Análisis de Incertidumbre y

Riesgo

1) Evaluación deterministica
2) Fuentes de riesgo e incertidumbre
3) Análisis de sensibilidad
4) Toma de decisiones bajo incertidumbre
5) Análisis de riesgo
6) Arboles de decisión
7) Simulación estocástica
Héctor Mamani - Facultad de Ingeniería Económica, UNA Puno
Evaluación deterministica

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Ejemplo sencillo
Concepto Valores Unidades
Duración fase de inversión 1 año
Inversión total a valores sociales: 50.000 $
En momento 0 60%
En momento 1 40%
Duración fase de operación 3 años
Costos sociales fijos 12.000 $/año vencido
Costos sociales variables 2 $/unidad, vencido
Cantidad de unidades 9.000 unidades anuales
Precio social del bien generado 6 $/unidad, vencido
Tasa social de descuento 8% anual

Flujo de beneficios y costos sociales

Concepto 0 1 2 3 4
Costo social de la inversión -30.000 -20.000
Costo social fijo -12.000 -12.000 -12.000
Costo social de los insumos -18.000 -18.000 -18.000
Valor social de la producción 54.000 54.000 54.000
Beneficios netos -30.000 -20.000 24.000 24.000 24.000

Héctor Mamani - Facultad de

VAN esperado del proyecto = $ 8.750,30
Ingeniería Económica, UNA Puno.
 Riesgo =Variabilidad de los Flujos
del Proyecto
Todo proyecto tiene un riesgo asociado
Riesgos Riesgos No
Diversificables Diversificables

Riesgos Asegurables Se aseguran/diversifican Se aseguran

Riesgos No Asegurables Se diversifican ¿Qué hacer?

En el flujo En la tasa
Es el flujo más probable Refleja el riesgo del proyecto
Método alternativo: equivalencia a certidumbre Compara con proyectos de igual riesgo
No a los "factores de ajuste automáticos"
Héctor Mamani - Facultad de
Ingeniería Económica, UNA Puno
Análisis del proyecto: Supuestos
e incertidumbres
• ¿Los supuestos son razonables?
– ¿Cuál es la fuente de los supuestos?
– ¿Qué sucedería si no se cumplieran?
– ¿Hay algún factor no considerado?
• ¿Dónde están las mayores incertidumbres, y
cuál es su impacto?
– Análisis de sensibilidad de cada variable: efecto
sobre el VAN de modificar cada una
separadamente
• ¿Cuál es el impacto del cambio conjunto en
las variables?
– Análisis de escenarios
Héctor Mamani - Facultad de
Ingeniería Económica, UNA Puno
 Análisis del proyecto: Compra
de certidumbre
• ¿Cuáles son las variables críticas?
– Es decir, aquellas con mayor impacto sobre el
VAN
• ¿Se puede reducir la incertidumbre sobre
las mismas?
– ¿A qué costo?
– ¿Qué beneficio reporta la mayor información?

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Principales Riesgos de un
Proyecto

• Participantes del • Mercado

proyecto • Fuerza mayor
• No completar el • Tipo de cambio
proyecto • Político
• Abastecimiento de • Abandono
insumos
• Proceso productivo

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Riesgos de un Proyecto
• Por los participantes del proyecto
– Se origina por la debilidad financiera de
alguno de los participantes del proyecto
• Formas de controlarlo:
– Incorporar el proyecto como una entidad
propia
– Crear cláusulas de corresponsabilidad entre
los gestores participantes del proyecto
– Hacer que cada participante sólo responda
por su aporte en el proyecto
Héctor Mamani - Facultad de
Ingeniería Económica, UNA Puno
 Riesgo de Completar el
Proyecto
• La construcción del proyecto no se completa, los
costos exceden lo que se había presupuestado o no
se alcanzan los estándares técnicos planeados
• Completar técnicamente y completar financieramente
• Formas de controlarlo: aporte de socios, aporte fijo de
prestamistas, líneas de crédito puente, financiamiento
de los compradores del producto, financiamiento del
gobierno; cláusulas de repago aún si el proyecto no
se completa, trasladar la responsabilidad a los
gestores mientras el proyecto no se complete
Héctor Mamani - Facultad de
Ingeniería Económica, UNA Puno
 Riesgo de Mercado

