Anda di halaman 1dari 336

ENTRENAMIENTO CRYSTAL BALL SNC LAVALIN

Consultor: Ing. Juan Carlos Pearanda P. Bogot, 10-11 de Octubre de 2013

Course Objectives Describe modeling and simulations Start Crystal Ball and access resources Explain Crystal Ball probability distributions Define assumptions Correlate assumptions Analyze and present simulation results Analyze data with Crystal Ball tools Set advanced options for assumptions and forecasts Manipulate simulation controls Optimize decisions with OptQuest and analyze solutions Perform time series forecasting with Predictor

1.Modeling and Simulation Overview Oracle's Enterprise Performance Management System Model Basics Simulation Basics About Monte Carlo Simulations About Crystal Ball Model Development Process

2.Getting Started with Crystal Ball Setting Crystal Ball Start Preferences About the Welcome Dialog Box Basic Crystal Ball Terminology Crystal Ball Ribbon Additional Resources for Crystal Ball

3.Examining Probability Distributions About Probability Distributions Basic Distribution Statistics Viewing Distribution Types in the Distribution Gallery Properties of Crystal Ball Distributions Commonly Used Crystal Ball Distributions

4.Defining Assumptions About Assumptions Defining Data-Based Assumptions Through Distribution Fittings Defining DataBased Assumptions with Custom Distributions Defining Expert-Based Assumptions Referencing Cells for Parameter Values Generated Names for Assumption Cells Best Practices for Defining Assumptions

5.Defining Forecasts, Running Simulations, and Analyzing Results Defining Forecasts Running Simulations Analyzing Forecast Charts Viewing Other Charts with Forecast Data Saving and Loading Forecast Results Editing Crystal Ball Data 6.Correlating Assumptions Importance of Correlating Assumptions Rank Correlation Method Crystal Ball Options for Correlating Assumptions Defining Correlations by Modifying Assumption Definitions Adjusting Correlation Coefficients During Simulations Best Practices for Correlating Assumptions
7.Creating Reports About Crystal Ball Reports Generating Reports Extracting Data to Excel

8.Determining Assumptions with Tornado and Spider Charts Considering Assumptions About Tornado and Spider Charts Tornado Charts Versus Sensitivity Charts Creating Tornado and Spider Charts Examining Tornado Charts Examining Spider Charts

9.Working with Multiple Assumptions Batch Fitting Probability Distributions Correlating Multiple Assumptions with Correlation Matrices
10.Setting Advanced Options for Assumptions Building Distributions with Alternate Parameters Truncating Assumption Distributions Creating Distribution Functions Publishing and Subscribing to Distributions Customizing the Distribution Gallery

11.Setting Advanced Options for Forecasts Automatically Extracting Forecast Statistics Adding Marker Lines to Forecast Charts Fitting Distributions to Forecast Charts Filtering Forecast Results

12.Working with Simulation Controls Setting Precision Control Preferences Setting Sampling Preferences Setting Run Mode Preferences Selecting Options for Simulation Statistics

13.Optimizing Decisions with OptQuest About Optimization About OptQuest Optimizing Decision Variables Analyzing OptQuest Results OptQuest Performance Best Practices Performing Efficient Frontier Analysis

14.Forecasting with Predictor About Crystal Ball Predictor Creating Time Series Forecasts Working with Predictor Results Performing Linear Regressions Predictor Integration with Planning and Essbase

Anlisis de riesgos: algunas aplicaciones


Evaluacin de exposiciones en decisiones de largo plazo Flujos de efectivo descontados Planeacin estratgica Incertidumbre operativa, utilidades operativas Evaluacin de riesgos en ingeniera e investigacin y desarrollo Administracin y optimizacin de carteras Peligros ambientales Anlisis de fallas Riesgos de calidad Evaluacin de seguridad de poblaciones Prediccin y control epidemiolgico

2009

Piense por un momento en.

Riesgo

Qu es riesgo?

Cul es la mejor manera de hacer rer a Dios?


10

Proverbios 16:1 El hombre propone y Dios dispone

11

Lo que pas con la crisis fue una llamada de atencin acerca de que los planes no siempre sern como se piensan
Francis Durman Entrevista a El Financiero, Diciembre 2010
12

Su origen
Del reconocimiento de la incertidumbre del futuro Nuestra incapacidad de conocer cul ser el futuro en funcin de las acciones que tomamos hoy Implica que una accin en particular puede tener mltiples resultados alternativos
13

En un sencillo sentido
Toda accin es riesgosa Unas lo son ms que otras Si se juzga que una situacin es relativamente riesgosa, tal criterio de riesgo puede ser suficiente impedimento para no llevarla cabo Aqu es donde el riesgo se transforma en un criterio de decisin Por tanto, se torna viable el anlisis de riesgo
14

Caractersticas del riesgo

Puede ser objetivo o subjetivo Riesgo objetivo: Que el resultado sea incierto no se impide que el riesgo de un evento pueda ser cuantificado La teora, la experimentacin y el sentido comn nos ayudan a determinar la objetividad de un riesgo

15

La posibilidad de que llueva el viernes en la tarde


Es objetivo o subjetivo? Qu dira un supercomputador con un modelo climtico? Qu dira el Instituto Meteorolgico Nacional? En la medida en que ambos predigan una probabilidad <> 0 y <> 1 entonces, ambos estn correctos Este es el riesgo subjetivo

16

La mayora de los riesgos son


Subjetivos! Esto es importante saberlo para montar modelos de cuantificacin de riesgo

17

Una decisin riesgosa requiere de un juicio personal

an cuando el riesgo sea objetivo!

