Escolar Documentos
Profissional Documentos
Cultura Documentos
Alejandro Bustamante
El
Negociar las variables negociables Buscar ms informacin Aumentar el compromiso Tomar precauciones adicionales Compartir el riesgo Transferir el riesgo Formular planes de contingencia No tomar medidas, asumir el riesgo Cancelar el proyecto Administracin de portfolio
Hay dos componentes que explican nuestra incapacidad para predecir en forma precisa un evento futuro: Riesgo: es un efecto aleatorio propio del sistema bajo anlisis. Se puede reducir alterando el sistema. Incertidumbre es el nivel de ignorancia del evaluador acerca de los parmetros que caracterizan el sistema a modelar. Se puede reducir a veces con mediciones adicionales o mayor estudio, o consulta a expertos. La Variabilidad Total es la combinacin de riesgo e incertidumbre.
Tanto el riesgo como la incertidumbre se describen mediante distribuciones de probabilidad. Por lo tanto, una distribucion de probabilidad puede reflejar en parte el carcter estocstico del sistema analizado y en parte la incertidumbre acerca del comportamiento de la variable. Los resultados que se obtengan de un modelo de este tipo reflejaran la variabilidad total: el efecto conjunto de riesgo e incertidumbre.
Para
poder administrar el riesgo, necesitamos "verlo". "ver" el riesgo nos valemos de distribuciones de probabilidad.
Para
Distribucin de probabilidad
Una distribucin de probabilidad describe el rango de valores que puede tomar una variable aleatoria y la probabilidad asignada a cada valor o rango de valores.
Probabilidad: frecuentista y subjetiva Para eventos repetibles y medibles, la probabilidad representa la frecuencia relativa de ocurrencia de un evento. Para eventos no repetibles o mensurables, la probabilidad es la expresin del grado de creencia que tiene un individuo acerca de la ocurrencia de un evento incierto. En este segundo caso las probabilidades son subjetivas por naturaleza y es posible que dos personas asignen diferente probabilidad de ocurrencia a un mismo evento.
Separar la variabilidad de la incertidumbre permite entender qu pasos podran tomarse que sean ms efectivos para reducir la incertidumbre total. Si una proporcin importante de la incertidumbre total se debe a incertidumbre, entonces nuestra estimacin acerca del futuro podra mejorarse juntando mayor informacin. Si una proporcin importante de la incertidumbre total se debiera a variabilidad, la nica manera de reducir la incertidumbre es modificando el sistema analizado.
Presentacin de modelos
Un modelo es una herramienta de anlisis y de comunicacin. Como tal, debe ser entendido no slo por quien lo dise sino tambin por terceros.
1. Presentar claramente la estructura lgica y los supuestos empleados. 2. Incluir solamente las estadsticas indispensables. 3. Usar grficos para transmitir conceptos. 4. Los resultados obtenidos deben responder a los interrogantes planteados.
5. No incluir en el informe ms informacin que la necesaria. Derivar los datos de apoyo a los Anexos.
1. Disear el modelo lgico de decisin 2. Especificar distribuciones de probabilidad para las variables aleatorias relevantes. 3. Incluir posibles dependencias entre variables. 4. Muestrear valores de las variables aleatorias. 5. Calcular el resultado del modelo segn los valores del muestreo (iteracin) y registrar el resultado. 6. Repetir el proceso hasta tener una muestra estadsticamente representativa. 7. Obtener la distribucin de frecuencias del resultado de las iteraciones. 8. Calcular media, desvo y curva de percentiles acumulados.
La suma de n variables aleatorias independientes da como resultado una distribucin aproximadamente Normal, sin importar la forma de la distribucin de las variables sumadas (si no hay una variable cuya contribucin a la variabilidad total sea dominante). El producto de n variables aleatorias independientes da como resultado una distribucin aproximadamente Lognormal, independientemente de la forma de la distribucin de las variables intervinientes.
