RIESGO

En la práctica, gran cantidad de problemas de ingeniería, donde es necesaria una

predicción, se abordan solo con las mejores “estimaciones” puntuales, para cada
uno de los factores respecto de los cuales existe incertidumbre (variables de
entrada), luego en función de ellos, calcular alguna respuesta o variable de salida.
Este procedimiento tiene dos inconvenientes:

a) No hay garantía de que las mejores “estimaciones” proporcionen el verdadero

valor de las variables de entrada y por tanto el verdadero valor de la respuesta.

b) No hay forma de medir los daños o el “Riesgo” asociado al posible resultado de

una respuesta, es decir, su probabilidad de ocurrencia.

Ej: Costos por sobretiempo, Déficit de Inventario, Ventas Futuras, Resultados de

Prospecciones Geológicas, Proyecciones de Demanda, Aprobaciones
Medioambientales…etc.

1.- RIESGO:

Existen muchas definiciones para el concepto de riesgo, así como opciones para
las unidades empleadas en su medición, dependiendo de cada problema, aunque
todas ellas reflejan de manera general, nuestra incapacidad para adivinar el futuro:

Riesgo: Variabilidad de los posibles resultados esperables de un evento.

Riesgo: Probabilidad de que NO se cumpla lo que espero para mi organización.

Riesgo: Valor Esperado o esperanza de las perdidas.

Riesgo: Producto entre la Severidad de los daños y la probabilidad de ocurrencia

Riesgo: Probabilidad de que el VPN del proyecto sea menor que cero.

Riesgo: Desviación estándar de los flujos de efectivo

Riesgo: Peor perdida esperada en un intervalo de tiempo dado, con un nivel de

confianza especifico y bajo condiciones normales de mercado (VAR).

En contraposición al Riesgo entendemos la “Oportunidad” como la posibilidad de

una ganancia o beneficio potencial para la empresa.

2.-TIPOS DE RIESGOS FINANCIEROS EN LA EMPRESA

En términos muy generales podemos citar algunos de ellos:

Riesgo Operacional: Pérdida potencial por fallas o deficiencias en los sistemas,
controles internos, operaciones de la empresa y quienes los manejan.

Riesgo Legal: Pérdida potencial por el posible incumplimiento de disposiciones

legales y administrativas aplicables, en relación con las operaciones que la
empresa lleva a cabo.

Riesgo de Crédito: Pérdidas por el incumplimiento, total o parcial, de los recursos

prestados o avalados en una operación financiera al vencimiento de los pagos o
retornos pactados.

Riesgo de Liquidez: Pérdida potencial por la venta anticipada o forzosa de

activos a descuentos inusuales para hacer frente a las obligaciones.

Riesgo de Mercado: Pérdida potencial por movimientos adversos de tasas de

interés, tipos de cambio.

3.-OPCIONES FRENTE AL RIESGO:

ARTE, es una sigla que refiere a las cuatro acciones claves para tomar decisiones
racionales a la hora de administrar los riesgos de cualquier compañía:

Dejar la situación como esta es la mejor alternativa económica

A ACEPTAR
por lo cual asume el riesgo existente, conocido o desconocido.
Decisión de “Mitigar” o “Reducir” el Riesgo (Impacto o
R REDUCIR Probabilidad de Ocurrencia) con acciones y recursos propios de
la compañía.
Búsqueda de socios para “compartir” los riesgos, tal como la
T TRANSFERIR
contratación de seguros o bien tercerizar.

El costo de mitigar el riesgo es excesivo y se decide dejar de

E EVITAR
realizar determinada actividad o negocio eliminando el riesgo por
completo.

Las características de cada riesgo son las que determinan su probabilidad de

ocurrencia (frecuencia) y severidad, estas a su vez definen el tipo de herramienta
a utilizar para su manejo y/o tratamiento:
4.-ANALISIS DE RIESGO

En un sentido amplio el Análisis de Riesgo es cualquier método, cualitativo o

cuantitativo, destinado a estimar los efectos de los diversos Riesgos presentes en
la empresa, una vez que estos han sido identificados (Brainstorming, Delphi,
Entrevistas... etc.) y debidamente clasificados.