• La demanda por el producto podría no

mantenerse en la cantidad y precios
adecuados.
• Formas de controlarlo: revisión de las
proyecciones de mercado, solicitud de
estudios de factibilidad por parte de
terceros, revisar los costos del proyecto.
• Suscripción de contratos de venta
anticipada Héctor Mamani - Facultad de
Ingeniería Económica, UNA Puno
 Riesgo en el Abastecimiento
de Insumos
• Suele presentarse en proyectos de
explotación de recursos naturales o en
abastecimiento de energía
• Formas de controlarlo: requerir que el
proyecto considere fuentes alternativas a la
que se espera brindará los recursos,
acuerdos con el productor para que
abastezca el recurso, evaluación de la
capacidad productiva del proveedor del
Héctor Mamani - Facultad de
recurso. Ingeniería Económica, UNA Puno
 Riesgo Productivo
• Que el proyecto encuentre dificultades
operativas que le impidan generar el flujo
de caja planeado
• Formas de controlarlo: con el uso de
tecnologías comprobadas y personal
técnico confiable

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Riesgos Fuerza Mayor

• Están fuera del control de los gestores o

los prestamistas. Generalmente son los
desastres naturales.
• Es común que sea parte del riesgo a ser
asumido por el prestamista

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Riesgos por la Regulación
Pertinente
• La regulación puede afectar el flujo de
caja del proyecto. Cambios en el
tratamiento contable y tributario;
regulación tarifaria.
• Formas de controlarlo: mediante contratos
o compromisos adelantados

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Riesgo Político
• Los riesgos más importantes son guerra,
revolución, terrorismo, nacionalizaciones,
controles cambiarios, licencias de importación,
estabilidad laboral, participación obligatoria de
insumos nacionales.
• Es casi imposible proteger el proyecto contra
estos riesgos. Lo más utilizado suelen ser los
compromisos de gobierno.

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Riesgos de Abandono
• Ocurre cuando los gestores abandonan el
proyecto antes que los prestamistas sean
pagados
• Se emiten cláusulas para que los gestores
sigan operando mientras los ingresos
actualizados superen los costos
actualizados
• Puede ser muy limitante para los gestores

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Riesgos Financieros

• Riesgos de no obtener crédito en la

condiciones esperadas
• Plazo de pago no apropiado
• Desvinculación entre condiciones
operativas y esquema de pago del
préstamo
• Condiciones de no cumplimiento muy
sensibles Héctor Mamani - Facultad de
Ingeniería Económica, UNA Puno
 Formas Generales de
Disminuir Riesgos
• Disminuirlo, mediante convenios o
contratos
• Derivarlo, mediante convenios o contratos
con proveedores o clientes.
• Diversificarlos, mediante estrategias

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Análisis de Sensibilidad

Mediante escenarios se deberá

identificar las variables de mayor
incertidumbre en la evaluación del
proyecto

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Análisis de Sensibilidad
Pasos para el análisis de sensibilidad
a) Se construye el flujo de fondos.
b) Se identifican las variables en los que no hay
certidumbre plena (Peso en el flujo de fondos).
c) Se varía el valor de la variable y se observa los
impactos sobre: VAN, TIR, etc. Los criterios para
modificar los valores pueden ser: datos históricos,
valores esperados, valores críticos, etc.