Distribuciones de probabilidad
Fuentes de informacin para cuantificar la incertidumbre en variables aleatorias: 1. Series de datos 2. Opinin de expertos Cuando se procura caracterizar una variable aleatoria a partir de los datos disponibles se parte del supuesto de que los datos observados son una muestra aleatoria de una distribucin de probabilidad que trataremos de identificar.
Distribuciones de probabilidad
Discretas
Una variable aleatoria representada mediante una distribucin discreta de probabilidad puede tomar un valor de entre un conjunto de valores, cada uno de los cuales tiene asignada una determinada probabilidad de ocurrencia. Ejemplos: Binomial, Geomtrica, Poisson, Discreta.
Distribuciones de probabilidad
Continuas
Una variable aleatoria representada mediante una distribucin continua de probabilidad puede tomar cualquier valor dentro de un rango determinado. Ejemplos: Normal, Lognormal, Uniforme, Triangular, Histograma
Distribuciones de probabilidad
No Limitadas La variable aleatoria puede tomar valores entre +infinito y infinito (ejemplos: Normal, Logstica). Limitadas Los valores de la variable aleatoria quedan confinados entre dos valores extremos (ejemplos: Binomial, Beta, Uniforme, Triangular, Histograma). Parcialmente Limitadas Los valores de la variable aleatoria quedan limitados en uno de los extremos de la distribucin (ejemplos: Poisson, Exponencial).
Distribuciones de probabilidad
Paramtricas La distribucin de probabilidad se ajusta a la descripcin matemtica de un proceso aleatorio que cumple con determinados supuestos tericos. Los parmetros que definen la distribucin en general no guardan relacin intuitiva con la forma de la distribucin. Ejemplos: Normal, Lognormal, Exponencial, Beta.
Distribuciones de probabilidad
Paramtricas (cont.) Son de aplicacin cuando: 1. la teora sobre la que se fundamenta una determinada distribucin es aplicable al problema. 2. se acepta que esa distribucin da un buen ajuste de la variable aleatoria aunque no haya una teora para explicarlo. 3. la distribucin se ajusta aproximadamente a la opinin del experto y no se requiere mucha precisin.
Distribuciones de probabilidad
No Paramtricas Los parmetros que se usan para definir estas distribuciones describen la forma de la distribucin. No se apoyan en una teora que describa el proceso de generacin de valores aleatorios. Ejemplos: Triangular, Histograma, General, Uniforme, Acumulada
Distribuciones de probabilidad
No Paramtricas (cont.) Estas distribuciones en general son ms tiles cuando se busca recabar la opinin subjetiva de expertos, con las siguientes excepciones:
1. el experto puede estar muy familiarizado con los parmetros que definen una distribucin paramtrica. 2. a veces los parmetros de una distribucin paramtrica son intuitivos (p.ej. Binomial)
Distribuciones de probabilidad
Subjetivas El uso de estas distribuciones de probabilidad es la nica alternativa para describir una variable aleatoria cuando:
1. No hay una base de antecedentes. 2. Los datos del pasado no son relevantes. 3. Los datos son escasos y no cubren todo el rango de posibles valores. 4. Es demasiado caro generar datos. 5. Generar valores llevara demasiado tiempo
Distribuciones de probabilidad
Subjetivas (cont.) En las estimaciones subjetivas hay dos fuentes de incertidumbre: Variabilidad asociada a la variable aleatoria en s. Incertidumbre asociada a la falta de conocimiento sobre el comportamiento de la variable. La distribucin subjetiva especificada agrega ambas fuentes de incertidumbre
Uniforme
Todos los valores dentro del rango factible tienen la misma densidad de probabilidad. Parmetros : Uniform (min,max) Aplicaciones: U(0,1) se usa en la generacin de los valores de todas las dems distribuciones de probabilidad en el muestreo aleatorio. Es una aproximacin muy cruda para usar como estimacin de la incertidumbre percibida de un parmetro
Triangular
Aplicaciones: estimar subjetivamente la distribucin de la variable aleatoria cuando todo lo que puede precisarse de la misma es el valor mnimo, el valor ms probable y el valor mximo. Parmetros: Triang (min, +prob, max)
Triangular (cont.)
