Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Contabilidad y Toma de Decisiones EAA213A Introducción a Finanzas 1 2 EAA-213 Contabilidad y Toma de Decisiones 3. Información en las Decisiones • Contenidos o Elementos de un proceso de decisión o Estructura de Información o Teorema de Bayes o Valor de la información Información y Decisiones • Ilustramos primero los elementos que intervienen en un proceso de toma de decisiones 1. Decisiones posibles 2. Estados de la naturaleza 3. Probabilidades asociadas a cada estado y consecuencias de cada decisión 4. Función que permita evaluar los resultados posibles 3 Consecuencias de cada decisión Información y Decisiones • Ejemplo 1: Prestar o no prestar – Ud. es ejecutivo de cuentas de un banco y un nuevo cliente pide un préstamo por $10.000.000; la tasa de interés es 5% • Posibles decisiones: Prestar; no prestar • Posibles “estados de la naturaleza”: Paga; no paga • Consecuencias de la decisión: (riqueza final en cada estado) Paga No paga Presta 10.500.000 + buena voluntad del cliente Lo que pueda recuperarse del crédito No presta Uso alternativo de los fondos Uso alternativo de los fondos 4 Estados de la Naturaleza • Los usamos para modelar la incertidumbre en la toma de decisiones • “Descripción exhaustiva y excluyente del entorno relevante una vez tomada una decisión” • Ajeno al control de quien toma la decisión – Consecuencias incontrolables 5 Probabilidades Subjetivas • Siempre existen - grado de creencia normalizado – ¿Lloverá mañana? – ¿De qué animal procede el nombre de las Islas Canarias, del Océano Atlántico? a) Mono; b) Ave “Canario”; c) Perro; d) Avestruz – ¿Cuál es la capital más austral de américa del sur? a) Santiago; b) Montevideo; c) B. Aires; d) Asunción • Creencias o probabilidades a priori P = {p1...pn} 0 pi 1; Sipi = 1 • Complicación lógica: mezclar creencias (lo que uno cree) con deseos (lo que uno quiere) 6 Criterio • Se necesita un criterio de decisión • En general suponemos que el individuo maximiza su utilidad esperada (bienestar esperado) – Función de utilidad: función cuyo argumento es la riqueza (w(s,d)) asociada a cada estado de la naturaleza (s) y decisión (d): U(w(s,d)). Mide bienestar. 7 Criterio • A veces (por definir) maximizar riqueza esperada equivale a maximizar el bienestar esperado • Volviendo a nuestro ejemplo anterior, ¿prestamos o no prestamos plata al cliente? • Tenemos que “cuantificar” los efectos de la decisión. – Supuestos: 1. Tasa alternativa de uso de fondos es 4% 2. Históricamente clientes pagan en un 80% de las veces • w(s,d) riqueza en estado s ante decisión d 8 Criterio • Podemos ordenar la información de la siguiente manera • E[w(s,d)]: riqueza esperada. Promedio ponderado de las riquezas terminales. Ponderadores: probabilidades subjetivas (ps) • E[w(s,d)] = Ss ps w(s,d) 9 Paga No paga Presta 10.500.000 0 * No presta ∏ 10.400.000 80% 10.400.000 20% Suponiendo neutralidad frente al riesgo, ¿cuál debe ser la mínima tasa de recuperación del crédito (intereses incluidos) para estar indiferentes entre prestar y no prestar? A. 0% B. 50% C. 95.2% D. 97.8% E. 100% 10 • Ejemplo 2: Perforar pozo o arrendar terreno – Pocitos S.A., una pequeña empresa petrolera compró hace algún tiempo un terreno con la esperanza de encontrar petróleo. Un tercero hace una oferta (por tiempo limitado) de arrendar dicho terreno con un contrato de largo plazo por un monto total de US$100.000 (en valor presente) – ¿Lo arrienda o perfora en busca de petróleo? – El costo de la perforación es $300.000.- El saldo inicial de caja es $300.000 – Posibles resultados y consecuencias de las decisiones (en Valor Presente) – ¿Creencias? – Criterio de decisión Valor Activos Seca Gas Nat GN y Petr Petróleo Perfora 0 300 600 1200 Arrienda 400 400 400 400 Prospecc. Históricas (#) 50 10 20 15 5 11 Ejemplo 2 En este ejemplo, por lógica la probabilidad a priori de un pozo seco… A. Debe ser 20% B. Debe ser < 20% C. Debe ser > 20% D. No se sabe 12 Elementos de un Proceso de Decisión 1. Conjunto de decisiones factibles, D = {d1...dT} 2. Estados de la naturaleza S = {s1...sn} y consecuencias de la decisión en cada estado w(s,d) 3. Creencias o probabilidades a priori P = {p1...pn} 4. Criterio de decisión, U = U(w), max. E[U] En conjunto determinan un Proceso de Decisión Perfectamente Especificado – PDPE: {D, S, P, U} 13 Información Adicional • Cont. ejemplo 2 – Un experimento previo a la decisión puede entregar mejor información. El costo del experimento es US$20.000 e indica la categoría general que presenta la estructura del subsuelo (alfa, beta y delta). Para las mismas 50 ocasiones anteriores, los resultados muestan lo siguiente: – El anterior es un ejemplo de un SISTEMA DE INFORMACION • SISTEMA DE INFORMACION, Y = {y1...ym}, es un conjunto de señales Alfa Beta Delta Total Seco 10 0 0 10 Gas Nat 10 10 0 20 GN y Petr 0 10 5 15 Petróleo 0 0 5 5 TOTAL 20 20 10 50 14 Dado que hay Gas y Petróleo en el subsuelo, ¿qué probabilidades hay de que el sondaje diga que la categoría del subsuelo es “Beta”? A. 1/2 B. 2/3 C. 2/5 D. 1/3 15 Información Adicional • Cont. ejemplo 2 – “En el pasado, cada vez que hubo una perforación seca el experimento estableció la categoría ‘Alfa’ ”. – “De las veces que se ha encontrado gas, 50% se ha categorizado como Alfa y 50% Beta” – Por qué p(y/s) ? • Al anterior le llamamos ESTRUCTURA DE LA INFORMACION, p(y|s). Se supone interpersonalmente OBJETIVA. P(y/s) Alfa (y1) Beta (y2) Delta (y3) Seco (s1) 1 0 0 Gas Nat (s2) 0,5 0,5 0 GN y Petr (s3) 0 2/3 1/3 Petróleo (s4) 0 0 1 16 Rol de la información adicional • En un PDPE: {D, S, P, U}... • ¿Cuál es el rol de la información adicional? tiempo 0 0+ 1 Sin info. adicional Con info. adicional Decisión Espera Señal Ocurre el estado; se ve consecuencia Ocurre el estado; se ve consecuencia Recibe Señal; revisa probs.; toma decisión “Señal”: Observación proveniente de un sistema de información 17 Estructura de Información Perfecta p(y|s) y1 y2 y3 y4 S1 1 0 0 0 S2 0 1 0 0 S3 0 0 1 0 S4 0 0 0 1 •Dado el estado, sólo una señal •Dada la señal, sólo un estado “Una y sólo una señal asociada a cada estado” 18 Estructuras de Información Imperfectas p(y|s) y1 y2 y3 S1 1 0 0 S2 1 0 0 S3 0 1 0 S4 0 0 1 S5 0 0 1 • Dado el estado, sólo una señal • Dada la señal, más de un estado • Particiones del Universo de estados posibles “Sin ruido” - sólo una señal asociada a cada estado “Ruidosa” - Más de una señal asociada a cada estado p(y|s) y1 y2 S1 0,2 0,8 S2 0,6 0,4 S3 0,5 0,5 19 Estructura de Información [p(y|s)] • No depende de las creencias individuales: es “objetiva” – Su calidad depende del porcentaje histórico de aciertos y fallos • Ej. petróleo: toda las veces que no se ha encontrado gas ni petróleo el subsuelo ha sido “alfa” 20 P(y/s) Alfa (y1) Beta (y2) Delta (y3) Seco (s1) 1 0 0 Gas Nat (s2) 0,5 0,5 0 GN y Petr (s3) 0 2/3 1/3 Petróleo (s4) 0 0 1 Proceso de Revisión de Probabilidades: TEOREMA DE BAYES • Tenemos p; p(y|s). Buscamos p(s|y) – Intuición: • a) Adivino predice perfectamente si saldrá cara o sello: – sistema de información; probabilidades revisadas; probabilidad de la señal “saldrá cara” • b) ¿De qué animal procede el nombre de las Islas Canarias, que están en el Océano Atlántico? a) Mono; b) Ave “Canario”; c) Perro; d) Avestruz – ¿Cuál es el sistema de información asociado al comodín del 50%?; Probabilidadde las señales; Probabilidades revisadas 21 Ejemplos p(y|s) yCARA ySELLO SCARA SSELLO Adivino Comodín 50% p(y|s) yab yac yad ybc ybd ycd Sa Sb Sc Sd 22 Proceso de Revisión de Probabilidades: TEOREMA DE BAYES • Teorema de Bayes: A, B eventos – P(A|B) = P(AB)/P(B) – Ejemplo: • = {s1...sn} • A = {s1} • B = {s1,s2,s3} A B AB 23 Proceso de revisión de probabilidades: TEOREMA DE BAYES • P(A|B) = P(AB)/P(B) P(B|A) = P(BA)/P(A) • P(A|B) * P(B) = P(B|A) * P(A) • P(A|B) = P(B|A) * P(A) / P(B) – Llevando lo anterior a señales (y) y estados de la naturaleza (S) 24 VERSION I: p(s|y) = p(y|s) ps /p(y) VERSION II: p(s|y) = p(y|s) ps /[Ssp(y|s)ps] Proceso de revisión de probabilidades: TEOREMA DE BAYES • P(A|B) = P(AB)/P(B) P(B|A) = P(BA)/P(A) p(s|y) = p(s,y)/p(y) = (p(s,y)/ps)(ps /p(y)) VERSION I: p(s|y) = p(y|s) ps /p(y) – p(y) = p(s1,y)+...+p(sn,y) = p1p(y|s1)+...