18

Escogencia del riesgo


Las acciones riesgosas (y el riesgo en si) es generalmente algo que se puede escoger o evitar Los individuos difieren en su percepcin del riesgo Hablamos de apetito y aversin al riesgo

19

La necesidad del anlisis de riesgo


Primer paso en el establecimiento de un modelo de control y evaluacin de riesgos Existe un riesgo? Desarrollo de modelos de riesgo

20

De Determinstico a Probabilstico
Determinsticos: proveen la solucin del anlisis una vez que usted haya introducido las variables de entrada (inputs) deseados Los problemas que estn siendo analizados se relacionan al futuro incierto La respuesta provista por el libro de trabajo Excel est basada en estimaciones de variables de entrada futuras inciertas.

21

Una solucin es
extender el anlisis tratando de encontrar conjuntos de supuestos con lmites inferiores y superiores razonables y utilizar los mismos para limitar el anlisis.

22

Desventajas del Anlisis Tradicional


Una o pocas variables de sensibilizacin simultneas Pocos escenarios generados Ausencia de calificacin de escenarios Desconocimiento de las probabilidades de ocurrencia de cada escenario sensibilizado Aplicacin arbitraria de magnitudes de sensibilizacin

Imposible medir el impacto simultneo de las variables clave


sobre las variables de salida
23

Desventajas del Anlisis Tradicional


No determina la curva de densidad de probabilidades

No considera la posible correlacin de variables de entrada


Imposible conocer la dispersin relativa de los resultados respecto de la media esperada

No permite conocer la probabilidad de que la variable de salida


sea positivo o mayor a cierto nivel de corte Dificultad del anlisis de escenarios que determinen la

combinacin simultnea de variables clave que generen puntos


extremos probables
24

Un anlisis de peor y mejor escenarios tiene valor en situaciones obvias:


Si usted evala el peor escenario, y el proyecto an cumple con los estndares de la compaa, entonces usted procede sin llevar a cabo ningn anlisis posterior, asumiendo que no exista ninguna restriccin presupuestaria. De forma similar, si usted evala el mejor caso y el proyecto an as no cumple con los estndares de la compaa, entonces simplemente no se procede a hacer nada.

25

Simulacin Monte Carlo


Esto se realiza mediante simulaciones ante una variedad de condiciones del mundo real.

26

Valoracin del mundo real


Al capturar las dimensiones relevantes de la realidad e incorporar aquellas dimensiones en un ambiente de prueba incorpora un elemento adicional: la incertidumbre

27

Incertidumbre
Usted conoce el rango de posibles resultados para un componente en su anlisis, pero usted no conoce cul de esos resultados se materializar en una situacin dada.

28

Porqu llevar a cabo evaluaciones de riesgo?


La razn por la que llevamos a cabo evaluaciones de riesgo es para valorar el lado negativo (y en muchos casos con igualdad de importancia, el lado positivo) de la exposicin a la que se enfrenta un tomador de decisiones cuando tiene que tomar una decisin. Esto se denomina el Valor en Riesgo
29

La pregunta
Es la exposicin lo suficientemente significativa como para hacer que el tomador de decisiones lo piense dos veces antes de tomar su decisin?

30

suficientemente significativa
Relacionada al apetito de riesgo del tomador de decisiones. Cmo mide el tomador de decisiones cunto equivale a suficientemente significativa? Aqu es donde la probabilidad sale a flote.

31

Si la exposicin es demasiado grande


entonces el tomador de decisiones toma una accin para mitigar las consecuencias de su exposicin. Esta accin es, en general, la adquisicin de un seguro Usualmente, el tomador de decisiones no ser capaz de prevenir la ocurrencia de una exposicin o resultado indeseable; sin embargo, algunas veces s ser capaz de hacerlo.

32

La posibilidad de que llueva el viernes en la tarde

33

Si se considera que la exposicin no es lo suficientemente significativa como para llevar a cabo una accin entonces el tomador de decisiones est efectivamente implicando que existen suficientes activos lquidos para contrarrestar un mal resultado si ste llegase a ocurrir.
34

As que, cmo se las ingenia uno para evaluar las exposiciones negativas y/o positivas?

35

Esto requiere que usted como analista de riesgos

realice evaluaciones acerca del futuro, lo cual es un ejercicio inherentemente subjetivo.

36

La mayora de los riesgos son


Subjetivos! Esto es importante saberlo para montar modelos de cuantificacin de riesgo

37

. Nadie puede ver el futuro, as que usted debe utilizar su mejor juicio, basado en la experiencia acumulada y en la experiencia de otros expertos, a la hora de realizar su anlisis.
38

El propsito de una evaluacin de riesgo


No se trata de ver claramente hacia el futuro. Por el contrario, basado en toda la informacin disponible ahora, determinar la exposicin a la cual usted se enfrenta si usted procede a tomar la decisin. Esto es realizado por medio de una simulacin Monte Carlo.
39

Probabilidades y evaluacin de riesgos

40

Para convertir un libro de trabajo Excel determinstico a una evaluacin de riesgo probabilstica, debemos agregar incertidumbre en el anlisis. Debemos conocer conceptos de probabilidad
41

Fundamentos de Probabilidad
1. Probabilidad es una medida de la posibilidad de que un evento ocurra. 2. Los valores estn restringidos entre 0 y 1. 3. Estn definidos tanto para variables discretas como continuas. 4. Las distribuciones de probabilidad describen el conjunto de todos los posibles resultados y su asociada posibilidad de ocurrencia.

42

Si la variable es continua,
Describa las probabilidades en trminos de
Funcin de densidad El rea por debajo de la funcin de densidad =1 Las probabilidades son obtenidas al examinar el rea debajo de la funcin de densidad entre los dos valores de inters

43

Caractersticas de las Distribuciones de Probabilidad


Se pueden usar las distribuciones de la biblioteca de distribuciones Crystal Ball. Estas estn disponibles en Excel como funciones. Para utilizarlas, usted necesita entender los argumentos (parmetros) que le dan vida a las distribuciones.

