Risque et gestion des risques – un aperçu rapidement expliqué

Vous avez toujours voulu prendre un risque ? Êtes-vous même un peu gestionnaire de risques et votre vie vous offre également des emplois internes comme la gestion des risques ? Prenez-vous consciemment des risques ? Quotidienne ou même horaire ? Dans l’article Risque et gestion des risques, vous apprendrez tous les termes importants. Vous trouvez cela trop peu excitant ? Alors vous pouvez certainement expliquer la différence entre la causalité et la corrélation. Sinon ce post va t’aider.

Définition du risque

Que signifie réellement le risque ? Est-ce l’imprévisibilité des possibilités dans le futur ? Vous vous écartez des objectifs prévus ? Les risques ne peuvent-ils pas aussi être positifs (par exemple, représenter des opportunités) ? Ou les risques sont-ils uniquement négatifs (dangers) ? S’agit-il peut-être finalement de se focaliser sur les déviations ?

Les risques peuvent être divisés en deux dimensions : la dimension finale décrit l’impact ou le résultat du risque (par exemple, le résultat « faillite »). En plus de la dimension finale, il y a la dimension causale, qui considère les différents risques qui conduisent à la dimension finale (par exemple, le risque opérationnel).

Décisions et informations sur la gestion des risques

Chaque jour, nous prenons une multitude de décisions. En science, l' »Homo Oeconomicus » a été conçu, qui représente également le point de départ de l’approche normative-descriptive . L’homo oeconomicus s’efforce constamment de maximiser l’utilité (utilité la plus élevée), est soumis à l’axiome de l’intérêt personnel (utilité uniquement pour soi-même, un égoïste total) et a une caractéristique rationnelle (par rapport à un objectif, l’alternative optimale est sélectionnée). Il n’y a pas d’homo oeconomicus sur la planète terre. La construction scientifique est réservée à la recherche. Juste comme guide. En tant que modèle.

Mais à quoi ressemble le comportement décisionnel des gens sur terre ? En fait assez simple. Selon les sentiments, les expériences et le niveau d’information. Ce dernier peut être parfait et imparfait. Par conséquent, on parle de décisions sous certitude (information parfaite) et de décisions sous incertitude (information imparfaite). Les deux exemples suivants visent à définir plus en détail l’information parfaite et imparfaite et le terme décision.

Décision sous sécurité avec une information parfaite

On cherche le résultat de l’addition de 5 et 3. Dans ce cas, une information complète est disponible. Vous savez qu’il s’agit d’une addition de deux nombres donnés (dans la spécification). La sélection (décision) du bon résultat (qui peut être dit et calculé avec certitude) parmi plusieurs possibilités est donc aisée. C’est une décision sous sécurité.

Décision dans l’incertitude avec des informations imparfaites

Vous voyez une remise de 46 % sur une tablette de chocolat dans une brochure de supermarché. Vous en avez besoin pour votre fils dans trois semaines. Faut-il acheter maintenant ce chocolat (en solde) ou non ? C’est une décision prise dans l’incertitude. Vous ne savez pas si le chocolat sera proposé moins cher dans un autre supermarché dans les 3 prochaines semaines. Vous ne savez même pas si c’est l’offre la moins chère de tous les supermarchés. Vous connaissez toujours le prix de référence moyen. Cela fournirait des informations quant à savoir si 46% du prix d’origine à la place est bon marché. Vous devez donc prendre une décision avec des informations imparfaites ici.

Information parfaite VS imparfaite

Comme les deux exemples ci-dessus l’ont démontré, nous prenons la plupart des décisions dans l’incertitude et avec des informations imparfaites. C’est la norme, puisque personne ne dispose de toutes les informations à un moment donné (ainsi que pour l’avenir) (peut-être dans le futur le cloud (intelligent) ou la pensée analytique assistée par ordinateur). Les décisions en matière de sécurité tendent à être l’exception et n’existent que dans des systèmes complètement délimitables et fermés.

Modèle de décision

Les décisions peuvent être prises à l’aide du modèle de décision. En plus du décideur, cela fournit un champ de décision avec un espace d’action et un résultat. Le système cible maximisera toujours l’utilité. Cela signifie qu’en exécutant l’action, l’utilité est maximisée.

Modèle de décision sous certitude avec information parfaite

Ce qui suit est un exemple d’une décision sous certitude avec une information parfaite. Nous partons de l’exemple ci-dessus avec l’ajout de 5 et 3 et . Vous pouvez choisir entre le résultat 8 et 6.

Modèle de décision sous incertitude avec information imparfaite

Lorsque des décisions sont prises dans l’incertitude, le résultat n’est pas connu. Une autre distinction peut être faite entre le risque et l’incertitude. Dans le cas d’un risque, la distribution de probabilité des conditions environnementales possibles est connue, tandis que dans le cas d’une incertitude, cette fonction de probabilité n’est pas connue.

Supposons maintenant que l’étudiant reçoive de l’argent de sa grand-mère pour l’exemple ci-dessus. Cela ne dépend pas seulement de sa décision, mais aussi de l’état d’esprit de la grand-mère. Il a analysé cela au cours des dernières années et a trouvé ce qui suit : 50 % de bonne humeur, 40 % d’humeur normale et 10 % de mauvaise humeur. Maintenant, il peut mettre en place la matrice suivante.

