Saltar al contenido
Volver a los resultados

Análisis de Escenarios Estocásticos — Evaluación probabilística multi-escenario bajo incertidumbre

Propuesto por
Dantzig, G. B.; Birge, J. R.; and others in stochastic programming tradition
Año
1955–1980s
Tipo
Probabilistic scenario enumeration and evaluation
Familia
Simulation / optimization

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El Análisis de Escenarios Estocásticos evalúa un sistema o decisión a través de múltiples escenarios explícitamente definidos, a cada uno de los cuales se le asigna una probabilidad de ocurrencia.

A diferencia del análisis de escenarios determinista, propaga la incertidumbre a través de distribuciones de probabilidad y calcula resultados esperados, varianza y métricas de riesgo en todo el espacio de escenarios, proporcionando a los responsables de la toma de decisiones una visión estructurada de lo que podría suceder y la probabilidad de cada resultado.

La intuición detrás del método

Imagine planificar inversiones en infraestructura cuando la demanda futura es desconocida. En lugar de elegir una previsión, define un conjunto de futuros plausibles —alto crecimiento, estancamiento, disruptivo— y asigna a cada uno una probabilidad basada en el juicio de expertos o datos históricos. Luego evalúa su decisión bajo cada futuro, pondera los resultados por sus probabilidades y calcula el valor esperado, la exposición al peor caso y el potencial alcista. El resultado no es un número único, sino una distribución de consecuencias, que le ayuda a elegir estrategias que sean robustas en todos los futuros en lugar de óptimas solo en el caso esperado.

Historia

El análisis de escenarios estocásticos surgió de la intersección de la planificación de escenarios desarrollada en RAND y Shell en las décadas de 1950-1970 y la programación estocástica formalizada por Dantzig (1955) y Beale (1955). El campo maduró a través del trabajo de Birge, Louveaux y otros en las décadas de 1980-1990, con una amplia adopción en la gestión de riesgos financieros, la planificación energética y la política climática a partir de la década de 1990.

Cuándo usarlo

Utilizar el Análisis de Escenarios Estocásticos cuando las incertidumbres clave puedan articularse como un conjunto manejable de futuros discretos, cada uno con una estimación de probabilidad significativa — común en la planificación estratégica, pruebas de estrés financiero, adaptación climática y evaluación de políticas públicas. Es especialmente valioso cuando los riesgos de cola importan tanto como el rendimiento esperado. Evitarlo cuando el número de escenarios relevantes es demasiado grande para enumerarlo significativamente, cuando las estimaciones de probabilidad no están disponibles o no tienen sentido (utilizar métodos de incertidumbre profunda como la toma de decisiones robusta en su lugar), cuando el espacio de decisión es continuo y requiere optimización estocástica completa, o cuando los resultados son altamente sensibles a la incertidumbre de parámetros dentro del escenario que no está modelada en sí misma.

Limitaciones y consideraciones

  • Los resultados son altamente sensibles al conjunto de escenarios elegido y a las probabilidades asignadas; las probabilidades mal calibradas producen valores esperados engañosos.
  • Los conjuntos de escenarios discretos pueden omitir estados intermedios importantes o resultados de cola no capturados por ningún escenario nombrado.
  • A medida que crece el número de impulsores inciertos, el número de escenarios necesarios para una cobertura completa crece exponencialmente, lo que hace que la enumeración sea poco práctica.
  • El método no optimiza inherentemente las decisiones; combinarlo con la optimización requiere formulaciones de programación estocástica que añaden complejidad.
  • Comunicar resultados ponderados por probabilidad a audiencias no técnicas puede ser difícil cuando las partes interesadas se fijan en el peor escenario independientemente de su probabilidad.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Hace que la incertidumbre sea explícita y transparente al nombrar y cuantificar futuros distintos en lugar de ocultarla en estimaciones puntuales.
  • Produce métricas de riesgo ricas que incluyen el valor esperado, la varianza y estadísticas de riesgo de cola que respaldan criterios de decisión tanto de valor esperado como de aversión al riesgo.
  • Computacionalmente tratable para recuentos moderados de escenarios, permitiendo el uso de modelos de resultados complejos dentro de cada escenario.
  • Comunica naturalmente los resultados a las partes interesadas a través de escenarios nombrados con narrativas concretas y resúmenes ponderados por probabilidad.
  • Se integra sin problemas con modelos de optimización (programación estocástica) cuando se debe seleccionar una variable de decisión formal.
  • Soporta el análisis de arrepentimiento y la identificación de estrategias robustas, ayudando a los responsables de la toma de decisiones a protegerse contra los peores escenarios.

Aplicaciones

  • Pruebas de estrés de carteras financieras y estimación del valor en riesgo bajo escenarios macroeconómicos
  • Planificación de adaptación climática evaluando inversiones en infraestructura a través de escenarios de emisiones y temperatura
  • Asignación de recursos de atención médica bajo trayectorias epidémicas inciertas
  • Planificación del sistema energético bajo precios de combustible inciertos, crecimiento de la demanda y entornos políticos
  • Evaluación de la resiliencia de la cadena de suministro bajo escenarios de disrupción que incluyen fallas de proveedores y shocks de demanda
  • Evaluación de políticas públicas donde las intervenciones se evalúan bajo futuros optimistas, de referencia y pesimistas

Cómo funciona

Cómo funciona

1

Identificar un conjunto finito de escenarios discretos S = {s1, s2, ..., sK} que representen futuros o estados del mundo estructuralmente distintos. Los escenarios deben ser mutuamente excluyentes, colectivamente exhaustivos dentro del alcance del análisis y estar impulsados por los principales impulsores inciertos. En la práctica, K varía de 3 a 20; más allá de eso, la interpretabilidad se ve afectada.