5.-ANALISIS DE RIESGO DETERMINISTA:

Consideramos dos técnicas deterministas

5.1.- Riesgo Proporcional (Proportional risk-assessment (PRAT) technique)

Cada Riesgo identificado posee asociado tres factores:

 Probabilidad (P): Probabilidad de ocurrencia del daño

 Severidad(S):Describe las pérdidas potenciales o nivel del daño causado
 Exposición(E) : Nivel de Exposición al daño

Cada uno de los tres factores considerados, S, E, P son graduados en una escala
discreta que asigna un número mayor a un mayor valor de S, E o P:

 Probabilidad (P): Escala de 1 a 5

1(Remoto) -2(Poco Probable)-3(50/50%) -4(más de 50%)-5(Muy Probable)

 Severidad(S):Escala de 1 a 4
1(Nula)-2(Mínima)-3(Significativa)-4(Importante)-5(Catastrófico)

 Exposición(E) : Escala de 1 a 5
1(Nula)-2(Media)-3(Sobre la media)-4(Grande)

Finalmente el nivel de Riesgo o rango R se calcula por la expresión:

R = S*E*P
La expresión anterior entrega una herramienta simple para priorizar la atención de
los riesgos presentes según su nivel. Los valores elevados en el nivel de Riesgo
deberán ser controlados:
5.2.- Matriz de Riesgo (Decisión matrix risk-assessment (DMRA) technique)

Permite una representacion visual de la expresión anterior en una matriz que

muestra solo Severidad v/s Probabilidad. En la figura se observa la matriz de
riesgo con escalas modificadas, observando en cada caso la política adoptada
frente a cada nivel de riesgo (5<R<45) y en Rojo la puntuación asignada a los
riesgos No tolerables (R=S*P):
6.-ANALISIS DE RIESGO ESTOCASTICO:

Es el análisis de riesgo implementado usando técnicas de Simulación

computacional junto con distribuciones de probabilidad para representar las
variables riesgosas, para su posterior análisis con métodos estadísticos. Esta
técnica es también conocida como Método de Montecarlo

Las siguientes definiciones son de utilidad para entender las ideas asociadas al
Análisis de Riesgo con el Método de Montecarlo:

 CERTIDUMBRE O CERTEZA:
Situación en la que se conoce sin duda del valor que
adoptara en el futuro una variable de entrada o
salida

 INCERTIDUMBRE:
Situación en la que no es conocida la distribución de
probabilidad de los valores una variable de entrada
o salida, por lo que respecto de su valor futuro, existe
total desconocimiento. La incertidumbre se convertirá
en riesgo, al disponer de una distribución de
probabilidad para la variable en estudio.

 RIESGO:
Situación en la que solo es conocida la
distribución de probabilidad de los valores una
variable de entrada o salida, por lo que respecto
de su valor futuro, solo podemos realizar
afirmaciones de tipo probabilista .Según lo
anterior una situación de cero riesgos implicara
certidumbre total o certeza.
  RIESGO OBJETIVO:
Corresponde a la situación en que la distribución de probabilidad de la
variable en estudio se establece mediante teoría, experimentos o
mediciones

Ej: El lanzamiento de una moneda corresponde a una situación de riesgo objetivo,

donde las probabilidades son conocidas en forma objetiva: P (cara)=P (sello)= 1/2

 RIESGO SUBJETIVO:
Corresponde a la situación en que la distribución de probabilidad de la
variable en estudio es establecida en forma subjetiva por el tomador de
decisiones, y por tanto cuestionable:

Ej: La duración de un proyecto que no presenta antecedentes previos de ningún

tipo, es una situación de riesgo subjetivo, pues las probabilidades de término de
las operaciones, serán asignadas en forma subjetiva.

7.-ELECCION FDP CONTINUA PARA MODELAR RIESGO EN AUSENCIA DE

DATOS

En muchas situaciones no es posible recolectar datos que muestren la variabilidad

de la variable aleatoria que representa el Riesgo.

Ej : Tiempo de termino de un proyecto que por sus características , no registra

ningún tipo de antecedentes.

En esta situación se consideran tres posibles formas para la VA “Continua” que

representa la variable riesgosa:

7.1.-FDP Uniforme:

Estimar en forma directa o mediante la ayuda de conocedores del área en

cuestión, valores para el máximo (b) y mínimo (a) de la distribución uniforme
propuesta.