44

Medidas de centralidad
Media: Este consiste en el promedio ponderado por las probabilidades de los valores de la variable aleatoria. Moda: Este es el resultado que ocurre ms frecuentemente. Para una variable continua aleatoria es el valor asociado con el punto ms alto de la funcin de densidad. Mediana o percentil 50: Este es el valor en el medio, la mitad de los valores se encuentren por encima de l, la mitad de los valores se encuentran por debajo de l.

45

Medidas de variabilidad
Desviacin estndar: Esta es el promedio ponderado de probabilidades de las distancias respecto del promedio al cuadrado, ajustadas en unidades. Mnimo y mximo. Rango = mximo - mnimo

46

Medidas de sobreexpansin hacia un extremo


ndice de sesgo o asimetra (Skewness) (baja probabilidad de un resultado muy grande; baja probabilidad de un resultado muy pequeo) (en tanto que es opuesto a lo simtrico: no habiendo sobreexpansin hacia cualquiera de los dos lados). Esta es una medida de la sobreexpansin en un extremo de la distribucin. Mide cunto la variable est caracterizada por un valor extremo en una direccin.

47

Caracterizaciones de las distribuciones de probabilidad:


Funcin de densidad (continua) Funcin de probabilidad (discreta) Funcin de distribucin acumulada (grfico de percentiles)

48

Para una variable continua aleatoria


Las probabilidades se muestran por medio del rea debajo de la curva entre dos valores. El valor de la variable incierta se representa a lo largo del eje horizontal. El rea total debajo de la curva es igual a 1.0. (100%), significando que todos los resultados ocurren entre los puntos que limitan la curva. La expresin las colas de la distribucin se refiere al extremo izquierdo o, al extremo derecho de la funcin de densidad de probabilidad.

49

Para una variable continua aleatoria


El eje vertical se refiere a la altura de la funcin de densidad, NO a la probabilidad. Como practicante, una regla operativa til consiste en ignorar el etiquetado en el eje vertical, y por el contrario, enfocarse en el rea debajo de la funcin de densidad entre los dos valores de inters.

50

En la funcin de densidad
Usted puede ver la forma de la distribucin. Nos muestra de una sola vez si usted posee una pequea probabilidad de un evento muy extremo (sesgo), donde se encuentra la mayora de los resultados, y donde se encuentra el punto ms alto de la distribucin (moda).
51

Distribucin acumulada (grfico de percentil)


Una imagen visual de la probabilidad puede ser mostrada por medio de una distribucin acumulada (grfico de percentil) de la variable de entrada Crystal Ball. Esta representacin tambin es buena para demostrar cmo se ejecuta una simulacin Monte Carlo y cmo se realiza el muestreo latino hipercbico

52

Enfoque cuantitativo al anlisis de riesgos


Riesgos y Respuestas Herramientas Excel Crystal Ball

Modelo deterministico
Construccin Sin probabilidades
Validacin

Cuantificacin De riesgos
Reemplace Nmeros por Distribuciones Y estructuras De probabilidad

Clculos De probabilidad
Clculo De Distribuciones De salida Para Aspectos clave

Resultados Para decisiones

53

1.Modeling and Simulation Overview

Porqu una simulacin Monte Carlo?


Se evoluciona de modelos de hoja de trabajo de estimaciones puntuales hacia anlisis ms robustos Para poder capturar el efecto de los cambios a las variables de entrada, especialmente en el contexto en donde el anlisis de sensibilidad tradicional es dbil: Se cuantifica tanto la magnitud como la probabiidad de los resultados (el anlisis de sensibilidad tradicional slo visualiza las magnitudes). Cuando existe ms de dos variables inciertas que deban ser variadas simultneamente Cuando existan no linealidades o barreras en su modelo (por ejemplo, clusulas SI ENTONCES ) Para poder capturar las relaciones entre variables Para poder construir autnticos modelos de simulacin; es decir, modelos que no poseen valores en un sentido determintico ya que los resultados cambian como resultado de distintas combinaciones de las variables de entrada.

2009

59

2.Getting Started with Crystal Ball

3.Examining Probability Distributions

An cuando existan datos histricos


Se est elaborando un juicio respecto a que el futuro se asemeje al pasado La seleccin de una distribucin es un ejercicio serio pero factible.

Algoritmo esencial para la seleccin de la distribucin correcta

Existe una norma en la industria utilizada para la variable en cuestin? Cundo fue la ltima vez que alguien verific tal norma?

Si no existe una norma en la industria, existen datos histricos relevantes para determinar la incertidumbre de una variable en cuestin? Si nada de lo anterior aplica Localice a un experto y obtenga su opinin profesional

Concepto central de una evaluacin de riesgo


EXPOSICION Qu tan errnea es mi estimacin? Toda la accin se encuentra en las colas

Estndar o norma de la industria


A veces podra proveerse una distribucin pero Cmo obtener parmetros actualizados?

Ejemplo: se provee un estndar de distribucin normal


1. Esto requiere de una media y una desviacin estndar 2. La media podra estar disponible por medio de un experto 3. Desviacin estndar: usualmente ms difcil de conseguir

Distribucin normal

Distribucin normal
Porqu la distribucin normal es una buena distribucin para muchos fenmenos? Ley de los Grandes Nmeros o El Teorema del Lmite Central

Teorema del Lmite Central


Si el fenmeno o la variable que usted est examinando est compuesto de la suma de muchas piezas, cada una de las cuales es incierta e independiente, entonces la variable tiende (se aproxima razonablemente bien) a una distribucin normal.