Sus propiedades estadsticas se derivan de su forma, no de una teora subyacente. Es de definicin intuitiva y de gran flexibilidad en cuanto a geometras posibles. La forma de la distribucin usualmente lleva a sobreestimar la densidad de las colas y a subestimar la densidad en el tronco de la distribucin. Se pueden definir el valor mnimo y el valor mximo como umbrales de ocurrencia prctica. En vez de tomarlos como valores absolutos, se los toma como percentiles, dejando abiertas las colas.
Histograma
Aplicaciones: representar la forma de la distribucin de una serie de datos o la opinin de un experto acerca de la forma de la distribucin de una variable. Parmetros: Histogram (min, max, {pi}) Todos los intervalos de la distribucin tienen el mismo ancho.
General
Aplicaciones: reflejar la opinin de expertos. Es la ms flexible de las distribuciones continuas. Es un histograma estilizado. Parmetros: General (min, max, {xi} , {pi}) Es posible, aunque no es recomendable, especificar intervalos de distinto ancho.
Acumulada
Aplicaciones: recabar opinin de expertos. Parmetros: Cumulative ({xi},{Pi},min,max) Puede ser de utilidad cuando se procura estimar una variable cuyo rango cubre varios rdenes de magnitud. Desventajas: insensibilidad de la escala de probabilidades. Es ms facil representar la variabilidad que se quiere reflejar cuando se trabaja con distribuciones de frecuencia relativa.
BetaPert
Es una versin de la distribucin Beta que usa los mismos supuestos acerca de la media de una variable aleatoria que las redes PERT. Parmetros: BetaPert (max,+prob,min)
BetaPert (cont.)
La media de una distribucin BetaPert es cuatro veces ms sensible al valor medio que a los valores extremos. El desvo standard de una distribucin BetaPert es menos sensible a los valores extremos que la distribucin Triangular. El desvo standard de una distribucin BetaPert es sistemticamente menor que el de una Triangular, particularmente cuando las distribuciones son sesgadas.
Discreta
Aplicaciones:
1. Describir una variable aleatoria que puede tomar uno de entre un conjunto de valores discretos. 2. Describir probabilidades condicionales para distintos estados de la naturaleza, donde cada estado de la naturaleza tiene una probabilidad de ocurrencia p. 3. Armar distribuciones de probabilidad compuestas a partir de la opinin de dos o ms expertos, donde a la opinin de cada experto se le otorga una ponderacin p.
1. Se trata de una variable discreta o continua? 2. Es realmente necesario ajustar los datos a una distribucin de probabilidad terica? 3. Hay correspondencia entre el rango terico de la variable y la distribucin a ajustar?
1. Si la cantidad de datos no es muy elevada, la frecuencia de datos para cada valor de x puede ser usada directamente para definir una distribucin Discreta. 2. Si hay muchos datos, es ms fcil ordenar los datos en forma de histograma y definir entonces una distribucin Acumulada con parmetros {xi} , {F(xi)} , min , max Se puede reintroducir el caracter discreto de la variable incluyendo la distribucin Acumulada dentro de una funcin ROUND (redondeo)
1. Se plotea la frecuencia acumulada de los datos observados. 2. Se hace un ranking de los datos en orden ascendente. 3. Se estima un mnimo y un mximo en forma subjetiva. 4. Se calcula la probabilidad acumulada para cada valor de x segn la frmula: F(xi) = i / (n+1) i = rango del dato observado n = cantidad de datos observados {xi} , {F(xi)} , min , max sern parmetros que se usen para definir una distribucin Acumulada
Normal
Aplicaciones: una variedad de situaciones, como se desprende del Teorema Central del Lmite. Es til en finanzas pues la suma o diferencia de distribuciones Normales resulta tambin en una distribucin Normal con parmetros que pueden ser determinados a partir del TCL.