Limitaciones del análisis de sensibilidad:

a) Se obtiene resultados ambiguos y se usa como
excusa para no intentar cuantificar las variables.
b) Las variables relevantes suelen estar
frecuentemente relacionadas (supuesto de variables
Héctor Mamani - Facultad de
independientes).Ingeniería Económica, UNA Puno
 Análisis de Sensibilidad:
Ejemplo
Se tiene la siguiente información sobre la inversión de 150 Mill. de soles, que efectúa en el
período cero, en un proyecto de vehículo eléctrico, con un horizonte de 10 años, en los
siguientes escenarios:

Variable Pesimista Esperada Optimista

Tamaño de mercado 9 Mill. 10 Mill. 11 Mill

Cuota de mercado 0.004 0.01 0.016
Precio unitario 3,500 3,750 3,800
Costo variable
unitario 3,600 3,000 2,750
Costos fijos 40 Mill. 30 Mill. 20 Mill.

Nota: Considere que los activos se agotan al término de los 10 años, el impuesto es de 50% y
el COK de 10%.
Efectuar el análisis de sensibilidad.

Valor Actual Neto (Millones de soles)

Variable Pesimista Esperada Optimista

Tamaño de mercado +11 +34 +57

Cuota de mercado -104 +34 +173
Precio unitario - 42 +34 +50
Costo variable
Unitario -150 +34 +111
Héctor Mamani - Facultad de
Costos fijos +4 +34 +65
Ingeniería Económica, UNA Puno
 Toma de decisiones bajo incertidumbre
A) LA REGLA DE LA PLACE
Dentro de la matriz de beneficios, supone que los posibles estados son igualmente factibles; primero, se obtiene
el promedio de beneficios de cada una de las alternativas y luego, se escoge aquella alternativa cuyo promedio
sea mayor.
Max.ij [Aij/n]
Donde:
i: Alternativas
j: Estados
A: Beneficios
n: Numero de estados
B) LA REGLA DE MAXIMIN
Sugiere al decisor que, dentro de la matriz de beneficios, observe el menor beneficio de cada una de las
alternativas, y se selecciona aquella alternativa que maximice el mínimo beneficio.
Max.Min.ij (Aij)
C) LA REGLA DE MAXIMAX
Sugiere al decisor que, dentro de la matriz de beneficios, observe el mayor beneficio en cada una de las
alternativas, y se selecciona aquella que maximice el máximo beneficio.
Max.Max. (Aij)
D) LA REGLA DE HURWICZ
Este principio pretende reflejar un punto intermedio entre el optimismo extremo y pesimismo al tomar decisiones.
Para ello se construye un índice con un valor entre 0 y 1 de optimismo y se observa para cada alternativa el
valor (1-a) mínimo beneficio + (a) máximo beneficio) y luego se selecciona aquella alternativa que maximice este
valor.
E) LA REGLA DE CASTIGO MINIMAX
Esta regla sugiere al decisor que observe el valor máximo que deja de ganar en cada alternativa, y se selecciona
aquella alternativa que minimice el costo de oportunidad.
Lij = (Max.Aij) - Aij
Min.Max. (Lij) Héctor Mamani - Facultad de
Donde: Ingeniería Económica, UNA Puno
Lij: Matriz de castigo
 Toma de decisiones bajo incertidumbre:
Ejemplo
ALTERNATIVAS \ESTADOS CRITERIOS DE DECISIÓN
E1 E2 E3 LAPLACE MAXIMIN MAXIMAX HURWICZ CASTIGO
(Promedio) (a=0,2) MINIMAX
A1 -4.000 1,000 2,000 - - - - -
A2 1.000 1.000 4.000 2.000 1.000 4.000 1,600 2.000
A3 -2.000 1.500 6.000 1.833 -2.000 6.000 -400 3.000
A4 0 2.000 5.000 2.333 0 5.000 1,000 1.000
A5 1.000 3.000 2.000 2.000 1.000 3.000 1,400 4.000
Max 1000 3000 6000
A1 no se analiza, por que es una alternativa dominada Matriz de Castigo
De los resultados, se seleccionan: E1 E2 E3 MAX
A4 de acuerdo a la Regla de La Place A2 0 2000 2000 2000
A2 o A5 de acuerdo a la Regla de MAXIMIN
A3 3000 1500 0 3000
A3 de acuerdo a la Regla de MAXIMAX
A2 de acuerdo a la Regla de HURWICZ (a = 0.20 ) A4 1000 1000 1000 1000