2

Asignar una probabilidad p(sk) a cada escenario tal que todas las probabilidades sean no negativas y sumen 1. Las probabilidades pueden provenir de la elicitación de expertos, el análisis de frecuencia histórica o la actualización bayesiana. Cuando las probabilidades son profundamente inciertas, el análisis de sensibilidad sobre los pesos de probabilidad es esencial.

3

Para cada escenario sk, calcular el vector de resultados o la métrica de rendimiento f(x, sk) para cada alternativa de decisión o política x. Este paso puede implicar un modelo de simulación, un subproblema de optimización o una fórmula analítica, dependiendo del dominio de la aplicación.

4

Calcular el valor esperado E[f] = sum_k p(sk) * f(x, sk) y medidas de riesgo como la varianza Var[f], el valor condicional en riesgo CVaR, o las probabilidades de sobrepaso P(f > umbral). Construir distribuciones de resultados y tablas de rendimiento por escenario para comparar alternativas.

5

Interpretar los resultados identificando estrategias dominantes (buenas en la mayoría de los escenarios), estrategias frágiles (óptimas en expectativa pero catastróficas en escenarios de cola) y estrategias robustas (aceptables en todos los escenarios). Utilizar criterios de dominancia estocástica o minimización de arrepentimiento para seleccionar una alternativa preferida.

Errores comunes

  • Tratar las probabilidades de escenario como precisas cuando son estimaciones aproximadas — siempre informar la sensibilidad de las conclusiones a las asignaciones de probabilidad.
  • Seleccionar escenarios para confirmar un resultado preferido en lugar de abarcar el espacio de incertidumbre genuino, socavando la credibilidad del análisis.
  • Ignorar la incertidumbre dentro del escenario al tratar cada escenario como determinista cuando los parámetros dentro de un escenario son variables en sí mismos.
  • Informar solo los valores esperados y pasar por alto las métricas de riesgo de cola, lo que puede ocultar estrategias con exposición a pérdidas catastróficas.
  • Confundir la probabilidad del escenario con la plausibilidad del escenario — un escenario de baja probabilidad puede justificar la mitigación si su impacto es severo.

Preguntas frecuentes

¿En qué se diferencia el análisis de escenarios estocásticos del análisis de escenarios ordinario?

El análisis de escenarios ordinario (determinista) evalúa los resultados bajo unos pocos futuros nombrados pero no les asigna formalmente probabilidades, por lo que no puede calcular valores esperados ni estadísticas de riesgo. El análisis de escenarios estocásticos asigna explícitamente probabilidades a cada escenario y agrega los resultados en métricas ponderadas por probabilidad, lo que permite una cuantificación formal del riesgo.

¿Cuántos escenarios debo definir?

De tres a siete escenarios es lo típico en aplicaciones estratégicas; más de diez se vuelve difícil de interpretar y comunicar. La clave es que los escenarios deben cubrir el espacio de resultados plausibles sin solapamiento excesivo. Cuando la incertidumbre es continua, la simulación de Monte Carlo extrayendo de distribuciones de probabilidad puede ser preferible a la enumeración de escenarios discretos.

¿Qué pasa si no puedo asignar probabilidades significativas a los escenarios?

Si las probabilidades son fundamentalmente incognoscibles, el método se acerca al análisis de incertidumbre profunda. Técnicas como la toma de decisiones robusta (RDM) o el análisis de brecha de información son más adecuadas cuando las estimaciones de probabilidad no son creíbles. También puede ejecutar el análisis de escenarios estocásticos en un rango de asignaciones de probabilidad para probar si las conclusiones son sensibles a ellas.

¿Se puede combinar el análisis de escenarios estocásticos con la optimización?

Sí. Cuando se debe elegir una variable de decisión formal antes de que se revelen los escenarios, el problema se convierte en un programa estocástico de dos o múltiples etapas: la primera etapa selecciona una decisión aquí y ahora; las etapas posteriores se adaptan a cualquier escenario que se desarrolle. Software como GAMS, Pyomo y solucionadores especializados de programación estocástica soportan esta formulación.

¿Cómo debo validar el conjunto de escenarios?

La validación implica verificar que los escenarios sean internamente consistentes, abarquen colectivamente el espacio de incertidumbre clave y estén fundamentados en el conocimiento del dominio o datos históricos. Paneles de revisión de expertos, análisis de interrelaciones y comparación con distribuciones de frecuencia históricas de situaciones análogas son enfoques de validación comunes.

Métodos relacionados

Fuentes

  1. Birge, J. R., Louveaux, F. (2011). Introduction to Stochastic Programming (2nd ed.). Springer.

    ISBN: 9781461402374
    Copiado.
  2. Lempert, R. J., Popper, S. W., Bankes, S. C. (2003). Shaping the Next One Hundred Years: New Methods for Quantitative, Long-Term Policy Analysis. RAND Corporation.

    Abrir referencia de la publicación
    Copiado.