Documente Academic
Documente Profesional
Documente Cultură
RIESGO E
INCERTIDUMBRE
SUPUESTOS RIESGOS
1
26-04-2017
CLASIFICACIÓN DE RIESGO E
INCERTIDUMBRE EN PROYECTOS
• RIESGO DE TERMINACIÓN
• RIESGO TECNOLÓGICO
• RIESGO EN SUMINISTROS
• RIESGO POLÍTICO SOCIAL
• RIESGO ECONÓMICO
• RIESGO FINANCIERO
• RIESGO DE FUERZA MAYOR
• RIESGO CAUSADO POR EL PROYECTO
INCERTIDUMBRE
MATRIZ DE DECISIÓN
Estados de la Naturaleza: variables que no se puede
modificar y situaciones en las que se puede encontrar.
2
26-04-2017
INCERTIDUMBRE
Así:
• El decisor piensa que tome la alternativa que tome,
sucederá lo peor para él.
• Se determina el resultado más desfavorable con cada
estrategia.
• Se selecciona la estrategia que ofrece el más favorable
de todos los determinados.
Así:
• El decisor piensa que con alternativa que tome,
sucederá lo mejor para él.
• Se determina el resultado más favorable con cada
estrategia. Se selecciona la estrategia que ofrece el
más favorable de todos.
3
26-04-2017
Así:
• Desconocemos las probabilidades de cada estado de
la naturaleza.
• Asumimos que todos son equiprobables.
• Calculamos las medias aritméticas de cada alternativa
y elegimos aquella con valor medio más favorable.
1 1
ܽ = ݔ ܽ = max ݔ
݊ ଵஸஸ ݊
ୀଵ ୀଵ
Así:
• Se basa en los criterios de los resultados optimista y
pesimista.
• Introduce un coeficiente de optimismo “a”
comprendido entre 0 y 1.
• El coeficiente de pesimismo es “1-a”
• Para cada alternativa se calcula:
ܪ = ܽ × ݆݉݁ݎ + (1 − ܽ) × ݎ݁
• Se toma la alternativa con Hi más favorable.
Así:
• Conocido como “mínimo pesar”.
• El decisor tiene aversión de arrepentirse si se equivoca
en la alternativa.
• Se ha de construir la matriz de pesares.
• Para cada columna se toma la matriz de mejor opción.
• Cada elemento de la columna se calcula como
diferencia entre el valor del caso y la mejor opción, que
sería nuestro pesar.
4
26-04-2017
EJEMPLO
EJEMPLO: WALD
EJEMPLO: OPTIMISTA
5
26-04-2017
EJEMPLO: LAPLACE
EJEMPLO: SAVAGE
Esperado
Esperado
CRITERIO DE HURWICZ
6 6
II
4 4
III
2 2
I
0 0
-2 -2
-4 -4
6
26-04-2017
CONTRA EJEMPLO
SAVAGE
E E
E1 E2 E1 E2
A A
A1 9 2 A1 0 4
A2 4 6 A2 5 0
E E
E1 E2 E1 E2
A A
A1 9 2 A1 0 7
A2 4 6 A2 5 3
A3 3 9 A3 6 0
INCERTIDUMBRE
CRITERIO BAYES
EJEMPLO
El señor X ha heredado US$ 1.000. Él ha decidido invertir su dinero por
un año. Un inversionista le ha sugerido cinco inversiones posibles: oro,
bonos, negocio en desarrollo, certificado de depósito y acciones. El
señor X debe decidir cuanto invertir en cada opción.
La siguiente tabla representa las ganancias que obtendría para cada
escenario posible de comportamiento del mercado.
MATRIZ DE GANANCIAS
ESTADOS DE LA NATURALEZA
ALTERN. MEDIANA SIN PEQUEÑA
GRAN ALZA GRAN BAJA
ALZA CAMBIOS BAJA
ORO -$ 100 $ 100 $ 200 $ 300 $0
BONOS $ 250 $ 200 $ 150 -$ 100 -$ 150
NEGOCIOS $ 500 $ 250 $ 100 -$ 200 -$ 600
DEPÓSITOS $ 60 $ 60 $ 60 $ 60 $ 60
ACCIONES $ 200 $ 150 $ 150 -$ 200 -$ 150
7
26-04-2017
MATRIZ DE GANANCIAS
ESTADOS DE LA NATURALEZA
ALTERN. MEDIANA SIN PEQUEÑA
GRAN ALZA GRAN BAJA
ALZA CAMBIOS BAJA
ORO -$ 100 $ 100 $ 200 $ 300 $0
BONOS $ 250 $ 200 $ 150 -$ 100 -$ 150
NEGOCIOS $ 500 $ 250 $ 100 -$ 200 -$ 600
DEPÓSITOS $ 60 $ 60 $ 60 $ 60 $ 60
ACCIONES $ 200 $ 150 $ 150 -$ 200 -$ 150
HURWICZ
ALTERN. MAXIMIN MINIMAX LAPLACE SAVAGE
α=0,5
¿Qué pasa si, para cada uno de los estados de la naturaleza, conocemos
su probabilidad de ocurrencia?
