You are on page 1of 3

Estimados alumnos,

Entramos a las semanas de modelos y simulacin, y es importante que reflexionemos


sobre algunos conceptos claves.
Desde el punto de vista estratgico debemos tener claridad sobre lo que significa:
1. Decisin
2. Incertidumbre
3. Riesgo
Desde el punto de vista operativo hay que tener las siguientes definiciones:
4. Modelo
5. Variable aleatoria
Finalmente, juntando todo, tenemos:
6. Modelos cuantitativos con incertidumbre para la toma de decisiones (1+2+3+4+5)
Los invito a revisar la bibliografa y compartir con todos definiciones sobre el punto 6 que
involucre todos los conceptos previos. Es fundamental que todos participemos. El objetivo
es en tres das poder construir estas definiciones claves para culminar la semana con toda
la prctica posible. Una lnea ser suficiente. Pongan en prctica su capacidad de sntesis.
Quedo a su disposicin
Rspta:
Riesgo: probabilidad que suceda un evento
Riesgo, la complementaria que con que es la probabilidad de destrozar valor. Solo para
darle un contexto y considerando que el fin ltimo de una organizacin es crear valor.
Cuando hablamos de modelos nos referimos a la representacion de una realidad pero de
manera simplificada. Es una concepcin generalista. Ahora pueden ser estocasticos
(probabilisticos), es decir incluir incertidumbre, pero tambin hay aquellos que no lo
incluyen, los modelos deterministicos. Como los que veremos en la segunda parte del
curso.
No solo son matemticas, son tambin estadsticas. En estos modelos hay dos tipos de
datos: controlables y no controlables. No optimizan, solo simulan. Dado que tienen
aleatoriedad no pueden llegar a resultados precisos, por eso usamos intervalos de
confianza para tomar decisiones.
Sucede que el riesgo se calcula producto de un modelo. Por ejemplo: desarrollamos un
modelo con incertidumbre para un nuevo negocio. Para saber si el negocio ser rentable
requerimos realizar la simulacin. Productos de esta tenemos un resultado que lo
interpretamos a travs de los intervalos de confianza. Es decir llegamos a saber, por
ejemplo, en que rango es ms probable que se encuentre el VPN.
... ahora, todo este proceso no incluye al riesgo. El riesgo es lo que podemos calcular al
final de este proceso. Es decir podemos calcular el riesgo de perder o que el negocio no
sea viable. El riesgo se calcula.
os modelos ms populares son los que tienen que ver con dinero (utilidades /prdidas), no
son los nicos. Estan los que modelan tiempos de espera o capacidades.
Modelos que tratan de representar la realidad con sus elementos inciertos, no solo son
matemticos. Son principalmente estadsticos. Los modelos matemticos o
determinsiticos los veremos con los modelos de optimizacin. En esos no est presente la
incertidumbre.
Ahora tambin podramos considerar que el riesgo es algo inherente a los negocios.
Podemos trabajar anticipndonos pero no tendremos certeza de que vaya a minimizarlo en
la magnitud que quisiramos. Entonces, al final del proceso podemos calcular el riesgo con
el que estariamos trabajando. Quiz en algunos sectores sea su condicin de xito ... a
mayor riesgo mayor rentabilidad.
Considera que los modelos son representaciones, imperfectas por naturaleza y claro las
decisiones se tomana a todo nivel. Claro est que las de alta gerencia son las que tienen
ms impacto.
simplificando Modelos cuantitativos (probabilsticos / estocsticos) para tomar decisiones a
atravs de la simulacin de Montecarlo.
El riesgo es una probabilidad. No es un efecto aleatorio. Al final se puede calcular. Clara
que es una estimacin.
una caracterstica de los modelos es que son imperfectos. No llegana a ser rplicas. Es
por eso que una caracterstica importante al momento de modelar es identificar los
aspectos que consideramos importantes sean representados en el modelo. Quiz este
proceso, imperfecto o subjetivo, genera que un mismo problema sea abordado de manera
diferente siempre por dos personas que intentan modelarlo.
Decisin: Es la seleccin de un curso de acciones entre alternativas, es decir existe un un
compromiso de recursos para un objetivo - Incertidumbre: Es la situacin en la cual no se
conoce completamente la probabilidad de que ocurra un determinado evento. La
incertidumbre siempre est en nuestro modelos, y no necesariamente podemos explicarlos
(respuesta del control de ayer) - Riesgo: Probabilidad de que no ocurra el resultado
esperado. Va de la mano con la incertidumbre - Modelo: Expresa matemticamente la
relacin que puede existir entre los valores de una variable y los valores de un conjunto de
una o ms variables (Veliz Capuai, Estadstica para la administracin de negocios).
Existen solo dos tipos de datos de entrada: controlables y probabilsticos (Anderson
Sweeney, Metodos cuantitativos) - Variable aleatoria: Es una funcin que asigna un
nmero real a cada resultado de un experimento aleatorio. Los nmeros aleatorios
generados por computadora tienen la misma probabilidad de ocurrencia (respuesta del
control de ayer) - Modelo cuantitativo: Es el modelo que representa una variable aleatoria
para poder tomar una decisin, cuantificando el riesgo e incertidumbre. Este modelo tiene
un criterio de diseo para un propsito definido, por ejemplo maximizar la utilidad de una
empresa, identificar el just in time en una mina (stock en almacn)
Los felicito por su esfuerzo en investigar y compartir. Estos conceptos no son de
diccionario por lo que varios enfoques ayudan a entenderlos a cabalidad. A continuacin
los mos:
Decisin: Asignacin de recursos siempre y cuando sean irreversibles.
Incertidumbre: Es todo aquello que no consideramos en nuestros modelos.
Riesgo: La probabilidad de perder valor.
Modelos: Representacin de una realidad.
Variable aleatoria: Cualquiera que pueda tomar dos o ms valores.
Transformada inversa: El mtodo estadstico para generar variables aleatorias a travs de
distribuciones de probabilidad.
Modelos cuantitativos con incertidumbre para la toma de decisiones: Sencillamente una de
las mejores maneras para tomar decisiones hoy en da. Considerando la incertidumbre y
calculando el riesgo. Las variable aleatorias son el insumo, el modelo el elemento que los
congrega y las distribuciones de probabilidad el lenguaje que se requiere para escribir
estos modelos.