Muchos fenmenos naturales satisfacen tal condicin

Distribucin normal
Descrita por primera vez por Abraham DeMoivre, un matemtico francs. Basado en los trabajos de los Bernoulli En Doctrina de las Probabilidades, 1733. Con base en la forma de la curva normal se desarrolla inmediatamente el concepto de la desviacin estndar.

DeMoivre escribe
A pesar de que el azar produce irregularidades, an as las probabilidades son infinitamente grandes para que, en el proceso del tiempo, tales irregularidades no mantendrn ninguna proporcin a la recurrencia de aquel Orden que resulta naturalmente del DISEO ORIGINAL

Regla prctica
Si no se est seguro de cul distribucin aplica, pero se sabe que es bsicamente simtrica, adems de que no se saben los valores mnimos y mximos, entonces la distribucin normal es una candidata razonable Otras distribuciones tambin pueden cumplir las caractersticas anteriores: Pert, Weibull.

Distribucin LogNormal
Razonable para utilizar en muchas variables financieras Valores no pueden ser menores que 0 Existe una pequea probabilidad de un valor extremadamente grande (sesgo positivo) Otras distribuciones que cumplen estos requisitos (Paretto y Exponencial) Requiere de una media y una desviacin estndar

La Normal y la LogNormal son parientes muy cercanas


Ejemplo: Si el precio de maana se tipifica LogNormal y depende del precio de hoy, se puede demostrar que la tasa de crecimiento del precio est normalmente distribuida.

Distribuciones Normal y LogNormal truncadas


Ambas son muy flexibles. Con base en ellas, se pueden crear muchos tipos de distribuciones

Use una distribucin Pert si


No existen datos Ninguna otra distribucin es apropiada Puede estimarse un valor razonable para un valor mnimo y un valor mximo Ms adelante se analizar un ejercicio con una Pert

Distribucin BetaGeneral
Muy flexible Funciona bien si se poseen datos histricos o la estimacin de un experto sobre 3 puntos de una distribucin (P10, P50, P90). Ms flexible que la Pert y permite generar colar ms delgadas y largas Ms adelante veremos un ejemplo

Distribuciones discretas
Discreta, Binomial, DiscretaUniforme, Poisson, Geomtrica Describen resultados que pueden ser contados Frecuentemente, aunque no siempre, la variable incierta es el conteo de cuntas veces ha sucedido un evento.

Discreta (Discrete)
La ms general de las distribuciones discretas Se especifica la lista de resultados discretos posibles, y luego se le asignan correspondientemente las posibilidades de ocurrencia a cada resultado

Distribucin Binomial
Util para especificar condiciones de encendido/apagado (binarias)

Ejemplos de la Binomial
Probabilidad de que la Fiscala realice un evento con cobertura periodstica esta semana Probabilidad de descubrir petrleo en un prospecto Probabilidad de que haya un corte elctrico en este mes Probabilidad de que cierto producto alimenticio infectado pase una infeccin en particular

Utilizando el criterio experto

Propsito
Pueda ser que no existan datos numricos o bien que los datos numricos no describan correctamente el comportamiento en el futuro. Necesitamos entonces confiar en el mejor juicio del experto.

Puntos principales
1. Cmo obtener el mejor juicio de los expertos. 2. Capturando el juicio profesional sobre una distribucin de probabilidad utilizando las distribuciones Pert y BetaGeneral. 3. Utilizando una ronda de probabilidad para capturar evaluaciones sobre la probabilidad discreta y la probabilidad en las colas. 4. Ajustando una distribucin al juicio.

Obteniendo las mejores estimaciones de los expertos


Las evaluaciones de riesgo son evaluaciones acerca de eventos en el futuro. La informacin que usted obtiene respecto al futuro debe ser provista por expertos, que le reportan a usted sus mejores juicios. El juicio que le proveen se basa en la experiencia histrica y su opinin acerca de porqu el futuro ser diferente del pasado.

Antes

Durante

Despues

Mtodos heursticos
Se basa en la utilizacin de reglas empricas para llegar a una solucin. El mtodo heurstico conocido como IDEAL, formulado por Bransford y Stein (1984), incluye cinco pasos:Identificar el problema; definir y presentar el problema; explorar las estrategias viables;avanzar en las estrategias; y lograr la solucin y volver para evaluar los efectos de las actividades (Bransford & Stein, 1984)

Reglas prcticas utilizadas por los individuos para arribar rpidamente a conclusiones. La idea es que estas reglas prcticas comprimen el detalle en sus componentes esenciales

Sesgos en las respuestas

Los siguientes mtodos heursticos pueden causar que los expertos introduzcan sesgos en sus respuestas.

Sesgos en los mtodos heursticos


Disponibilidad Representatividad Anclaje y ajuste

Adicionalmente, otras dos fuentes de sesgo son las siguientes:


Sesgos motivacionales Enmarcamiento

Mtodo heurstico de disponibilidad:


La gente usualmente juzga la posibilidad de un evento en trminos de que tan fcilmente pueden recordar (o imaginar) un ejemplo. Esto se le conoce como el mtodo heurstico de disponibilidad.

Mtodo heurstico de representatividad:

Se juzga un evento en particular por qu tan cercanamente el mismo representa un miembro estereotipado del grupo.

El sesgo resulta cuando el individuo le pone demasiada atencin a detalles especficos (que puedan o no contener informacin relevante para el juicio) mientras se ignora o no se le pone suficiente atencin a la informacin de contenido tal y como informacin base.

Mtodo heurstico de anclaje y ajuste:


Este es el sesgo que resulta debido a que el punto de partida, o ancla, no se ajusta adecuadamente al nuevo valor, cuando ms informacin sale a relucir. El sesgo se da hacia el ancla.

Sesgos motivacionales:
Esto resulta debido a que los individuos desean un resultado en particular, as que especifican valores para asegurarse tal resultado.

