Академический Документы
Профессиональный Документы
Культура Документы
Introduccin
Es una tarea muy importante comparar varios cursos de accin y finalmente
seleccionar la mejor alternativa que se va a realizar. En determinados casos, esta tarea
puede resultar excesivamente desafiante y puede implicar en mayor o menor medida,
asumir determinados riesgos. Las dificultades de la toma de decisiones estn
representadas por la complejidad asociada a las distintas alternativas del proceso de
Toma de
en la situacin problemtica
tomen una
nos permite experimentar en escenarios con incertidumbre y por lo tanto donde existe un
Riesgo asociado a la Toma de Decisin.
Decisiones
En la vida de las organizaciones o del individuo, siempre se presentan situaciones
problemticas que deben ser resueltas. Las formas de encarar una solucin son diversas
y debemos considerar los recursos necesarios que
Pgina 2 de 2
6. La decisin. Se trata de escoger una alternativa que sea eficiente, que produzca
resultados satisfactorios, en relacin con lo que el Decisor valora o aprecia. Aqu
eficiencia se entiende por una alta relacin entre los resultados obtenidos y los
recursos empleados. Entre estas soluciones o alternativas satisfactorias habr una
que es la mejor y se llama ptima. Si se busca la mejor, se est optimizando. Se
puede tratar de encontrar una solucin o alternativa que produzca resultados
satisfactorios y no ptimos.
Se tratar de explicar lo relacionado con la toma de decisiones en escenarios con
incertidumbre para as poder tener una mejor visin del riesgo que se corre por parte de
una empresa u organizacin
La toma de decisiones pueden dividirse en dos clases:
a) Decisiones programadas que hacen al funcionamiento de las distintas reas de
una empresa, esto debido a que las decisiones diarias son rutinarias porque los
gerentes suelen usar algunos procedimientos estndar para tomarlas. Algn
ejemplo de este tipo de decisiones son las que se toman en el rea de control de
inventarios, control de costos, control de calidad, control de produccin y algunas
compras.
Por ejemplo dentro del control de inventarios de una empresa puede ser a travs
de procedimientos rutinarios, como el clculo peridico de las cantidades
econmicas del periodo.
b) Decisiones no programadas que son especiales para una situacin dada.
Puesto que cada decisin implica un nuevo conjunto de alternativas que pueden
ser difciles de analizar, aqu los gerentes o los encargados de un negocio o
empresa tienden a aplicar su criterio, experiencia, intuicin y reglas empricas
para las decisiones no programadas como por ejemplo la ubicacin de un nuevo
producto o de un nuevo servicio, o la implementacin de un nuevo proceso, la
introduccin de un equipo automtico, etc.
Las variables comprendidas en las decisiones no programadas, por lo general son
un poco ms complejas que en las decisiones programadas.
Pgina 3 de 3
de investigacin de
operaciones, tales como la programacin lineal, la teora de las colas (lneas en espera),
as como la programacin dinmica. Pero obviamente la mejor decisin es, desde luego,
Pgina 4 de 4
Pgina 5 de 5
Caractersticas
Un
nico
futuro
posible
cuya
probabilidadad asociada es P =1
CERTEZA
Riesgo
Varios
futuros
Fi
posibles
cuyas
futuros
Fi
posibles
cuyas
TIPOS DE INCERTIDUMBRE
1. Incertidumbre relativa a los escenarios considerados.
2. Incertidumbre en lo que respecta a los parmetros.
3. Incertidumbre en el Modelo.
Incertidumbre en los Escenarios
Es la falta de informacin requerida para definir en forma completa el Anlisis que
est expresada por:
Anlisis incompleto: el mismo genera un riesgo mayor que el real por ejemplo
no considerar el efecto de la competencia interna o externa en un estudio de
mercado realizado para lanzar un producto al mismo.
Errores de Muestreo
Se producen al analizar una muestra de la poblacin para inferir datos acerca
de la poblacin total, disminuyen a medida que aumentamos el tamao de la
muestra.
