MANAGEMENT CONSULTORES

CURSO: TOMA DE DECISIONES BAJO RIESGO

Cnel. R.L. Falcn 1435 Tel.: 054-11-15-5468-3369

C1406GNC 35

Buenos Aires, Argentina Fax: 054-11-4433-4202

Mail: mgm_consultas@mgmconsultores.com.ar http://www.mgmconsultores.com.ar

CURSO: TONMA DE DECISIONES BAJO RIESGO 1. Introduccin Seguramente UD ha escuchado hablar del Riesgo, la Toma de Decisiones, La Incertidumbre, Las Consecuencias y palabras por el estilo que estn reflejando la naturaleza aleatoria de un problema de decisiones complejo para el cual necesita conocer y valorar la informacin disponible para que sus decisiones sean lo mas acertada posible. Lamentablemente no existen las Decisiones Perfectas sino por el contrario, dado la naturaleza aleatoria de la mayora de las decisiones, siempre existir un riesgo implcito, que para muchos puede ser limitante, esto es producir una especie de parlisis decisoria que lo obligara a asumir el mnimo riesgo, reflejando una aversin al riesgo. Por el contrario, existe otro grupo de personas para las cuales existe un nivel de riesgo aceptable para el cual puede tomarse una decisin, reflejando un criterio moderado en las decisiones. Por ultimo, existe tambin un grupo que corre grandes riesgos en sus decisiones, pero tambin obtienen grandes beneficios y/o prdidas, pero son aquellos audaces para los cuales el alto nivel de riesgo es motivo suficiente para correrlo o tomarlos. En este curso intentamos presentarle el concepto de riesgo, como debe ser clasificado, que tipo de informacin necesita para poderlo evaluar desde todo punto de vista, econmico, personal, empresario, industrial y otros. Con ayuda de las probabilidades y los modelos de distribucin de probabilidades, le ensearemos como poder evaluar los beneficios y consecuencias de un problema de decisiones afectado por una gran componente de riesgo y con numerosas alternativas. Por ultimo le presentaremos un conjunto de herramientas para que UD. pueda en lo futuro cuantificar su riesgo conociendo todas las alternativas y sus consecuencias a travs de un conjunto de tcnicas basadas en las probabilidades de ocurrencias, los rboles de decisiones y por ultimo la simulacin mediante la tcnica de Montecarlo de tan amplia aplicacin en el mundo del anlisis de riesgos. Tambin presentaremos un conjunto de ejemplos adaptados a diferentes entornos de trabajo, desde el riesgo financiero, pasando por la evaluacin de proyectos hasta el anlisis de riesgos industriales. No dudamos que este curso le brindara nuevos enfoque a sus tratamientos de las decisiones, permitindole conocer mucho ms que el simple criterio cualitativo con el que tal vez actualmente encara sus decisiones. 2. Objetivo Introducir a los participantes a conocer la importancia de medir y estimar el riesgo que se debe asumir en una toma de decisiones de complejidad mediana y/o grande para la cual no tenemos toda la informacin para adoptar la menor decisin, por ello el conocer las tcnicas de anlisis del riesgo en cualquier nivel es una tarea por dems riesgosa

Pgina 2 de 5

CURSO: TONMA DE DECISIONES BAJO RIESGO

3. Alcances Este curso esta orientado a presentar el riesgo como concepto general, su clasificacin, importancia y el impacto de su implementacin. Se presentan las tcnicas de anlisis del riesgo, sus diferentes modalidades utilizando probabilidades de ocurrencia y el caso mas general utilizando tcnicas de simulacin numrica. Este curso no esta orientado a ningn mercado vertical en particular y a todos ellos en general. 4. A Quien Esta Dirigido? A toda persona que a diario debe tomar decisiones cuya aleatoriedad le puede hacer incurrir en grandes equivocaciones o aciertos. En general este curso esta destinado a Directores Financieros, Gerentes de Produccin, Inversores, CEOs y toda persona interesada en conocer los riesgos de una decisin. 5. Conocimientos Previos Dado la naturaleza aleatoria del riesgo, es imprescindible tener conocimientos al menos bsicos de estadstica y el uso de planillas electrnicas tipo Excel. 6. Duracin del Curso El curso esta preparado para ser impartido en 24 horas, las cuales pueden ser desarrolladas en cinco (5) das de 5 horas cada una o en forma intensiva en una reunin de tres (3) das de duracin. A pedido se podr tomar un examen de conocimientos. Se entregaran certificados de Asistencia a los participantes.