Enmarcamiento.
Esto se refiere a individuos siendo capaces de juzgar mejor un evento si ste se plantea desde cierta perspectiva en vez de otra. Los juicios de los individuos pueden ser hechos mejor desde un marco o punto de vista en contraposicin a otro.

Reduccin de sesgos
La clave para obtener la mejor respuesta consiste en conozca a su experto.

Mtodo heurstico de disponibilidad:


Para reducir el efecto de un evento reciente que cauce que un experto sobrevale un juicio, pregunte si algn evento reciente est teniendo un efecto sobre su juicio. Si es as, entonces pregunte al experto cmo tal evento se ajusta dentro de su juicio respecto a todos los otros eventos y/o conocimiento que el experto posea.

Al realizar esto, usted est forzando al experto a reconocer el evento reciente, luego a reconsiderar si el mismo debera ponderarse con poco o mucho peso en el juicio del experto.

Mtodo heurstico de representatividad:


Pregunte al experto si posee informacin base que l utiliz para arribar a su conclusin. O pregunte al experto el proceso utilizado para arribar a a la decisin. Observe sus respuestas.

Mtodo heurstico de anclaje y ajuste


Pregunte por los extremos antes de preguntar por la evaluacin central. Al obtener los extremos haga que el experto se imagine eventos reales que podran ocurrir que pudiesen generar tales extremos. Luego pregunte por la posibilidad relativa de que tal(es) evento(s) ocurran(n).

Sesgos motivacionales:
Reconozca que el experto estar motivado para dar una respuesta que le d ventaja a l o ella. Utilice su respuesta de acuerdo a ello.

Enmarcamiento (contexto)
Conozca a su experto. Si usted conoce a su experto, usted puede enmarcar las preguntar que invocarn el mejor juicio del experto.

4.Defining Assumptions

5.Defining Forecasts, Running Simulations, and Analyzing Results

6.Correlating Assumptions

7.Creating Reports

8.Determining Assumptions with Tornado and Spider Charts

9.Working with Multiple Assumptions

10.Setting Advanced Options for Assumptions

11.Setting Advanced Options for Forecasts

12.Working with Simulation Controls

13.Optimizing Decisions with OptQuest

14.Forecasting with Predictor

CUANTIFICACION DE RIESGOS ESTRATEGICOS

Esquema de presentacin
Cuantificacin de los eventos estratgicos
Presentacin 1: Cisnes negros y otros eventos difciles de pronosticar Presentacin 2: Redes y su impacto en distribuciones de probabilidad Caso prctico: Flujos descontados de efectivo con cuantificacin de riesgos estratgicos

Casos y ejemplos prcticos


Caso 1: Derramamientos de petrleo Caso 2: Cuantificacin de riesgos de evento Caso 3: Cuantificacin de riesgos estratgicos

Presentacin 1: Cisnes negros y otros eventos difciles de pronosticar


En esta seccin se discute el problema que N.N. Taleb ha denominado del cisne negro, los eventos que por su naturaleza extrema, de poca frecuencia y de explicabilidad revertida se encuentran fuera del dominio de las estadsticas

Nassim Nicholas Taleb escribe


The Black Swam discute la poca capacidad que tenemos los seres humanos para predecir los grandes acontecimientos cuyos impactos cambiarn el futuro, y de nuestra obsesin por la modelizacin de la realidad.

http://www.edge.org/3rd_culture/taleb08/taleb08_index.html

En el 2006, escribe
La institucin respaldada por el gobierno Fannie Mae, cuando veo sus riesgos, parece estar sentada sobre un barril de dinamita, vulnerable al ms pequeo hipo. Pero no hay de qu preocuparse: su gran cantidad de cientficos consideraban estos eventos como poco probables.

En el 2010 escribe:
El conocimiento estadstico y las probabilidades aplicadas es el ncleo del conocimiento; las estadsticas es lo que dicen si algo es verdadero, falso o meramente anecdtico; es la lgica de la ciencia, es el instrumento para la toma de riesgos; es las herramientas aplicadas de la epistemologa; usted no puede ser un intelectual contemporneo y no pensar probabilsticamente pero, no seamos tontos. El problema es mucho ms complicado de lo que pareciera para el usuario mecanicista casual que la aprendi en el post-grado. Las estadsticas pueden engaarte. De hecho, estn engaando al gobierno en este momento. Pueden inclusive llevar a la quiebra al sistema. Enfrentmoslo: el uso de los mtodos probabilsticos para la estimacin de los riesgos recin acaban de hacer quebrar todo el sistema bancario).

El cisne negro
Definicin: Una expresin latina ya utilizada por Juvenal y popularizada en el s. XVI en Londres. Este fenmeno describe la imposibilidad. Todos los cisnes deben ser blancos porque los registros histricos de cisnes reportan que son blancos. Sin embargo, en 1697 se descubrieron los cisnes negros en Australia. Entonces, el termin se transform para connotar que una imposibilidad percibida podra posteriormente ocurrir.

Qu define a un cisne negro


1. Rareza: Yace fuera del dominio de las expectativas regulares Impacto extremo Predictibilidad retrospectiva: (no prospectiva) La naturaleza humana nos hace desarrollar explicaciones a posteriori hacindolo explicable y predecible

2. 3.