Desacuerdo
Si el conocimiento no es perfecto como ocurre en campos de innovacin y
desarrollo, no siempre existir entre los cientficos concordancia en el cual esa
la Verdad.
Incertidumbre en el Modelo
La misma esta relacionada a las variables que caracterizan el modelo y la
cuantificacin de las interacciones entre las mismas.
Las variables que caracterizan el Modelo son de distinto tipo en consecuencia la
determinacin de la Incertidumbre ser en funcin del tipo de variable que definiremos
como:
Pgina 9 de 9
Variables de Decisin:
y son
incertidumbre.
Tipo de Variable
Ejemplo
Tratamiento de la
Incertidumbre
Constante
Nmero atmico
Variable de Decisin
Nmero
de
piscinas
Paramtrico
de
crianza
Resultado
Determinada
Entradas
por
las
Pgina 10 de 10
Pgina 11 de 11
Cuantificar el
Riesgo
Anlisis de
Riesgo
Presentar los
Resultados
Modelo preliminar
de
los
Resultados:
recabar
las
estadsticas
que
reflejen
el
Pgina 12 de 12
Primera Presentacin: evaluar las salidas del modelo para determinar la conveniencia o
no de su implementacin (business decisin).
Incertidumbre y Anlisis de Riesgo son herramientas muy tiles en el proceso de
decisin por ejemplo al evaluar un proyecto de inversin que tiene dos alternativas con el
mismo valor esperado pero diferente grado de incertidumbre la eleccin de uno u otro
depender del menor factor de Riesgo.
Propagacin de la Incertidumbre
Podemos utilizar herramientas como:
Mtodos Analticos: Anlisis de Sensibilidad y Anlisis de Escenarios.
Tcnicas de Simulacin : especficamente la Simulacin de Montecarlo.
Pgina 13 de 13
SIMULACIN DE MONTECARLO
Esta mtodo se caracteriza por lo siguiente:
Una extensin del anlisis de sensibilidad y de escenarios.
Simultneamente
toma
en
cuenta
las
diferentes
distribuciones
de
probabilidades y los diferentes rangos de los valores para las variables claves
del proyecto.
Permite la correlacin entre variables.
Anlisis de tipo dinmico. Escenarios aleatorios consistentes.
Genera una distribucin de probabilidad de resultados del proyecto (VAN) en
vez de un solo estimado. Perfil denominado de riesgo/rendimiento.
La distribucin de probabilidad del proyecto facilita la toma de decisiones pero
existen problemas de interpretacin y uso.
Facilita el mejoramiento del Modelo y por consiguiente su aproximacin al
Sistema Real.
Permite evaluar la informacin requerida para reducir la Incertidumbre.
Facilita la toma de decisiones en un contexto de Incertidumbre al comprender
el efecto de sta sobre el resto de los componente considerados.
Es importante no solo mostrar el valor esperado para una variable, sino
tambin el rango de variacin ya que puede ocurrir que dos proyectos tengan
el mismo valor esperado pero diferente factor de riesgo.
Por lo tanto si debemos realizar Anlisis de Riesgo en escenarios con Incertidumbre
es fundamental la determinacin de estimadores de riesgo con un rango de
probabilidades que reflejen el comportamiento del sistema real y no simplemente como
un conjunto de nmeros elegidos subjetivamente.
PASOS PARA EJECUTAR EL MTODO DE SIMULACIN DE MONTECARLO
Modelo Matemtico: disear un modelo Matemtico que represente el sistema real
en funcin del objetivo de estudio para ello se puede utilizar el Excel o un software
especfico para Anlisis de Riesgo (@risk, Crystall Ball )
Pgina 14 de 14
Ejemplo :
Anlisis de Riesgo de un proyecto de Inversin analizando el VAN con respecto a la
distribucin acumulada de frecuencias graficados en los casos 1 , 2 y 3.