Max ij[A2=0,8*1000+0,2*4000= 1,600] A5 0 0 4000 4000

A4 de acuerdo a la Regla de Castigo MINIMAX.
Héctor Mamani - Facultad de
Ingeniería Económica, UNA Puno
 Análisis de Riesgo
Consiste en desarrollar la distribución de
probabilidad de alguno de los criterios económicos o
medidas de méritos ya conocidos (VAN, VAE o TIR).
Sin embargo, para determinar las distribuciones de
probabilidad de estas bases de comparación, se
requiere conocer las distribuciones de probabi-lidad
de los elementos inciertos del proyecto como son: la
vida útil, los flujos de efectivo, las tasas de interés,
los cambios en la paridad, las tasas de inflación, etc.
Los flujos de efectivo que ocurren en el período
determinado son a menudo una función de un gran
número de variables, entre los cuales se pueden
mencionar: precios de venta, tamaño del mercado,
porción el mercado, razón de crecimiento de
mercado, inversión requerida, tasas de inflación, tasa
de impuesto, gastos de operación, gastos fijos y
Héctor Mamani - Facultad de
valores de rescate de los activos.
Ingeniería Económica, UNA Puno
 Análisis de Riesgo
Cuando hay independencia entre las distribuciones de
probabilidad de los Flujos de Caja futuros, el valor esperado del
valor actual neto seria (FCt):
E(FCt) = ∑FCti*Pi
E(VAN) = -I + ∑E(FCt) /(1 + r)^t
Donde r es la tasa de descuento libre de riesgo. La varianza de la
distribución de probabilidades del flujo de caja es:

V(FCt) = σ2t = ∑(FCti – E(FCt)) ^2 * Pi

Cuando los flujos de caja son independientes, la varianza

del valor actual neto es:
V(VAN) = ∑σ2 (FCt)/(1 + r) ^2t

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Ejemplo 1
Se tiene que elegir entre dos alternativas de inversión.
La primera consiste en abrir una heladería y la
segunda consiste en la elaboración de chocolates para
su comercialización. Ambos requieren una inversión
de 100 um y tienen un COK de 10%. Las
distribuciones del flujo de caja de cada proyectos son:
Heladeria:
Escenari FC1 Prob FC2 Prob
o
A 50 0.2 60 0.4
B 70 0.3 80 0.3
C 90 0.5 100 0.3
Chocolates
Escenari FC1 Prob FC2 Prob
o
A 50 0.1 65 0.2
B 60 Héctor Mamani
0.2 - Facultad70
de 0.3
C 80 Ingeniería Económica,
0.3 UNA80
Puno 0.3
D 90 0.4 85 0.2
 Ejemplo 1
Flujo de caja esperado:
Proyecto Heladería
E(FC1) = 50*0.2 +70*0.3 + 90*0.5 = 76
E(FC2) = 78
Proyecto Chocolates
E(FC1) = 50*0.1 + 60*0.2 + 80*0.3 + 90*0.4 = 77
E(FC2) = 75
Calculo del VAN esperado
Flujo de caja heladería: -100 ,76, 78
E(VAN) = -100 + 76/1.1 + 78/1.1^2 = 33.55 Mejor
Flujo de caja chocolates: -100, 77,75
E(VAN) = -100 + 77/1.1 + 75/1.1^2 = 31.98
Héctor Mamani - Facultad de
Ingeniería Económica, UNA Puno
 Ejemplo 1
Varianza de los flujos de caja
Heladería
V(FC1) = (50-76)^2*0.2 +(70-76)^2*0.3 + (90-76)^2*0.5 = 244
V(FC2) = 276
Proyecto Chocolates
V(FC1) = (50-77)^2*0.1 + (60-77)^2*0.2 + (80-77)^2*0.3 + (90-77)
^2*0.4 = 201
V(FC2) = 55
Varianza del VAN
Heladería: V(VAN) = 244/1.1^2+ 276/1.1^4 = 390.16
Chocolates: V(VAN) = 201/1.1^2+ 55/1.1^4 = 203.68
Coeficiente de variabilidad:
Heladería: CV = σ(VAN)/E(VAN) = 390.16^(1/2)/33.55 = 0.58
Chocolates: CV = 203.68^(1/2)/31.98 = 0.45 Mejor