MATRIZ DE GANANCIAS
ESTADOS DE LA NATURALEZA
ALTERN. GRAN MEDIANA SIN PEQUEÑA
GRAN BAJA
ALZA ALZA CAMBIOS BAJA
ORO -$ 100 $ 100 $ 200 $ 300 $0
BONOS $ 250 $ 200 $ 150 -$ 100 -$ 150
NEGOCIOS $ 500 $ 250 $ 100 -$ 200 -$ 600
DEPÓSITOS $ 60 $ 60 $ 60 $ 60 $ 60
ACCIONES $ 200 $ 150 $ 150 -$ 200 -$ 150
Probabilidad 0,2 0,3 0,3 0,1 0,1
HURWICS GANANCIA
ALTERN. MAXIMIN MINIMAX LAPLACE SAVAGE
α=0,5 ESPERADA
Solución
a=15%
8
26-04-2017
RIESGO
CRITERIOS DE DECISIÓN
ÁRBOLES DE DECISIÓN
Un árbol de decisión es una forma gráfica y analítica de
representar todos los eventos o sucesos, los cuales pueden
surgir a partir de una decisión asumida en cierto
momento.
Nos ayudan a tomar la decisión “más acertada”, desde un
punto de vista probabilístico, ante un abanico de posibles
decisiones.
9
26-04-2017
TERMINOLOGÍA
GRAFICAMENTE
Acción 3
Nodo de Decisión
p Consecuencia 1.1
Acción 4
Acción 1
p Consecuencia 1.2
p Consecuencia 2.1
Acción 2
p Consecuencia 2.2
Nodo de
Probabilidad
Probabilidad
1. Definir el Problema.
2. Dibujar el Árbol de Decisión.
3. Asignar probabilidades a los eventos aleatorios.
4. Estimar los resultados para cada combinación
posible de alternativas.
5. Resolver el problema obtenido, como solución es la
ruta que proporcione la política óptima.
10
26-04-2017
EJEMPLO 1
SOLUCIÓN
$ 333.000.-
Intermedia p=30%
$ 415.000.-
Ganar p=70%
$ 224.100.- Menor p=50% $ 185.000.-
Ir a Juicio
Perder p=30%
( $ 30.000.- )
No ir a Juicio $ 210.000.-
EJEMPLO 2
R
R1: Petróleo R2: Seco
A
11
26-04-2017
ÁRBOLES DE DECISIÓN
Petróleo $ 670
Seco ($ 130)
$ 60
Petróleo $ 670
Seco ($ 130)
$ 60
Petróleo
$ 700
Seco ($ 100)
$ 90
ÁRBOLES DE DECISIÓN
f Seco=6/7 ($ 130)
c
$ 60
Petróleo=1/2 $ 670
b
g Seco=1/2 ($ 130)
d
$ 60
a
Petróleo=1/4
$ 700
h Seco=3/4 ($ 100)
e
$ 90
ÁRBOLES DE DECISIÓN
60 f Seco=6/7 ($ 130)
c
$ 60
123
b 270 Petróleo=1/2 $ 670
12
26-04-2017
ÁRBOLES DE DECISIÓN
Si el resultado es desfavorable,
entonces vender el terreno.
EJEMPLO 3
M$ 12.000
TRIGO
CTE.=0,9 M$ 10.000
BUENO=0,8
GANADO CRECE=0,1 M$ 15.000
BUENO=0,8 M$ 12.000
CTE.=0,9 M$ 10.000
MERCADO CTE.=0,9
GANADO CRECE=0,1 M$ 15.000
BUENO=0,8 M$ 12.000
GANADO M$ 15.000
13
26-04-2017
M$ 12.000
M$ 12.000 TRIGO
CTE.=0,9
M$ 10.500
BUENO=0,8
GANADO CRECE=0,1
M$ 11.760
BUENO=0,8
M$ 10.800
M$ 10.800
TRIGO MALO=0,2
CTE.=0,9
MERCADO CTE.=0,9 M$ 10.500
M$ 11.220 GANADO CRECE=0,1
BUENO=0,8
M$ 10.800
M$ 15.000
TRIGO MALO=0,2
CRECE=0,1
M$ 15.000
CRITERIOS DE DECISIÓN
BAJO INCERTIDUMBRE
APLICADOS A ÁRBOLES DE
DECISIÓN
14
26-04-2017
Ejemplo:
Ventas Altas
R1
Ventas Moderadas
R2
Planta
Grande Ventas Bajas
R3
Ventas Altas
R4
Ampliar
Ventas Bajas R5
Ventas Bajas R7
Venta Inicial
R8
Baja
15
26-04-2017
EN INCERTIDUMBRE
Ventas Altas
70
Ventas Moderadas
10
Planta
Grande Ventas Bajas
(30)
Ventas Altas
60
Ampliar
Ventas Bajas (20)
Ventas Bajas 20
Venta Inicial
10
Baja
WALD
Ventas Altas
70
Ventas Moderadas
(30) 10
Planta
Grande Ventas Bajas
(30)
Ventas Altas
60
10 (20)
Ampliar
Ventas Bajas (20)
Venta Inicial
10
Baja
OPTIMISTA
Ventas Altas
70
Ventas Moderadas
70 10
Planta
Grande Ventas Bajas
(30)
Ventas Altas
60
70 60
Ampliar
Ventas Bajas (20)
Venta Inicial
10
Baja
16
26-04-2017
LAPLACE
Ventas Altas = 1/3
70
Venta Inicial
10
Baja=1/2
HURWICZ, a=0,7
Ventas Altas=0,7
70
Ventas Moderadas
40 10
Planta
Grande Ventas Bajas=0,3
(30)
Ventas Altas=0,7
60
40 36
Ampliar
Ventas Bajas=0,3 (20)
Venta Inicial
10
Baja=0,3
SAVAGE
17
26-04-2017
FIN
18