La valeur attendue et le plan d’action alternatif optimal peuvent être calculés à l’aide de la matrice ci-dessus. Bien sûr, la meilleure action est de choisir la bonne réponse. Supposons toutefois que cela soit lié à la réussite de l’apprentissage. Si la fonction de probabilité n’est pas connue, on parle alors d’incertitude. De telles décisions ne sont plus basées sur la valeur attendue, mais avec Laplace (moyenne la plus élevée de tous les états environnementaux), Maximin (valeur la plus élevée de toutes les possibilités minimales), Maximax (valeur maximale de toutes les possibilités maximales), Hurwicz (valeur maximale multipliée par la valeur du paramètre plus la valeur minimale fois (valeur à 1 paramètre) où la valeur du paramètre est comprise entre 0 et 1) ou Savage-Niehans (matrice des regrets – combien est perdu dans le pire des cas – fonctionne cependant sur les colonnes, ici le maximum des lignes est alors sélectionné et enfin le minimum de la colonne) résolu.

Distributions liées à la gestion des risques

Ce chapitre traite des distributions plus en détail. Cependant, il ne s’agit que d’un aperçu et des paramètres des distributions et non d’une distribution spéciale ou de la définition des distributions.

processus stochastique

Un processus stochastique est un processus aléatoire. Le chemin correspond à la séquence de réalisations des variables aléatoires déterminant le processus.

Une distinction est faite entre les variables aléatoires discrètes et continues. Les variables discrètes ne peuvent prendre que des valeurs discrètes uniques. Le cube en est un bon exemple. Il ne peut accepter que les chiffres de 1 à 6. Le nombre 1.5 n’est donc pas possible. Par conséquent, l’expression n’est pas non plus possible. Une variable continue, en revanche, peut prendre n’importe quelle valeur, qui peut toujours être subdivisée. Une mesure avec la règle peut toujours être affinée, d’abord en dm, puis en cm, mm, … etc. peut être examinée. L’expression n’est pas limitée à certains nombres, mais peut prendre n’importe quelle valeur (entre les limites – une longueur, par exemple, ne peut pas être négative).

fonction de probabilité

La fonction de probabilité indique la probabilité d’occurrence de chaque réalisation possible d’une variable aléatoire discrètement distribuée . Si le dé est juste, la fonction de probabilité indique que chaque réalisation possible (les nombres 1 à 6) se produit avec une probabilité de 1/6 chacune. Il y a exactement six réalisations possibles et aucune valeur entre les deux. Les réalisations ici ne peuvent être que les nombres naturels de 1 à 6. Cela signifie que la probabilité 100 d’un bon lancer peut être divisée par le nombre de réalisations (ici 6). Le résultat est donc 1/3.

fonction de répartition

La fonction de distribution diffère de la fonction de probabilité en ce qu’elle ne donne pas la valeur d’une réalisation mais d’une somme de réalisations. Ceci est généralement spécifié avec une valeur de réalisation maximale (maximale). Par exemple : Quelle est la probabilité qu’un dé équitable ait une valeur maximale de 3 (c’est-à-dire 1, 2 ou 3).

fonction de densité

S’il ne s’agit pas d’une variable aléatoire discrète mais plutôt d’une distribution continue, on parle de fonction de densité. Il n’y a pas de probabilité pour les valeurs individuelles, car elles ne se produisent pas réellement. Un exemple : y a-t-il 1 ou est-ce 1.1 ? C’est 1.1 ou plutôt 1.01 ? Est-ce 1.01 ou est-ce 1.001 ? Et cela continue indéfiniment – donc la probabilité d’occurrence est de 0 (convergeant vers zéro) compte tenu des possibilités infinies. La fonction de densité peut être calculée à l’aide d’intégrales. La fonction de distribution, en revanche, s’applique non seulement aux variables discrètes mais aussi aux variables continues (puisqu’il s’agit toujours de la probabilité cumulée en un point). Comme exemple pour une variable continue : Quelle est la probabilité que la longueur mesurée soit d’au moins 3 cm ou plus ?

Paramètres de distributions

Chaque distribution a certains paramètres qui peuvent également être utilisés pour déterminer la distribution. Ces paramètres sont par exemple le paramètre de position, le paramètre de diffusion, le skewness et la courbure. La localisation renseigne sur le centre et, selon le type de données, est la valeur attendue, la valeur modale ou la médiane. Avec la variance ou l’écart type, des déclarations peuvent être faites sur la dispersion autour du centre (à quelle distance se situe l’écart par rapport au centre). L’asymétrie, en revanche, correspond au troisième moment d’une distribution. L’asymétrie peut être symétrique, asymétrique à droite ou à gauche. L’aplatissement (quatrième moment) peut correspondre à une distribution normale (à 3), à une distribution leptokurtique (queues grasses et pic haut) ou à une distribution platokurtique (< 3). Habituellement, cependant, l’aplatissement en excès (aplatissement en excès) est calculé. Dans ce cas, la valeur 0 correspond à une distribution normale.

quantiles de distributions

Les quantiles de variables aléatoires continues sont calculés à l’aide de la fonction de densité ou de distribution. Les quantiles décrivent la valeur d’une variable aléatoire qui n’est pas dépassée avec la probabilité de la valeur du quantile. Le quantile 25% décrit la valeur de la variable aléatoire qui ne sera pas dépassée avec une probabilité de 25%. Les quantiles n’ont pas toujours une solution unique. Pour cette raison, le quantile inférieur est toujours supposé.

Covariance VS Corrélation VS Causalité

La covariance décrit l’écart commun de deux nombres aléatoires par rapport à la valeur attendue. La covariance peut prendre n’importe quelle valeur. La corrélation, quant à elle, est un coefficient qui ne prend que des valeurs comprises entre -1 et +1. Si la valeur est 0, il n’y a pas de corrélation et les deux variables aléatoires sont considérées comme indépendantes l’une de l’autre. Plus la valeur est proche de la valeur absolue de 1, plus la corrélation est forte. Cependant, la causalité ne peut pas être déduite de la corrélation. Il s’agit donc dans bien des cas d’une fausse corrélation, une troisième inconnue déclenchant cette corrélation.

FAQ – Risque et gestion des risques