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Análisis de Riesgo: Distribución de
probabilidad del VAN
Es posible calcular la probabilidad de que el VAN sea superior o inferior a cierto
monto de referencia. Para ello se resta el valor esperado del valor actual neto
calculado en la expresión del VE(VAN), de este valor de referencia y se divide
su resultado por la desviación estándar. Esto es:

Donde Z es la variable estandarizada o el numero de desviaciones estándar de

la media (valor esperado del VAN).
Para determinar la probabilidad de que el VAN del Proyecto sea menor o igual
que X, se acude a una tabla de distribución normal que es X desviaciones
estándares hacia la izquierda o derecha de la media.

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Distribución de probabilidad
del VAN
VAN ~ N(E(VAN); σ^2(VAN))
Cuando se desea conocer la probabilidad de que el
VAN sea rentable, es decir, el VAN sea mayor a cero,
resulta de:
P(VAN >0) = P( Z > -E(VAN)/σ(VAN)) = P( Z <
E(VAN)/σ(VAN))
De acuerdo con nuestro ejemplo:
Heladería: P(VAN) = P( Z < E(VAN)/σ(VAN)) = P( Z <
33.55/19.75 =
P( Z < 1.70) = 95.54% (ver tabla Z)
Chocolates: P(VAN) = P( Z < 31.98/14.27 = P( Z < 2.24) =
Héctor Mamani - Facultad de
98.75% (ver tabla Z) Ingeniería
Mejor. Económica, UNA Puno
Distribución de probabilidad
del VAN
• Intervalo de confianza de 68%
E(VAN) + - 1σ(VAN)
• Intervalo de confianza de 95%
E(VAN) + - 1.96σ(VAN)
• Intervalo de confianza de 99.7%
E(VAN) + - 2.968σ(VAN)

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
Análisis de Riesgo: Ejemplo 2
Dado la siguiente matriz de pagos para los proyectos A y B.
Corrientes Efectivos Anuales
Estado de la Economía A B Pi
Recesión 400 0 0.2
Normal 500 500 0.6
Auge 600 1000 0.2

¿Cual de los proyectos es más atractivo?

Cálculo del valor esperado.
E(VAN)= P1(FC1)+P2(FC2)+P3(FC3)
E(VANA) = 0.2(400)+0.6(500)+ 0.2(600) = 500
E(VANB) = 0.2 (0) + 0.6(500) + 0.2(1000) = 500
b) Cálculo de la varianza.
VAR(VAN)= P1(FC1)²+P2(FC2)²+P3(FC3)² - (PromFC)²
VAR(VANA) = Σ Pi(VANi)² - [E(VAN)]² =
= 0.2(400)² +0.6(500)² + 0.2(600)² - (500)²
= 32,000 + 150,000 + 72,000 - 250,000 = 4,000, !Mejor!.
VAR(VANB) = 0.2(0) + 0.6(500)²+ 0.2(1000)²-(500)²
= 0 + 150,000 + 200,000 - 250,000 = 100,000
c) Coeficiente de variabilidad
CV=σ(VAN)/E(VAN) Héctor Mamani - Facultad de
Ingeniería Económica, UNA Puno
 Análisis de Riesgo: Ejemplo 3
Ano 0 1 2 3 4 5
FC -150 50 FC2 60 FC4 50