7. Contenido
Clase 1: Naturaleza del Proceso de Decisiones. Componentes de una Decisin. Matriz de Consecuencias. Etapas del proceso de Toma de Decisiones. Objetivos de la Toma de Decisiones. Clasificacin de las Decisiones. Ejemplos de Aplicacin Prctica Clase2: Toma de Decisiones en Condiciones de Certeza Completa. Introduccin a los Modelos de Programacin Lineal. Aplicaciones de la Programacin Lineal. Anlisis de Sensibilidad. Ejemplos de Aplicacin Prctica. Clase 3: Toma de Decisiones en Condiciones de Incertidumbre Completa. Mtodos Maximin, Minimin, Minimax, Maximax, Hurwictz. Conceptos de Perdida de Oportunidad. Ejemplos de Aplicacin Prctica. Clase 4: Toma de Decisiones en Condiciones de Riesgo. Conceptos de Probabilidad y formas de medirla. Reglas de Probabilidad. Mtodos de Razn Insuficiente, Valor Monetario Esperado y Perdida de Oportunidad Esperada. Curvas de Utilidad. Aprensin y Aversin al Riesgo. Ejemplos de Aplicacin Prctica. Clase 5: Anlisis A Posteriori y A Priori de las Decisiones. Clculos de Probabilidad A Priori, A Posteriori y Conjuntas. Calculo del Valor Esperado de Informacin Perfecta, Experimental y Muestral. Construccin de Arboles de Decisiones. Ejemplos de Aplicacin Prctica. Pgina 3 de 5

CURSO: TONMA DE DECISIONES BAJO RIESGO

8.

Programa Detallado

Clase 1: Naturaleza del Proceso de Toma de Decisiones 1.1 Elementos de un Problema de Decisiones 1.2 Construccin de la Matriz de Decisiones 1.3 Topologa de las Decisiones 1.3.1 Situaciones Programables 1.3.1.1 Tabla o Matriz de Decisiones 1.3.1.2 Aplicacin Prctica 1.3.2 Situaciones Programables 1.4 Fases del Proceso de Toma de Decisiones 1.5 Objetivos, Informacin y Decisiones 1.5.1 Curvas de Indiferencia 1.5.2 Principio de Racionalidad Limitada 1.5.3 Red de Comunicaciones 1.5.4 Conceptos de Prdida de Oportunidad 1.6 Valores y Actitudes en la Toma de Decisiones 1.7 Clases y Tipos de Toma de Decisiones 1.8 Desarrollo de algunos ejemplos prcticos.

Clase 2: Toma de Decisiones en Condiciones de Certeza 2.1 Descripcin del Modelo de Programacin Lineal 2.1.1 Concepto de Funcin Objetivo y Restricciones 2.1.2 Concepto de Recursos, Disponibilidades y Limitaciones 2.1.3 Anlisis de Sensibilidad sobre los Resultados 2.2 Aplicaciones de la Programacin Lineal 2.2.1 Modelos de Asignacin 2.2.2 Modelos de Transporte y Trasbordo 2.2.3 Modelos de Inventarios 2.2.4 Anlisis de Proyectos de Inversin 2.2.5 Anlisis de Seleccin de Carteras 2.3 Resolucin de casos de Programacin Lineal Clase 3: Toma de Decisiones en Condiciones de Incertidumbre Completa 3.1 Caractersticas de los procesos de Incertidumbre Completa 3.2 Criterio de Decisin MaxiMax 3.3 Criterio de Decisin MiniMin 3.4 Criterio de Decisin MaxiMin 3.5 Criterio de Decisin MiniMax 3.6 Criterio de Decisin Optimista de Hurwictz 3.7 Resolucin de ejemplos y casos de aplicacin. Clase 4: Toma de Decisiones en Condiciones de Riesgo 4.1 Introduccin al Concepto de Riesgos 4.2 El concepto de Probabilidad y sus componentes 4.3 Formas de Medir y Calcular Probabilidades 4.3.1 Mtodo Clsico 4.3.2 Mtodo de Frecuencia Relativa 4.3.3 Mtodo Subjetivo Pgina 4 de 5

CURSO: TONMA DE DECISIONES BAJO RIESGO 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13 4.14 4.15 4.16 4.17 4.18 4.19 Conceptos de Dependencia e Independencia Estadsticas Reglas para Clculos de Probabilidades (+,-,*,/) Conceptos de Probabilidades Condicionales (Reglas de Bayes) Conceptos de Variables Aleatorias Clculos de Promedios y Dispersiones en Probabilidades Criterio de Decisin de Razn Insuficiente Criterio de Decisin del Valor Monetario Esperado Criterio de Decisin de Perdida de Oportunidad Esperada Criterio de Decisin Bayesiano Evaluacin Subjetiva de Consecuencias Monetarias Concepto de Utilidad y/o Prdida Monetaria Construccin de Curvas de Utilidad Conceptos de Aprensin y Aversin al Riesgo Introduccin a los Arboles de Decisiones Concepto y Calculo del Valor Esperado de Informacin Perfecta Resolucin de casos de aplicacin

Clase 5: Anlisis A Posteriori de las Decisiones 5.1 Introduccin al anlisis A Priori y A Posteriori 5.2 Obtencin de probabilidades A Posteriori 5.3 Conceptos y Clculos de Probabilidades Conjuntas 5.4 Regla de Bayes para Probabilidades Condicionales 5.5 Calculo del Valor Esperado A Posteriori de la Informacin Perfecta 5.6 Concepto de Pronosticador Perfecto 5.7 Introduccin al Anlisis Pre A Posteriori de las Decisiones 5.8 Construccin de Arboles de Decisiones 5.9 Calculo del Valor Esperado de la Informacin Muestral 5.10 Calculo del Valor Esperado de la Informacin Experimental 5.11 Resolucin de casos de aplicacin 5.12 Conclusiones y Cierre del Curso

Pgina 5 de 5