Media: Valor ms probable Desvo: el intervalo +/- 2*sigma contiene el 95% de los valores, por lo tanto: Sigma: (mximo - ms probable) / 2 La distribucin Normal se extiende de -inf a + inf, aunque si CV<1/3 la probabilidad de que ocurra un valor negativo es menor que 0.14%.
Lognormal
Aplicaciones: modelizar variables que son el producto de una cantidad de otras variables aleatorias que ocurren naturalmente.
Generalmente brinda una buena representacin de variables que se extienden de 0 a +inf y que tienen un sesgo positivo.
Se usan como parmetros la media aritmtica y el desvo standard de los datos disponibles.
La variable aleatoria puede tomar valores que aumentan sin lmites pero no puede tomar valores negativos. La variable aleatoria tiene un sesgo positivo (modo < media) con la mayor parte de los valores cerca del lmite inferior.
Procesos estocsticos
Un proceso estocstico es un sistema de eventos que se pueden contar, en el que los eventos ocurren de acuerdo a un proceso aleatorio bien definido.
Para que las distribuciones de probabilidad mencionadas sean de aplicacin se debe cumplir el supuesto que el sistema a estudiar tiene las caractersticas de un Proceso Binomial. Proceso Binomial: la probabilidad de ocurrencia de un evento es constante e independiente de la cantidad o proximidad en el tiempo de eventos ya ocurridos.
Beta
Aplicaciones: estimar la probabilidad de ocurrencia p de un evento, a partir de la observacin de s eventos en n pruebas. Parmetros: Beta (alfa1,alfa2) alfa 1 : s+1 alfa2: n-s+1 La distribucin Beta puede tomar muchas formas, segn los valores de alfa1 y alfa2. A medida que aumenta n, se gana precisin en la estimacin de p (la distribucin de p se comprime)
Dada la gran variedad de formas que puede asumir segn los valores asignados a los parmetros, la distribucin Beta tambin se usa para describir datos empricos.
Binomial
Aplicaciones: estimar la distribucin de la cantidad s de ocurrencias de un evento en n pruebas, cuando hay una probabilidad p de ocurrencia del evento en cada prueba. Parmetros: Binomial (n,p) Para n>30 o cuando p es alta, la distribucin Binomial puede ser aproximada por una distribucin Normal ((np),(npq)1/2).
En cada prueba slo hay dos resultados posibles Las pruebas son independientes (lo que ocurre en la primera prueba no afecta a la segunda, y sucesivamente). La probabilidad de ocurrencia del evento se mantiene constante a travs de las pruebas (no hay un proceso de aprendizaje)
Geomtrica
Aplicaciones: estimar la cantidad n de pruebas necesarias hasta la ocurrencia del primer evento, cuando la probabilidad p de ocurrencia de un evento se mantiene constante en el tiempo. Parmetros: n = 1 + Geometric (p) La distribucin Geomtrica es anloga a la distribucin Exponencial: Geomtrica se aplica a variables discretas, Exponencial se aplica a variables continuas.
La cantidad de eventos no est prefijada. Se contina con las pruebas hasta lograr el primer xito.
Binomial Negativa
Aplicaciones: estimar la distribucin de la cantidad n de pruebas hasta que ocurran s eventos, cuando la probabilidad p de ocurrencia de un evento es constante en el tiempo. Parmetros: n = s + Negbin (s,p)
La cantidad de pruebas no est prefijada. Se contina con las pruebas hasta que se observa la cantidad de eventos (s) buscada.
Distribucin Hipergeomtrica
Al igual que la distribucin Binomial, esta distribucin describe la cantidad de ocurrencias de un evento en una cantidad de pruebas.
La diferencia con la distribucin Binomial es que a medida que se avanza con las pruebas cambia la probabilidad de ocurrencia del evento: pruebas sin reemplazo.