OBS: El problema de esta

distribución es que supone todos
los valores de la VA como
igualmente probables entre los
extremos propuestos, por lo que
refleja un conocimiento muy
pobre de la VA.
7.2.-FDP Normal:

Estimar en forma directa o mediante la ayuda de conocedores del área en

cuestión, valores para la media () y la desviación estándar () de la distribución
Normal propuesta.

OBS: Esta distribución es muy

utilizada al representar las más
diversas situaciones. Tiene la
desventaja de ser siempre una
distribución Simétrica, es decir, no
sesgada, lo que debe tenerse muy
presente al utilizarla como modelo.
Recordar que el rango de variación de
una distribución normal varía en un
99% de probabilidad en el rango de 3 en torno a  tal como se ve en la figura.

7.3.-FDP Triangular:

Estimar en forma directa o mediante la ayuda de conocedores del área en

cuestión, valores para el máximo (c) , mínimo (a) y moda (m) de la distribución
Triangular propuesta.

OBS: Esta distribución tiene la ventaja de ser simétrica y además fácilmente

sesgada hacia la izquierda o derecha, aun cuando el hecho de estar limitada a
variar entre su mínimo y máximo junto con estar definida a partir de segmentos
“rectos” , la presenta con cierta desventaja respecto de otras distribuciones no
limitadas y menos “artificiales” tales como la normal .

Recordar que la media de una distribución

triangular está dada por:

 =(a+b+c)/3

por lo que es fácil comprobar que si tenemos

sesgo hacia la derecha, es decir valores
sobre la moda son más probables que bajo
ella:
a = 3,6 , m = 3,7, c= 4,4 y  =3,9 por lo
que m < 
si tenemos sesgo hacia la Izquierda es
decir valores bajo la moda son más
probables que bajo ella:

a = 3,6 , m = 4,3 , c = 4,4 y  =4,1

por lo que  < m

Ejercicios:

1.-Estimar los parámetros que estarían asociados a una distribución de

probabilidad que represente los tiempos de viaje en bus Valparaíso - Santiago en
minutos en condiciones “normales” , comentando brevemente las diferencias:

a)FDP Uniforme .
b)FDP Normal
c)FDP Triangular Simétrica.
d)FDP Triangular Sesgada a la Izquierda.
e)FDP Triangular Sesgada a la Derecha.

8.-MÉTODO DE MONTECARLO:

Estudia un sistema en el cual la evolución temporal no es de interés salvo su

situación final. Otra forma de describir la simulación de Montecarlo, es presentarla
como un método para generar muestras de una variable de salida o respuesta del
sistema ( Z) , a partir de muestras de las variables de entrada (X i : i =1,...., n) , con
la función “ f ” definida en forma explícita o implícita:

Z = f ( X1 , X2 , ......... , Xn )

El método de Montecarlo obtendrá una distribución de probabilidad empírica para

la respuesta (Z) , a partir de distribuciones de probabilidad propuestas para las
entradas (Xi) , con este propósito se genera gran cantidad de muestras de cada
una de las variables de entrada , para obtener similar cantidad de muestras para
la respuesta.
9.-ETAPAS EN DESARROLLO DE ANALISIS DE RIESGO CON EL METODO
DE MONTECARLO

9.1: Creación del Modelo:

En la planilla Excel se define el modelo representado por sus variables de entrada

y salida, junto con las relaciones matemáticas que las vinculan, evaluadas en el
Escenario Base Determinista o eventualmente tres Escenarios “Optimista , Más
probable y Pesimista”:
9.2.- Determinación de Riesgos

Determinación de las variables de entrada que podrían ser modeladas como

Riesgos, junto con su correspondiente distribución de probabilidad.

9.3.- Determinación de Variables Críticas (Grafico de Tornado)

El análisis de Sensibilidad determinista de las gráficas de tornado y de Araña

ayuda a determinar las variables más críticas dentro de las que ya han sido
modeladas como riesgos para enfocar en ellas las medidas de “Control o
Mitigación de Riesgos” que se definan. . Esto es de gran interés cuando existe
gran cantidad de variables asociadas al modelo, y es necesario realizar una
selección solo de las más relevantes.