Adicionalmente

Actuamos como que si no existiera. Los cientficos sociales han operado bajo la falsa creencia que sus herramientas pueden medir la incertidumbre a los problemas reales ha tenido efectos ridculos. El gran fraude intelectual: la distribucin normal Vase las siguientes cifras del DJIA
Dow Jones Industrial Average, 1950-2010.
14,000

12,000

10,000

8,000

6,000

4,000

2,000

ene-50

ene-52

ene-54

ene-56

ene-58

ene-60

ene-62

ene-64

ene-66

ene-68

ene-70

ene-72

ene-74

ene-76

ene-78

ene-80

ene-82

ene-84

ene-86

ene-88

ene-90

ene-92

ene-94

ene-96

ene-98

ene-00

ene-02

ene-04

ene-06

ene-08

ene-10

Algunos cisnes negros


Los eventos que desembocaron en la 1 Guerra Mundial El ascenso de Hitler y la 2 Guerra Mundial La repentina cada del bloque sovitico El ascenso del fundamentalismo islmico La dispersin de internet Modas, epidemias, gneros artsticos, escuelas El hundimiento del Titanic Facebook

Capitn E.J. Smith, 1907.


Pero en toda mi experiencia, nunca he estado en un accidente de ninguna naturaleza que valga la pena mencionar. He visto slo un navo en problemas en todos mis aos en el mar. Nunca vi un naufragio y nunca he naufragado y nunca estuve en una situacin que amenzare acabar en algn tipo de desastre.

La metfora del pavo

Cualquier parecido al pavo es mera coincidencia

La curva de campana: El Gran Fraude Intelectual


La mayora de las observaciones oscilan alrededor de lo mediocre, el promedio. Una nica observacin no impactar el total Las probabilidades de una desviacin disminuyen cada vez ms rpidamente (de manera exponencial) a medida que se aleja de la media. Es notable la aceleracin en la probabilidad de los eventos extremos

Distribucin de campana
El enfoque es en lo ordinario y luego se lidia con las excepciones. Sirve en donde se pueda generalizar que el mayor elemento no est muy alejado del promedio. Si existe un efecto gravitatorio o si hay limitaciones fsicas

Distribucin de campana
Si hay grandes fuerzas equilibrantes que vuelvan las situaciones a equilibrio relativamente rpido despus que las condiciones diverjan del equilibrio. La desviacin estndar realmente slo tiene significado en distribuciones simtricas (Gaussianas)

Historia matemtica de la curva de campana


Gauss trabaj en ella pero l era un matemtico terico. Abraham DeMoivre (1667-1754) la formul. Adolphe Quetlet (1678-1754) la populariz con el hombre medio (lhomme moyen). Poincar dud de ella

Las distribuciones mandelbrotianas


Derivadas de los estudios del matemtico contemporneo descubridor de los fractales Benoit Mandelbrot Ejemplo de riqueza en Europa La velocidad del decrecimiento en la frecuencia se mantiene constante. Al doblar la cantidad de riqueza, la frecuencia se disminuye en 4 (independientemente del nivel). Es decir, es escalable o fractal. El enfoque inicia con la excepcin como punto de partida y lidia con lo ordinario como subordinado

Los expertos
La incapacidad para predecir cisnes negros implica la incapacidad para predecir el curso de la historia. (proyecciones a 30 aos plazo, proyecciones del precio del petrleo a 30 aos, etc.) Lo sorprendente no son los errores de pronstico sino ms bien nuestra ausencia de la conciencia respecto de los mismos. As, algunos profesionales que creen que son expertos, en realidad no lo son. Son mejores narrando los eventos, no predicindolos. An peor, lo hacen con modelos matemticos. Cuestionario de estimaciones

Los eventos futuros


Debemos ajustarnos a su existencia, en vez de tratar, inocentemente, de predecirlos. Hay cisnes negros positivos (descubrimientos cientficos, capital de ventura) y negativos

Qu aprendi la gente con el 11 de septiembre?


Que algunos eventos, dada su dinmica, se encuentran claramente fuera del dominio de lo predecible. NO El defecto implicito de la sabiduria convencional NO

Reglas especficas para evitar ataques terroristas en edificios altos y aviones.

La lnea de Maginot

Excesivo enfoque en lo que se conoce. Tendemos a aprender lo preciso, no lo general. El hroe olvidado de la prevencin. Que hubiese pasado si se hubiere aprobado una ley obligando a las lneas areas a tener puertas de seguridad en las cabinas de piloto de los aviones.

Formas alternativas para analizar fenmenos


Descartar lo extraordinario, considerarlo como un evento extremo (outlier) y enfocarse en lo normal. Considerar que para comprender un fenmeno, deben considerarse primeramente los extremos.

Lo normal es usualmente irrelevante


Cmo evaluar a un criminal en un da ordinario Cmo considerar la salud pblica sin epidemias o enfermades.

En el ambiente social, se estudian los eventos bajo la curva normal:


Mtodo de inferencia de lo normal La normal ignora las grandes desviaciones Pero igual nos da confianza de que hemos domesticado la incertidumbre GFI: El gran fraude intelectual

Creemos contar con la verdad


puesto que partimos de modelos cientficomatemticos de validacin, pero no nos damos cuenta de que las premisas que aceptamos como vlidas no siempre lo son.

Dos mundos opuestos


Mediocristn

Extremistn

Taleb separa la realidad en dos mundos contrapuestos:


Mediocristn (el reino de las tendencias medias y las distribuciones normales) Extremistn (el reino de los sucesos extraordinarios y las distribuciones fractales).

Mediocristn o Extremistn?
Es de vital importancia saber cuando nos movemos en un reino u otro para saber cuales son las herramientas o paradigmas que podemos aplicar en cada caso y adems hay que tener en cuenta que la mayora de las veces nos movemos por Extremistn, aunque pensamos lo contrario.