La cantidad total de elementos de una poblacin es finita. La muestra representa una porcin de la poblacin. La probabilidad de ocurrencia del evento en la poblacin es conocida y cambia ligeramente luego de cada prueba.
Un Proceso Continuo se caracteriza por un Intervalo Medio de Tiempo entre Eventos (beta). Una vez que se tiene una estimacin de beta, se puede estimar tambin: 1. Distribucin de la cantidad de eventos por unidad de tiempo: Poisson (lambda) 2.Distribucin de Tiempo hasta la ocurrencia del prximo evento: Exponencial (beta) 3. Distribucin de Tiempo hasta que ocurran n eventos: Gamma (n, beta)
Para que estas distribuciones sean aplicables se debe cumplir el supuesto que el sistema estudiado tiene las caractersticas de un Proceso tipo Poisson. Proceso tipo Poisson: la probabilidad de ocurrencia de un evento por unidad de exposicin es constante e independiente de la cantidad o proximidad de eventos ocurridos. La unidad de exposicin puede ser cualquier variable continua (tiempo, distancia, etc)
beta es el intervalo de exposicin promedio entre n eventos observados. El verdadero valor de beta puede ser estimado a partir de n eventos observados valindose del TCL: beta = Normal (t,sigma/(n-1)1/2)
t = promedio de los n-1 intervalos contiguos sigma = desvo standard de los ti intervalos.
Poisson
Aplicaciones: estimar la cantidad N de ocurrencias de un evento en un intervalo de tiempo T cuando el tiempo medio entre eventos sucesivos (beta) se ajusta a un proceso tipo Poisson.
La cantidad de eventos por unidad de exposicin no est limitada a un valor discreto. Los eventos son independientes entre s (el nmero de eventos en un intervalo de exposicin no afecta al nmero de eventos en otro intervalo de exposicin).
Exponencial
Aplicaciones: estimar la distribucin del (tiempo) entre ocurrencias sucesivas de un evento que tiene una probabilidad de ocurrencia p constante por unidad de (tiempo). Parmetros: Expon (beta) Si la probabilidad p de ocurrencia del evento es constante a travs del tiempo, la estimacin del tiempo que medie hasta la ocurrencia del prximo evento es independiente del tiempo que haya transcurrido desde la ltima ocurrencia.
Gamma
Aplicaciones: estimar la distribucin del tiempo requerido para la ocurrencia de alfa eventos, cuando los eventos se ajustan a un Proceso tipo Poisson con tiempo medio de ocurrencia entre eventos beta. Esta distribucin se usa bastante en meteorologa, seguros y teora de colas. Parmetros: Gamma (alfa, beta)
La cantidad de posibles ocurrencias de un evento en cualquier unidad de medida no est limitada a valores discretos. La ocurrencia de los eventos es independiente entre s. La cantidad promedio de ocurrencias del evento se mantiene constante entre intervalos sucesivos.
En un Proceso Binomial, el parmetro descriptivo clave es p, probabilidad de ocurrencia del evento en cada prueba, que se asume constante para todas las pruebas
En un proceso Poisson, el parmetro descriptivo clave es lambda (cantidad media de eventos que ocurren por unidad de exposicin) que se asume es constante sobre el perodo total de exposicin.
Weibull
La distribucin Weibull (alfa,beta) asume que la probabilidad p de ocurrencia del evento cambia con el transcurso del tiempo.
alfa = 1 probabilidad constante (Exponencial) alfa > 1 probabilidad creciente alfa < 1 probabilidad decreciente.
alfa es el parmetro de forma, beta es el parmetro de ubicacin. El parmetro beta permite representar una distribucin exponencial con valor mnimo distinto de 0.
