distribución Acumulada con parámetros {xi} ,
{F(xi)} , min , max. Se puede reintroducir el carácter discreto de la
variable incluyendo la distribución Acumuladadentro de una función ROUND (redondeo).
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 54/70
Ajuste empírico:variables continuas
1. Se plotea la frecuencia acumulada de los datosobservados.
2. Se hace un ranking de los datos en ordenascendente.
3. Se estima un mínimo y un máximo en formasubjetiva.
4. Se calcula la probabilidad acumulada para cada
valor de x según la fórmula: F(x i ) = i / (n +1)i = rango del dato observado
n = cantidad de datos observados
{xi} , {F(xi)} , min , max serán parámetros que se
usen para definir una distribución Acumulada.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 55/70
Dependencia y Correlación
Una relación de dependencia ocurre cuandoel valor muestreado de una variable(independiente) tiene una relación estadísticaque determina aproximadamente el valor que
va a ser generado para la otra variable(dependiente).
La dependencia presupone una relación
causal. La correlación no presupone una relación
causal (puede haber un factor externo que
afecta a ambas variables).
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 56/70
Correlación Lineal (Pearson)
El coeficiente r da una medida de lacovarianza entre dos conjuntos de datos.
r puede tomar valores desde -1 a +1
Al dividir por los desvíos standard de cadaconjunto de datos se logra un índice decovarianza que no depende de las unidadesde medida en que están expresados losdatos.
Supuestos: la relación entre variables es detipo lineal.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 57/70
Correlación por orden derango (Spearman)
Es un método no paramétrico para cuantificar larelación entre variables.
r puede tomar valores desde -1 a +1
Ventajas:
Las variables se correlacionan de acuerdo alrango de valores generados en cada distribución.Esto significa que todas las distribucionescorrelacionadas preservan su forma original.
Como no depende de supuestos acerca de larelación matemática de las variables acorrelacionar, puede ser aplicable a cualquier tipode relación entre distribuciones (lineal, no lineal).
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 58/70
Correlación
El coeficiente de correlación de Pearson mide laintensidad de la relación lineal entre variables.
Si dos variables aleatorias no tienen la mismadistribución de probabilidad, es improbable quese relacionen en forma lineal, por lo que elcoeficiente de correlación tendrá pocosignificado.
Si se toman los valores según rangos y no segúnvalores absolutos, el coeficiente de correlaciónasí calculado tiene sentido incluso para variablescon diferentes distribuciones.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 59/70
Desventajasde correlacionar variables mediante elcoeficiente Spearman
Es difícil estimar el coeficiente de correlaciónentre dos distribuciones de formas diferentes.
El mismo coeficiente de correlación puederesultar en diferentes gráficos de puntos paradiferentes distribuciones correlacionadas. Estopuede ser aún más marcado si lasdistribuciones a correlacionar son diferentes.
Recomendaciones
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 60/70
Recomendacionesrespecto al uso de coeficientes decorrelación de Spearman
Usar estos coeficientes para correlacionarvariables que tengan un impacto menor sobre losresultados del modelo.
Tratar de restringir su uso a correlacionardistribuciones de geometría similar.
Si se correlacionan distribuciones de geometríadiferente, antes de aceptar el coeficiente observar
el gráfico de puntos resultante. Evitar correlacionar distribuciones cuando no haya
una razón lógica que permita suponer unacorrelación.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 61/70
Matrices de correlación
Permiten correlacionar varias distribucionesde probabilidad mediante coeficientes deSpearman.
Como la fórmula de los coeficientes decorrelación por orden de rango es simétrica,los elementos de la matriz son simétricosalrededor de la diagonal.
Tiene que haber una cierta lógica en loscoeficientes ingresados (p.ej. condicióntransitiva)
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 62/70
Efectos de la correlaciónsobre los resultados del modelo
El efecto de la correlación sobre los resultadosde un modelo es función de:
Relación entre las variables correlacionadas yel resultado
Forma de las distribuciones correlacionadas
Efecto de la correlación
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 63/70
Efecto de la correlaciónsobre el resultado de la suma de dosvariables correlacionadas (modelos aditivos)
El valor esperado del resultado no se veafectado por la presencia de correlación.
El desvío standard del resultado aumenta amedida que aumenta r (si las variablescorrelacionadas “tiran” el resultado para elmismo lado).
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 64/70
El valor esperado del resultado aumenta amedida que aumenta r (toda la distribución sedesplaza hacia la derecha a medida que
aumenta r ).
No se pueden hacer generalizacionesrespecto al desvío standard, aunque engeneral aumenta a medida que aumenta r .
Efecto de la correlaciónsobre el resultado del producto de dos variablescorrelacionadas (modelos multiplicativos)
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 65/70
Coeficientes de correlacióna partir de la opinión de expertos
1. Determinar la lógica de la relación entre lasvariables a correlacionar
2. Determinar cuál es la variable independiente
3. Definir la distribución de la variableindependiente
4. Seleccionar varios valores de la variable
independiente (incluyendo mínimo, máximo yal menos otros dos puntos relevantes)
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 66/70
Coeficientes de correlacióna partir de la opinión de expertos (cont.)
5. Preguntar al experto por algunos valores deinterés de la variable dependiente (mínimos,máximos, más probable) que estima secorresponderían con cada valor de la variable
independiente.
6. Plotear estos valores y encontrar lasecuaciones que unan cada conjunto de valores.
7. Usar estas ecuaciones en una distribuciónTriangular o BetaPert para definir la variabledependiente.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 67/70
Contribución relativa de cadavariable a la variabilidad del resultado
Los coeficientes de correlación entre elresultado y las variables dan una idea de lainfluencia de cada variable, pero no
cuantifican esta influencia.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 68/70
Contribución relativa de cadavariable a la variabilidad del resultado
Si el modelo es aditivo, la contribución relativa decada variable a la variabilidad total puedeestimarse de la siguiente manera:
1. Calcular el coeficiente de correlación entre cadavariable y el resultado.
2. Calcular la suma de estas correlaciones.
3. Dividir cada coeficiente por la suma. Lasfracciones resultantes representanaproximadamente la contribución relativa decada variable a la variabilidad total.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 69/70
Contribución relativa de cadavariable a la variabilidad del resultado
Cuando el modelo no es aditivo y/o las variables noson independientes:
1. Correr una simulación inicial, con todas lasvariables especificadas.
2. Correr luego varias simulaciones, en cada unade las cuales se “congela” una variable en suvalor esperado.
3. Anotar el desvío standard del resultado de cadasimulación.
5/13/2018 Teoria de La Decision - slidepdf.com
http://slidepdf.com/reader/full/teoria-de-la-decision-55a74bfff07c4 70/70
Contribución relativa de cadavariable a la variabilidad del resultado
Modelo no aditivo y/o variables no independientes(cont.):
4. Calcular la reducción en la variabilidad delresultado para cada simulación en la cual se
haya “congelado” una variable.
5. Normalizar dividiendo el valor absoluto de lareducción por la suma de todas las reducciones.
Las fracciones resultantes darán una estimaciónde la contribución porcentual de cada variable ala variabilidad total.