Mediocristan
No escalable Aleatoriedad tipo 1 o suave El miembro ms tpico es mediocre Los ganadores obtienen un pequeo segmento del total Ejemplo: audiencia de un cantante de pera antes del gramfono Ms probable de encontrar en nuestro ambiente ancestral El efecto del cisne negro no le afecta Sujeto a la gravedad

Extremistan
Escalable Aleatoriedad tipo 2 radical El ms "tpico" es gigante o enano; no hay miembros tpicos Efectos en donde el ganador se lleva todo Audiencia actual de un artista Ms probable encontrar en nuestro ambiente contemporneo Vulnerable al efecto del cisne negro No hay restricciones fsicas a su magnitud

Generalmente corresponde a cantidades fsicas


Cercano a la igualdad utpica El total no est determinado por una sola instancia u observacin Al observarlo un tiempo se es capaz de comprender el fenmeno

Corresponde a nmeros sociales (como por ejemplo, la riqueza)


Dominado por inequidades del tipo en que el ganador se lo lleva todo El total estar determinado por un pequeo nmero de eventos extremos Toma mucho tiempo lograr comprender el fenmeno

Tirana del colectivo


Fcil de predecir desde lo que uno ver e implicar lo que no se ve La historia avanza apaso de gusano Los eventos se distribuyen de acuerdo a la distribucin "normal"

Tirana de lo accidental
Difcil predecir con base en la informacin pasada La historia brinca La distribucin es Mandelbrtica (fractal)

Impredictibilidad de los sucesos


Ya que no podemos controlar los sucesos impredecibles, deberamos aceptar la incertidumbre e intentar maximizar nuestra exposicin a la casualidad de signo positivo, situndonos en el camino de las nuevas ideas y tendencias Este camino prescriptivo es lo que Taleb seala en la saga del Cisne Negro: El Cuarto Cuadrante

Tipos de decisiones
Binarias: (M0)
Solo importa si algo es falso o verdadero. Algo es verdadero o falso con cierto grado de confianza Depende del Momento Cero (slo la probabilidad del evento)

Complejas: (M1) Importa tanto la frecuencia como el impacto, o alguna funcin del impacto.

El Cuarto Cuadrante del Mapa


Decisiones simples Decisiones complejas

Mediocristn

1
2

3
4

Extremistn

Cuadrante 1:
Decisiones simples

Mediocristn

Decisiones binarias simples en Mediocristn Situaciones comunes en la academia, en los laboratorios y en los casinos (la falacia ldica) Tendemos a estudiarlos porque es muy fcil modelarlos

Cuadrante 2:
Decisiones simples

Extremistn

Decisiones simples en Extremistn Usualmente pocos fenmenos se sitan ac.

Cuadrante 3:
Decisiones complejas

Mediocristn

Se pueden usar muy bien algunos mtodos estadsticos de teora de valor extremo Picos sobre umbrales; mximos de bloque

Cuadrante 4:
Decisiones complejas

Extremistn

Ac no llegan los dominios de la estadstica El dominio de los cisnes negros. No base sus decisiones basado en teoras estadsticas

Eventos por cuadrante


APLICACION DOMINIO

DECISIONES SIMPLES

DECISIONES COMPLEJAS

Colas delgadas (Mediocristn)

Extremedamente Bien robustas a los robustas a los cisnes cisnes negros negros Bien robustas a los cisnes negros Lmites de la estadstica extremada fragilidad a los cisnes negros

Colas anchas o desconocidas, Escala desconocida (Extremistn)

Decisiones simples (Falso / verdadero)


M0: Dependen de la probabilidad Medicina Experimentos psicolgicos Apuestas Derivados binarios Vida/muerte de una persona Bancarrota (para una empresa) Un seguro (limitado) Algo ms? No mucho

Decisiones complejas (Cunto?)


Severidad lineal: Probabilidad x severidad Seguridad: Terrorismo, catstrofes naturales Problemas ambientales Clima Administracin general de riesgos Epidemias (vida/muerte) de muchas personas Seguros, medicin de cobertura esperada Seguros, portafolios grandes abiertos de catstrofes Finanzas (inversiones) Casinos

Decisiones muy complejas (Realmente cunto)


Severidad no lineal: Probabilidad x potencia Innovaciones, tecnologas convexas Consecuencias sociales de pandemias Calibracin de modelos no lineales Errores en anlisis de las desviaciones Portafolios apalancados Portafolios dinmicos de cobertura Posicionamiento basado en la curtosis Opciones de mayor orden

Reglas Fronticas (fronesis: la virtud del pensamiento prctico)


1. Evite la optimizacin, aprenda a amar la redundancia. 2. Evite la prediccin de pagos muy remotos 3. Cuidado con la atipicidad de los eventos remotos 4. Toma mucho tiempo los eventos de Extremistn 5. Cuidado con el riesgo moral

Reglas Fronticas (continuacin)


6. Cuidado con las mtricas de Mediocristn 7. Observe la asimetra 8. No confunda la ausencia de volatilidad con la ausencia de riesgos 9. Cuidado con presentaciones de nmeros de riesgo

Redes y su impacto en la cuantificacin de riesgos estratgicos

Redes y su impacto en la cuantificacin

de riesgos estratgicos
El efecto del pequeo mundo Stanley Milgram (Harvard, 1950s) estudi este fenmeno que se convirti en mito urbano de los 6 grados de separacin. En los ltimos aos, el estudio de las redes se ha convertido, por virtud propia, en una ciencia completa.

Redes
Fenmenos naturales, tecnologa y cultura que pueden ser adecuadamente descritos por redes Transporte areo, redes sociales, internet, sistemas de distribucin, neurologa, gentica, organizaciones complejas, terrorismo, epidemiologa, etc.)

Historia de la ciencia de redes


Hasta la ltima dcada se ha consolidado el estudio de las redes como ciencia por parte de matemticos aplicados y fsicos. Duncan Watts (finales de los 90s) Dinmica colectiva de redes de pequeo mundo (Nature) Albert-Laszlo Barabasi Emergencia del escalamiento en redes aleatorias (Science) Realizacin que se requera de una nueva ciencia y enfoque para lo altamente complejo e intrincadamente conectado de los sistemas actuales.