Vamos a suponer que aplicamos todos los pasos que requiere
el mtodo de
Pgina 15 de 15
VAN (Valor actual neto): que consiste en actualizar a valor presente los flujos de
caja futuros que va a generar el proyecto, descontados a un cierto tipo de inters ("la
tasa de descuento"), y compararlos con el importe inicial de la inversin.
TIR (Tasa interna de retorno): que es la tasa de descuento que iguala el VAN a
cero.
VAN, el
Pgina 16 de 16
Cumulative Chart
7 Outliers
1.000
1000
.750
750
.500
500
.250
250
.000
-400,000.00
0
-200,000.00
0.00
200,000.00
400,000.00
Distribucin Acumulada
Decisin:
Aceptar
VAN
El lmite menor de la distribucin acumulada est a la derecha del VAN con valor de cero.
Pgina 17 de 17
Distribucin Acumulada
Decisin:
Rechazar
VAN
El lmite mayor de la distribucin acumulada est a la izquierda del VAN con valor de
cero.
Caso 3: La Probabilidad de un VAN de cero es mayor a 0 pero menor a 1, es decir que
los valores obtenidos se distribuyen en ambos cuadrantes.
Distribucin Acumulada
Decisin:
Ambigua
Pgina 18 de 18
VAN
Conclusiones
El utilizar la Simulacin nos permite experimentar con las variables del modelo y en
funcin del anlisis del comportamiento de las variables significativas del Modelo
Estocstico, se puede obtener la curva de respuesta completa, no slo el valor esperado,
lo que nos permite precisar el Factor de Riesgo asociado a la Toma de Decisiones en
escenarios con Incertidumbre. Es fundamental en estos escenarios determinar el perfil de
riesgo, porque no siempre es suficiente con obtener el valor esperado de la variable
estocstica que puede ser el mismo para dos respuestas o alternativas diferentes, pero
en las cuales vara sustancialmente el perfil de riesgo asociado.
En sntesis las ventajas de la Simulacin son:
Nos permite identificar el Riesgo asociado a la Toma de Decisin
Mejora el entendimiento del proyecto como consecuencia de los ensayos
realizados.
Podemos realizar proyecciones bastantes confiables.
Nos permite experimentar en distintos escenarios y analizar el resultado de aplicar
diferentes estrategias.
Ahora recordaremos algunos estimadores utilizados para medir el Factor de Riesgo:
Medidas de Riesgo
Valor esperado = x i . P(x i)
La varianza es una medida del riesgo; por lo tanto, cuanto mayor sea la varianza, mayor
el riesgo
Varianza = [xi . x i . P(xi)] - (Valor esperado)2 ]
Pgina 19 de 19
Desviacin estndar.
Desviacin estndar = (Varianza) 1/2
Ambas, la varianza y la desviacin estndar, proporcionan la misma
Coeficiente de Variacin
Pgina 20 de 20
Bibliografa
Mtodos Cuantitativos para los Negocios
Autor Anderson David R.
Editorial Thomson International
Edicin 1999
Investigacin de Operaciones
Autores: Kamlesh Mathur Daniel Solow
Editorial: Prentice Hall
Edicin 1996
Simulacin y Anlisis de Modelos Estocsticos
Autores: mamad r. Azarang Eduardo Garca Duna
Editorial: Ma Graw Hill
Edicin: 1996
Introduccin a los Modelos Cuantitativos en Administracin
Autor: Anderson David
Editorial Iberoamerica
Edicin 1993
Mtodos Cuantitativos para la Toma de Decisiones en Administracin
Charles A. Gallagher
Hugh Watson
Mc Graw Hill
Anlisis Cuantitativo para los Negocios
Bonini Asuman Bierman
Mc Graw Hill
1999
Tcnicas Cuantitativas
Dresdner Evelson Dreiyfus
Ediciones Universo
1998
Pgina 21 de 21
Pgina 22 de 22