 Tornado Chart (Base Case :Mediana)

  Spider Chart (Percentiles)

Estos análisis tienen dos inconvenientes:

 No toman en cuenta las correlaciones entre variables de entrada,

 El análisis de impacto al pronóstico se obtiene al hacer un cambio a una
variable de entrada y las demás las mantiene constante con la cifra del
escenario base.

9.4.-Determinacion de Pronósticos y Correlaciones

Se determinan las variables o pronósticos cuya variabilidad se desea analizar:

Se determinan las posibles correlaciones existentes en las variables de

entrada del modelo que han sido consideradas como relevantes, y que son
presentadas en la matriz de correlaciones:
9.5.-Determinacion del Número de Corridas

La determinación del número de muestras requeridas en el método de Montecarlo

podrá ser estimada para cualquier respuesta en forma visual, mediante una gráfica
de estabilización de la media acumulada de la respuesta, hasta lograr eliminar
toda fluctuación o variación apreciable en la respuesta, tal como la que se indica
en la figura:

En forma analítica, se puede determinar el número mínimo de muestras

requeridas con un nivel de confianza del 95%, para una precisión dada, mediante
la expresión:
Dónde:

e : Precisión requerida en la estimación de la media de la respuesta o diferencia

propuesta entre la media real y la simulada
S: Desviación estándar de la muestra de np corridas de prueba.
n: Nº de muestras simuladas requeridas .

Si n > np se necesitaran n – n p muestras adicionales, en caso contrario, n p

muestras serán suficientes

9.6.-Resultado de la Simulación o Determinación del Perfil de Riesgo del

Pronóstico

El análisis de Riesgo de Montecarlo permite abordar de manera directa una gran

variedad de preguntas respecto del riesgo y cuantificación de algún pronóstico
financiero, económico o de otro tipo tales como:

 ¿Qué podría pasar con este pronóstico?

 ¿Cuál es la probabilidad que suceda algún evento de interés para este
pronóstico?
 ¿Qué riesgos tienen mayor impacto en el pronóstico realizado?
 ¿Qué resultados sobre el pronóstico tendría una Mitigación o transferencia
de estos riesgos críticos?
9.7.-Revision del Modelo

Aquí revisamos el modelo de la siguiente manera:

¿Existe alta concentración en un Riesgo?

¿Cómo es el Impacto de la correlación en el Pronóstico?
¿Podemos mejorar la modelación de los Supuestos (Riesgos)?
¿Están los cálculos y la lógica correctos?
¿Falta algún Riesgo en el Modelo?
¿La Estructura del Modelo es la idónea?

9.8.-Stress Testing –Test de Esfuerzo

Es una herramienta del análisis de riesgo que apunta a simular “eventos extremos
pero plausibles” y medir el efecto que estos eventos tienen sobre la empresa o
proyecto.

10.-APLICACIONES DE LA SIMULACION DE MONTECARLO

La simulación de Montecarlo ha sido aplicada a diversos ámbitos entre los que

podemos mencionar:

1.-Estudio y análisis de Juegos de Azar.

2.-Resolución de ecuaciones diferenciales parciales.
3.-Resolución de integrales.
4.-Teoría de la Confiabilidad.
5.-Análisis de Riesgo.
6.-Evaluación de proyectos.
11.-CRITERIOS DE DECISON EN PROBLEMAS DE RIESGO:

Existe gran variedad de reglas y criterios desarrollados para apoyar la toma de

decisiones en condiciones de riesgo en conocimiento de las probabilidades, entre
ellos:

a) Nivel de aspiración

Se elige un “nivel de aspiración” y después se escoge la opción que “maximice

(utilidades) o minimice (costos)” la probabilidad de conseguir dicho nivel.