Ajuste de los datos a una distribucin terica Los parmetros de la distribucin que permitan lograr el mejor ajuste a los datos se determinan usualmente mediante alguno de los siguientes dos mtodos: 1. Estimadores de Mxima Verosimilitud: maximizan la probabilidad que la distribucin definida con estos parmetros sea capaz de generar los datos observados. 2. Minimizacin de las diferencias absolutas entre los valores de probabilidad acumulada observados y los derivados de la distribucn terica (usando programas de optimizacin)
1. Para distribuciones discretas y continuas, tanto numricas como no numricas: Chi cuadrado. Es el indicador menos potente. 2. Para distribuciones continuas: Kolmogorov-Smirnov (K-S). No es muy sensible para detectar discrepancias en las colas de la distribucin. 3. Anderson-Darling (versin sofisticada de K-S), pone ms nfasis en las colas.
Cuanto menor sea el valor de cada indicador, mayor ser el ajuste aparente entre la distribucin terica y los datos observados. Los valores standard de K-S y A-D son de uso limitado para comparar valores crticos cuando hay menos de 30 observaciones. Esto se puede corregir usando K-S y A-D modificados. Hay muchas distribuciones que tienen formas similares y que pueden ser capaces de generar los datos observados.
Dependencia y Correlacin
Una relacin de Dependencia ocurre cuando el valor muestreado de una variable (independiente) tiene una relacin estadstica que determina aproximadamente el valor que va a ser generado para la otra variable (dependiente). La diferencia principal entre Dependencia y Correlacin es que la primera presupone una relacin causal, mientras que la segunda no (puede haber un factor externo que afecta a ambas variables).
Correlacin negativa
Ingreso Manzana MCBA - Precio 16,000 14,000 12,000
Ingreso ton/mes
r = - 0.6
10,000 8,000 6,000 4,000 2,000 0 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 Manzana ($/kg)
Correlacin
-1
+1
Ingreso ton/mes
10,000 8,000 6,000 4,000 2,000 0 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 Manzana ($/kg)
El coeficiente r da una medida de la covarianza entre dos conjuntos de datos. r puede tomar valores desde -1 a +1. Al dividir por los desvos standard de cada conjunto de datos se logra un ndice de covarianza que no depende de las unidades de medida en que estn expresados los datos.
Es un mtodo no paramtrico para cuantificar la relacin entre variables. r puede tomar valores desde -1 a +1. Ventajas: 1. Las variables se correlacionan de acuerdo al rango de valores generados en cada distribucin. Esto significa que todas las distribuciones correlacionadas preservan su forma original. 2. Como no depende de supuestos acerca de la relacin matemtica de las variables a correlacionar, puede ser aplicable a cualquier tipo de relacin entre distribuciones (lineal, no lineal).
El coeficiente de correlacin de Pearson mide la intensidad de la relacin lineal entre variables. Si dos variables aleatorias no tienen la misma distribucin de probabilidad, es improbable que se relacionen en forma lineal, por lo que el coeficiente de correlacin tendr poco significado. Si se toman los valores segn rangos y no segn valores absolutos, el coeficiente de correlacin as calculado tiene sentido incluso para variables con diferentes distribuciones.
1. Es difcil estimar el coeficiente de correlacin entre dos distribuciones de formas diferentes. 2. El mismo coeficiente de correlacin puede resultar en diferentes grficos de puntos para diferentes distribuciones correlacionadas. Esto puede ser an ms marcado si las distribuciones a correlacionar son diferentes.
1. Usar estos coeficientes para correlacionar variables que tengan un impacto menor sobre los resultados del modelo. 2. Tratar de restringir su uso a correlacionar distribuciones de geometra similar. 3. Si se correlacionan distribuciones de geometra diferente, antes de aceptar el coeficiente observar el grfico de puntos resultante. 4. Evitar correlacionar distribuciones cuando no haya una razn lgica que permita suponer una correlacin.
frecuencia
1.5
2.5
3.5
miles US$
frecuencia
-100
-50
50
100
150
200
US$/ha
Relacin entre las variables correlacionadas y el resultado. Forma de las distribuciones correlacionadas.
Efecto del producto de dos variables correlacionadas sobre el resultado (modelos multiplicativos)
El valor esperado del resultado aumenta a medida que aumenta r (toda la distribucin se desplaza hacia la derecha a medida que aumenta r). No se pueden hacer generalizaciones respecto al desvo standard, aunque en general aumenta a medida que aumenta r.