+pnp(y|sn) – = E[p(y|s)] VERSION II: p(s|y) = p(y|s) ps /[Ssp(y|s)ps] 25 Ejemplos p(y|s) yCARA ySELLO p p(s|y1) p(s|y2) SCARA 1 0 p1 SSELLO 0 1 p2 p(y) Adivino 26 Nota: π1 y π2 son probabilidades que no nos interesa saber cuanto son. Las dejamos de esa forma sólo para efectos del ejemplo. Evidentemente, en el caso típico son π1 = π2 = 0,5. Ejemplos p(y|s) yCARA ySELLO p p(s|y1) p(s|y2) SCARA 1 0 p1 1 0 SSELLO 0 1 p2 0 1 p(y) p1 p2 1 1 1 Adivino 27 p(yCARA) = p(yCARA/SCARA) * p(SCARA) + p(yCARA/SSELLO) * p(SSELLO) p(yCARA) = 1 * π1 + 0 * π2 p(yCARA) = π1 Ejemplos p(y|s) yCARA ySELLO p p(s|y1) p(s|y2) SCARA 1 0 p1 1 0 SSELLO 0 1 p2 0 1 p(y) p1 p2 1 1 1 Adivino 28 p(yCARA) = p(yCARA/SCARA) * p(SCARA) + p(yCARA/SSELLO) * p(SSELLO) p(yCARA) = 1 * π1 + 0 * π2 p(yCARA) = π1 Ejemplos p(y|s) yCARA ySELLO p p(s|y1) p(s|y2) SCARA 1 0 p1 1 0 SSELLO 0 1 p2 0 1 p(y) p1 p2 1 1 1 Adivino 29 p(sCARA|yCARA) = p(yCARA|sCARA) * p(SCARA) / p(yCARA) p(sCARA|yCARA) = 1 * π1 / π1 p(sCARA|yCARA) = 1 Nota: y1 = yCARA ; y2 = ySELLO Ejemplos p(y|s) yCARA ySELLO p p(s|y1) p(s|y2) SCARA 1 0 p1 1 0 SSELLO 0 1 p2 0 1 p(y) p1 p2 1 1 1 Adivino 30 p(sCARA|yCARA) = p(yCARA|sCARA) * p(SCARA) / p(yCARA) p(sCARA|yCARA) = 1 * π1 / π1 p(sCARA|yCARA) = 1 Ejemplos Comodín 50% p(y|s) yab yac yad ybc ybd ycd p p.ab) ... p.cd) Sa 1/3 1/3 1/3 0 0 0 pa Sb 1/3 0 0 1/3 1/3 0 pb Sc 0 1/3 0 1/3 1/3 1/3 pc Sd 0 0 1/3 0 1/3 1/3 pd P(y) 31 Nota: πa , πb , πc , πd son probabilidades que no nos interesa saber cuanto son. Las dejamos de esa forma sólo para efectos del ejemplo. En el caso típico son πa = πb = πc = πd = 1/4. Ejemplos Comodín 50% p(y|s) yab yac yad ybc ybd ycd p p.ab) ... p.cd) Sa 1/3 1/3 1/3 0 0 0 pa pa/(pa+pb) Sb 1/3 0 0 1/3 1/3 0 pb pb/(pa+pb) Sc 0 1/3 0 1/3 1/3 1/3 pc pc/(pc+pd) Sd 0 0 1/3 0 1/3 1/3 pd pd/(pc+pd) P(y) 1/3(pa+pb) ... ... ... ... 1/3(pc+pd) 32 Ejemplos Comodín 50% p(y|s) yab yac yad ybc ybd ycd p p.ab) ... p.cd) Sa 1/3 1/3 1/3 0 0 0 pa pa/(pa+pb) Sb 1/3 0 0 1/3 1/3 0 pb pb/(pa+pb) Sc 0 1/3 0 1/3 1/3 1/3 pc pc/(pc+pd) Sd 0 0 1/3 0 1/3 1/3 pd pd/(pc+pd) P(y) 1/3(pa+pb) ... ... ... ... 1/3(pc+pd) 33 Ejemplo Pozo Petrolero 34 p(y|s) Alfa Beta Delta p p.Alfa) p./Beta) p.Delta) Seco 1 0 0 0,2 0,5 0 0 GN 0,5 0,5 0 0,4 0,5 0,5 0 GN y Petróleo 0 0,667 0,333 0,3 0 0,5 0,5 Petróleo 0 0 1 0,1 0 0 0,5 P(y) 0,4 0,4 0,2 1 1 1 1 Alfa Beta Delta Total Seco 10 0 0 10 Gas Nat 10 10 0 20 GN y Petr 0 10 5 15 Petróleo 0 0 5 5 TOTAL 20 20 10 50 Resumen 1. Elementos de un proceso de decisión: – Conjunto de decisiones factibles – Estados de la naturaleza y consecuencias de la decisión en cada estado – Creencias o probabilidades a priori – Criterio de decisión 2. Estructura de Información: – Perfecta o Imperfecta (Sin Ruido o Ruidosa) – Permite revisar probabilidades Cambiar decisión? 3. Bayes: P(A|B) = P(AB)/P(B) p(s|y) = p(y|s) ps /p(y) 35
Compartir