FC2 Probabilidad FC4 Probabilidad

45 0,2 35 0,4
65 0,6 55 0,4
30 0,2 60 0,2
a) Cual es la distribución del VAN(10%) si los flujos FC2 y FC4 están
correlacionados?. VAN:~N(µ=49, σ =19,16)
E(VAN)=-150+50/1,1+FC2/1,1^2+60/1,1^3+FC4/1,1^4+50/1,1^5
E(FC2)= 45*0,2+65*0,6+30*0,2= 54
VAR(FC2)= (45-54)²*0,2+(65-54)²*0,6+(30-54)²*0,2=204
σ(FC2) = 204^1/2= 14,28
σ(VAN)= σ FC0+ σ FC1/1,1+ σ FC2/1,1^2+ σ FC3/1,1^3+ σ FC4/1,1^4+ σ FC5/1,1^5
b) Cual es la probabilidad de que el proyecto sea aceptado (VAN>0)?
Héctor Mamani - Facultad de
Z=(0-49)/19,16=-2,5574; el mismo que corresponde a 99,46% Ingeniería Económica, UNA Puno
 z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7703 0,7734 0,7764 0,7794 0,7823 0,7652
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8930
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
TABLA DE DISTRIBUCION NORMAL 1,5 0,9332 0,9345 0,9357 0,9370 0,9382
>0,939
4
0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9561 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9934 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9901 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9954 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0.9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Árboles de decisión
• Es una herramienta que formaliza el
proceso de decisión
• Es útil sobre todo cuando se enfrentan
decisiones sucesivas
– Es decir, una o varias alternativas presentes
llevan a futuras decisiones o a distintos
estados futuros

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
Árbol de decisión: Elementos

• Acciones: todas las alternativas abiertas al

decisor (sobre las que tiene control)

• Estados de naturaleza: todas las

incertidumbres (situaciones posibles que el
decisor no controla)
• Resultados: las consecuencias de cada
acción y estado de naturaleza

• Probabilidad: la incertidumbre relativa de

cada estado de naturaleza
Héctor Mamani - Facultad de
Ingeniería Económica, UNA Puno
 Árboles de Decisión: Pasos
Es una técnica muy similar a programación dinámica; es un
método conve-niente para presentar y analizar una serie de
inversiones hechas a través del tiempo. La técnica básicamente
sigue los siguientes pasos:
a) Construir el árbol de decisión, en ella es necesario considerar
las diferentes alternativas o cursos de acción y los posibles
eventos asociados a cada curso de acción.
b) Determinar los flujos de efectivo de cada una de las ramas del
árbol.
c) Evaluar las probabilidades de cada una de las ramas del árbol
que se obtuvo -en el paso anterior.
d) Determinar el VAN de cada una de las ramas del árbol.
e) Resolver el árbol de decisión de manera que permita
seleccionar la mejor alternativa. El procedimiento consiste en
tomar el extremo final del árbol y marchar hacia atrás; en este
recorrido se debe tener en cuenta las siguiente reglas:
i) Si el nodo es un nodo de posibilidad (evento), se obtiene el
valor esperado de los eventos asociados a este nodo.
ii) Si el nodo es un nodo de decisión, entonces se selecciona la
alternativa que maximiza
Héctor o minimiza
Mamani losderesultados que estén a
- Facultad
la derecha de ese nodo.
Ingeniería Económica, UNA Puno
 Árboles de Decisión: Ejemplo
Un inversionista en petróleo tiene que decidir entre perforar o no perforar.
El pozo puede resultar seco, con gas o con petróleo. El costo de
perforación es de 7'000,000 UM.. Si se encuentra gas el VAN será
5'000,000 UM. y si encuentra petroleo el VAN será de 20'000,000 UM.
Por un costo adicional de 1'000,000 UM. el inversionista podrá usar la
técnica de ultrasonido para determinar la estructura geológica del lugar
con mayor exactitud, la cual puede resultar:
. Impermeable (EI): Buena
. Porosa (EI): Regular
. Desconocida (ED): Mala
Asi mismo, se dispone de las siguientes probabilidades:
Seco Gas Petróleo P(.)
P(S/.) P(G.) P(P/.)
Bueno 0.1 0.2 0.7 0.5
Regular 0.2 0.4 0.4 0.3
Malo 0.5 0.3 0.2 0.2
P(pozo sea
S/G/P) 0.21 0.28 0.51
Se pide:
a) Cual es la mejor decisión sin experimentación.
b) Cual es la estrategia óptima para la experimentación y la acción.
c) Qué valor tiene la información proporcionada
Héctor Mamani - Facultad de por la técnica de
ultrasonido? Ingeniería Económica, UNA Puno
 El caso del petrolero