Matrices de Correlacin
Permiten correlacionar varias distribuciones de probabilidad mediante coeficientes de Spearman. Como la frmula de los coeficientes de correlacin por orden de rango es simtrica, los elementos de la matriz son simtricos alrededor de la diagonal. Tiene que haber una cierta lgica en los coeficientes ingresados (p.ej. condicin transitiva)
Asignacin de superficies a las distintas actividades Resultado esperado de cada actividad Variabilidad de resultados de cada actividad Correlacin entre rendimientos de las distintas actividades Correlacin entre precios de las distintas actividades
Distribucin de Superficies (ha) Trigo Maz Soja 1a Soja 2a Girasol Invernada Existencias (cab) Produccin Carne (kg/ha) Suplementacin (kg/cab)
7
Mean=126.9246
6
Mean=289.2309
frecuencia
5 4 3 2 1
-100
87.5
275
462.5
650
Maz
Ganadera
Soja 1a
Correlaciones
Precio Ternero / Precio Novillo: 0.8
Maz 1 0.8 0 0
Maz 0.26 1 0.65 0.5 0.25
Girasol
0.5 1
Girasol 0.25
Planteo Mixto
Margen Actividades y Margen Global $/ha
10 9 8 7
Mean=139.97 Mean=126.9246 Mean=289.2309 Mean=172.4265
frecuencia
6 5 4 3 2 1
-100
87.5
275
462.5
650
Maz
Ganadera Soja 1a
Cuanto menor sea la asociacin positiva entre el resultado de las distintas actividades, mayor ser la posibilidad de amortiguar oscilaciones en el resultado final.
A mayor cantidad de actividades que compongan un portfolio, mayor ser la posibilidad de amortiguar oscilaciones el resultado final.
Planteo Mixto: Impacto relativo de diferentes variables sobre el riesgo del sistema
Impacto de diferentes variables sobre el riesgo
Novillos / Jl-Dc/CU20 Soja 1era / En-Jn/CQ19 Esperado / Cereales/E21 M / En-Jn/CQ18 az -.207 -.173 Esperado / Oleaginosas/G21 -.133 Esperado / Oleaginosas/F21 -.11 -.106 -.104 Girasol / En-Jn/CQ21 Riesgo exceso hdrico fina.../CR9 -.017 -.016 .137 Esperado / Cereales/D21 .121 Riesgo exceso hdrico grue.../CR10 Soja 1era / En-Jn/CQ31 ton / En-Jn/G54 .092 .033 Afectacin fina A / Jl-Dc/.../DB11 Girasol / Jl-Dc/CR45 .535 .468 .352 .307 T erneros / Jl-Dc/CU11 Novillos / En-Jn/CT 20
-1
-.75
-.5
-.25
.25
.5
.75
Std b Coefficients
Planteo Mixto
Margen Bruto Global y Resultado
0.020 0.018 0.016 0.013
Mean=82.30045 Mean=172.4874
frecuencia
Resultado
Margen Global
Comparacin de Resultados
Resultado $/ha
0.020 0.018 0.016 0.013
Mean=82.26595 Mean=98.50481 Mean=105.2747
frecuencia
Mixto
Un sistema de produccin puede ser relativamente poco riesgoso ante un determinado nivel de gastos fijos, y volverse riesgoso ante un mayor nivel de gastos fijos. No hay soluciones mgicas: no debemos pretender remediar mediante la administracin de portfolio los problemas que se derivan de un desbalance entre la capacidad de generar resultados y la exigencia de gastos fijos y retiros que se ejerce sobre un determinado sistema de produccin.
Reservas
La clave para la administracin de portfolios riesgosos es el mantenimiento de reservas. Para ser efectivas, las reservas deben estar colocadas en actividades cuyos resultados no estn correlacionados con los resultados de las actividades principales de la empresa.