Enfoque de las redes

Enfoque en las conexiones entre elementos y no en los elementos (nodos)

Contesta preguntas como


Dispersin de rumores y mitos urbanos; robustez de sistemas de interconexin elctrica e Internet ante ciertas circunstancias y susceptibilidad a la falla en gran escala; longitud de vida de organismos en funcin del tamao

Meta de la ciencia
Crear un lenguaje y una estructura comn de pensamiento que pueda caracterizar fenmenos tan dispares y describirlos

Componentes de una red


Nodos: individuos en la red Vnculos: relaciones de los nodos (hacia y desde) Grados: Nmero de vnculos de un nodo Agrupamientos: (clustering) Ejemplo de LinkedIn Hubs: Nodos de alto grado

Comportamiento de las redes naturales, sociales y tecnolgicas


Alto agrupamiento Distribuciones altamente simtricas de los grados Estructuras de hub

Redes de pequeo mundo


Duncan Watts & Steven Strogatz Longitud de ruta promedio: (LRP) medida de qu tan pequeo es el mundo en una red Mi red LinkedIn

Redes de pequeo mundo


Para una red de 60 nodos, la longitud de ruta promedio es de 15 Por medio de un cambio aleatorio en un 5% de los nodos, se puede reducir la LRP a 9. El efecto se vuelve ms dramtico con redes ms grandes

Rutas de mundo pequeo


Relativamente pocas conexiones de larga distancia pero posee un LRP pequeo con respecto al nmero total de nodos. Validacin: Red de actores de cine, la parrilla elctrica del oeste de los EUA, el cerebro de una lombriz para el cual se conoce ya su mapa neuronal. Cada vez se encuentran ms ejemplos

Porqu existen y cmo se crean las redes


La necesidad de flujos de informacin rpida en la red El alto costo de mantenimiento y creacin de conexiones de redes de larga distancia Vinculacin preferencial (propuesta por Barabasi & Albert): Los nodos con altos grados crecen ms que los que no tienen alto grado. (Gladwell Tipping points)

Internet como red


Muchas pginas con bajo grado Muy pocas pginas con alto grado Distribucin sesgada Altos niveles de agrupamiento (comunidades) Red de escalabilidad libre Estimacin del tamao: de 100 millones a 10,000 millones

Escalabilidad libre
El grado-entrada de la red puede ser descrito con una regla simple: Nmero de pginas Web con grado-entrada k = 1 / k2

Eventos con exponentes implicados fractales


Fenmeno

Nmero de libros vendidos en los EUA Frecuencia de uso de palabras


Nmero de visitas a sitios web Llamadas telefnicas recibidas Magnitud de terremotos Dimetro de los crteres lunares Intensidad de las manchas solares Intensidad de las guerras Riqueza de los estadounidenses Nmero de personas por apellido Poblacin de las ciudades de los EUA Movimientos de mercado Tamao de compaa Personas fallecidas en ataques terroristas

Exponente asumido 1.50 1.20 1.40 1.22 2.80 2.14 0.80 0.80 1.10 1.00 1.30 3.00 1.50 2.00

COMPOSICION DE USUARIOS EN REDES SOCIALES PARA LAS 21 REDES MAS GRANDES


REDES FACEBOOK WINDOWS LIVE PROFILE MY SPACE BAIDU SPACE TWITTER ORKUT HI5 QQ ALUMNI LINKEDIN DEVIANTART MIEMBROS 430 164 110 63 58 54 47 43 35 34

En octubre del 2009, ms de 830 millones de usuarios visitaron las redes sociales a travs de computadoras National Geographic, Abril 2010.

KAIXINOOI
STUDIVZ SITES VKONTAKTE SKYROCK VK MIXI ODNOKLASSNIKI BEBO WER-KENT-WEN BHARATASTUDENT HATENA BOOKMARK

24
17 17 16 14 13 10 8 7 4 4

Las redes sociales ms grandes

National Geographic, Abril 2010.

Internet como red


El nmero clave ac es el exponente: k-2 Diferentes exponentes producen distribuciones que se ven muy distintas. La forma se mantiene idntica, independientemente de la escala. Una distribucin as se llama auto-similar, ya que posee la misma forma a cualquier escala que se dibuje; es decir, posee la caracterstica de invariabilidad de escala.

Distribuciones de escalamiento-libre versus curvas de campana (normales)


Distribuciones normales Caracterizadas por poseer una escala Si los grados-entrada fueran normalmente distribuidos, entonces entonces todas las pginas web poseeran un nmero de gradosentrada cercanos al promedio. Los buscadores (Google) no funcionara bien

Propiedades de las redes libres de escalamiento


Un relativamente pequeo nmero de nodos con un muy alto grado Nodos con grados a lo largo de un amplio rango de distintos valores Auto similaridad Estructura de pequeo mundo

Elasticidad o capacidad de recuperacin (resilience)


Una propiedad muy importante en redes libres de escalamiento Si se elimina aleatoriamente un conjunto de nodos (y sus vnculos) de una red de gran escala , las propiedades bsicas de la red no se modifican. Mantiene su grado de distribucin heterognea, LRP corto, y agrupamiento fuerte. Sensibilidad en los hubs

Implicaciones de pensar en trminos de redes


En campos de la ciencia, ecologa, tecnologa, redes sociales. Temas en comn: distribuciones libres de escalamiento, agrupamientos, presencia de hubs. Esto brinda a la red capacidades de comunicacin de tipo de mundo pequeo y posibilidades de recuperacin o elasticidad (Resilience)

Aplicaciones generales
Aplicaciones en tecnologa y ciencia Bsquedas eficientes en la Web Control de epidemias Control de grandes organizaciones Preservacin de ecosistemas Sistemas inmunolgicos Organizaciones criminales y terroristas