• Acciones: • Resultados:
– Perforar – Perforación + petróleo:
– No perforar
– Perforación + no hay
petróleo:
– No se perfora:

• Estados de • Probabilidades
naturaleza: – Hay petróleo =
– Hay petróleo – No hay petróleo =
– No hay petróleo

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
Ejemplo: S(0.1)
= -1-7= -8
Perforar G(0.2) = -1-7+5= -3 VAN=-8(0.1)-
(7),7 P(0.7) 3(0.2)+12(0.7)= 7
B(0.5) = -1-7+20 = 12
7
No Perforar = -1
S(0.2) = -1-7= -8
Perforar G(0.4) VAN=-8(0.2)-
= -1-7+5 = -3
Ultrasonido (7),2 P(0.4) 3(0.4)+12(0.4)= 2
R(0.3)
= -1-7+20 =12
2
(1), 3.9 No Perforar = -1
S(0.5) = -1-7= -8
Perforar G(0.3) VAN=-8(0.5)-
= -1-7+5= -3
M(0.2) (7), -2.5 P(0.2) 3(0.3)+12(0.2)= -2.5
= -1-7+20=12
-1
4.6 No Perforar = -1
S(0.21) = -7

Perforar G(0.28) = -7+2= -2 VAN=-7(0.21)-

2(0.28)+13(0.51)= 4.6
4.6 4.6 P(0.51) = -7+20= 13

No ultrasonido No Perforar =0 Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
Escenarios

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno
 Simulación Estocástica
• La simulación es una herramienta para
determinar el efecto de todas las
combinaciones posibles de las variables
aleatorias

• En el análisis del proyecto, permite

establecer cuál sería el VAN esperado, si el
proyecto se repitiera “muchas” veces, con
distintas combinaciones de variables
– Y/O si el proyecto tuviera variables aleatorias
que se repitieran “muchas” veces durante su vida
(ejemplo: un supermercado, que hace “muchas”
ventas cadaHéctor
mes) Mamani - Facultad de
Ingeniería Económica, UNA Puno
 Simulación: Pasos
1. Modelar el proyecto
El FC y el VAN deben ser el resultado de la
combinación de las variables aleatorias del
proyecto
2. Especificar la distribución de probabilidades de
cada variable relevante
¿Las ventas tienen una distribución normal? ¿O
uniforme? ¿O ...? ¿Y los costos? Etc., etc.
3. Generar k números aleatorios para cada una de las
variables aleatorias a partir de su respectiva
distribución de probabilidades.
4. Simular los CashIngeniería
Flows
Héctor y
Mamaniobtener
- Facultad deel VAN
Económica, UNA Puno
 Simulación: modelación del
proyecto
En primer lugar, el procedimiento consiste en identificar las
variables relevantes; tales como:
a) Variable de mercado: Precio, tamaño total del mercado,
fracción del mercado y crecimiento del mercado.
b) Variables de inversión: Costos de inversión, vida útil y valor de
rescate.
c) Variables de costos: Costos fijos y costos variables.