Ej.: La tabla de la figura indica las utilidades en 3 proyectos de inversión junto con
sus probabilidades de ocurrencia:

[Link] 0.5 0.1 0.1 0.3

Proy1 $3 $-1 $1 $1
Proy2 $4 $0 $-4 $6
Proy3 $5 $-2 $0 $2

Si el nivel de aspiración escogido para las utilidades es “no menos de 5” , los

proyectos 2 y 3 tienen resultados posibles de 5 o mayores, pero la alternativa del
proyecto 3 es la de mayor probabilidad (0.5) y por eso es la elegida junto con su
resultado (5)

b) Futuro más Probable:

Se considera como futuro cierto, solo la opción más probable, es decir la persona
que toma la decisión pasa por alto el resto de los resultados posibles, a partir de lo
cual elige la mejor opción:

Ej.: La tabla de la figura indica las utilidades en 3 proyectos de inversión junto con
sus probabilidades de ocurrencia:

[Link] 0.5 0.1 0.1 0.3

Proy1 $3 $-1 $1 $1
Proy2 $4 $0 $-4 $6
Proy3 $5 $-2 $0 $2

En cada proyecto el evento más probable es de 0.5 siendo considerado cierto, y

entre ellos claramente el Proyecto 3 el que ofrece el mejor resultado $5.

c) Valor Esperado:
A diferencia del anterior criterio, el valor esperado pondera todos los resultados
posibles por sus respectivas probabilidades. :

E(x) =∑ xi * P(xi)

Ej: para la situación considerada en el ejemplo anterior:

Proy 1 E(x)= 3*0.5 - 1*0.1 + 1*0.1 + 1*0.3 = 1.8

Proy 2 E(x)= 4*0.5 - 0*0.1 - 4*0.1 + 6*0.3 = 3.4
Proy 3 E(x)= 5*0.5 - 2*0.1 + 0*0.1 + 2*0.3 = 2.9

Luego en este caso a diferencia del anterior, el proyecto 2 ofrece el mayor valor
esperado para las utilidades y por tanto, el mejor resultado.

d) Desviación Estándar (Volatilidad):

Mide la dispersión de la variable en estudio, respecto de su valor medio, o

esperado y es la medida de riesgo más tradicional.

Suponiendo que las medias o valores esperados de las opciones que se

comparan son iguales podemos decir que a mayor desviación estándar, mayor
riesgo:

Donde
E(x): Valor esperado;
Pi: Probabilidad de Xi

Ej: Para la situación que se indica:

Proy 1 E(x)=2.5 σ = 1.1

Proy 2 E(x)=2.5 σ = 2.9
Proy 3 E(x)=2.5 σ = 2.3

Si el inversionista es averso al riesgo elegiría la opción 1, mientras que uno

propenso al riesgo elegiría la opción 2.

e) Coeficiente de Variación:
Permite la comparación en términos de
riesgo, para dos alternativas en evaluación,
cuando los valores esperados y las
varianzas de las dos alternativas son
distintos. La medida establece que a mayor
(menor) coeficiente de variación, mayor
(menor) será el riesgo por unidad de
rendimiento.

OBS: Evidentemente existirá una dificultad insalvable si = 0 o cercano a cero

Ej: Mediante simulación de Montecarlo se obtienen 1000 muestras para el valor

presente de tres alternativas de inversión, con los siguientes resultados:

Alternativa E(PW)  (PW) Cv

A $ 37382 $ 1999 0.0534
B $49117 $2842 0.0578
C $21816 $4784 0.219

Es claro que la alternativa C es la menos conveniente en términos del valor

esperado, mas aun observando el mayor riesgo o dispersión (). De las
alternativas restantes , al no ser posible la comparación solo en base a la
dispersión , por tener diferentes valores esperados , el riesgo relativo dado por el
coeficiente de variación resulta más adecuado , indicando que la alternativa A es
la menos riesgosa que B ya que CVA < CVB .

f) Variación de la Expectativa

Este criterio usa una medida unificada de riesgo (desvest) y una de rendimiento
(valor esperado):

Q= E(x) - Aσ(x)
Donde
E(x): Valor esperado
σ(x): Desviación estándar
A: Coeficiente de Aversión al Riesgo

OBS: Según el valor de A

 A>0: Averso al Riesgo
 A=0 ; Neutral al Riesgo
 A<0 ; Atracción al riesgo
Ej: Para la situación considerada en el ejemplo del valor esperado con un
coeficiente de aversión al riesgo A=0.7:

Proy 1 E(x)=1.8 σ =1.3 Q = 0.87

Proy 2 E(x)= 3.4 σ =3.0 Q =1.32
Proy 3 E(x)= 2.9 σ =2.4 Q = 1.23

En este caso el proyecto 2 entrega la mayor expectativa varianza y por tanto es el

más conveniente