En una situación específica, el modelo del flujo de caja sería:

Flujo de tesorería =(Ingresos - costos - depreciación) (1-

impositivo) + amortización (depreciación).

Ingresos = (Tamaño de mercado)(cuota de mercado) (precio

unitario).

Costos = (Tamaño de mercado)(cuota de mercado) (costo

variable unitario) + Héctor
costos fijos.- Facultad de
Mamani
Ingeniería Económica, UNA Puno
 Simulación: asignación de
probabilidades
Las siguientes son las posibles distribuciones de
probabilidad:

Precio de venta : Normal, la varianza

aumenta con el tiempo.
Mercado anual : Distribución uniforme,
valores igualmente probables.
Fracción de mercado : Triangular.
Crecimiento de mercado : Triangular no
simétrica.
Sueldos : Triangular.
Héctor Mamani - Facultad de
Ingeniería Económica, UNA Puno
 Modelo MONTECARLO

Una variable aleatoria: cantidad anual vendida

Distribución normal con los mismos parámetros utilizados
en la determinación de variables críticas:
Y = 9.000 ; σ = 547,72
Valor social Costos
Cantidades Beneficios netos
de la sociales VAN*
anuales sociales anuales
producción anuales
. .
X P* X cv* X + CF*
(1) (2) (1) – (2)
8.835,55 53.013,33 29.671,11 23.342,22 7.180,70
8.300,18 49.801,07 28.600,36 21.200,71 2.070,64
9.133,79 54.802,72 30.267,57 24.535,15 10.027,27
9.699,16 58.194,96 31.398,32 26.796,64 15.423,65
9.656,37 57.938,22 31.312,74 26.625,48 15.015,22
9.949,28 59.695,71 31.898,57 27.797,14 17.811,04
7.803,99 46.823,93 27.607,98 19.215,96 -2.665,39
8.871,73 53.230,39 29.743,46 23.486,93 7.526,02
... ... ... ... ...
Hector Mamani - Facultad de
Se generaron 300 números aleatorios. Se presentan
Ingenieria Economica, los primeros 8 valores obtenidos.
UNA Puno.
 Modelo MONTECARLO
Dos variables aleatorias: cantidad y precio social
Distribución normal:
Y = 9.000 ; σ = 547,72
P=6 ; σ = 0,3
Beneficios
Valor social Costos
Cantidades netos
Precio social de la sociales VAN*
anuales sociales
producción anuales
anuales
P* . X cv* . X + CF*
X P
(1) (2) (1) – (2)
8.835,55 6,23 55.062,00 29.671,11 25.390,89 12.069,24
8.300,18 5,94 49.285,87 28.600,36 20.685,51 841,27
9.133,79 5,51 50.336,95 30.267,57 20.069,38 -628,94
9.699,16 6,64 64.419,82 31.398,32 33.021,50 30.277,42
9.656,37 6,22 60.044,50 31.312,74 28.731,76 20.041,24
9.949,28 6,49 64.549,02 31.898,57 32.650,45 29.392,02
7.803,99 6,01 46.902,30 27.607,98 19.294,32 -2.478,38
8.871,73 6,37 56.504,51 29.743,46 26.761,04 15.338,71
... ... ... ... ... ...
Hector Mamani - Facultad de
Se generaron 300 números aleatorios. Se presentan
Ingenieria Economica, los primeros 8 valores obtenidos.
UNA Puno.
 Modelo MONTECARLO
Porcentaje del
Concepto Valores
total de casos
Valor medio del VAN* 9.065,19
Desviación estándar 5.384,73
Coeficiente de variación 0,59
VAN* negativos 16 5,33%
VAN* inferiores a $ 3.000 41 13,67%
VAN* inferiores a $ 5.000 71 23,67%

VAN Frecuencia Histograma

-6.000 0 80
-3.000 3
70
0 13 60
3.000 25
Frecuencia

50
6.000 49
40
9.000 53
30
12.000 68
20
15.000 44
10
18.000 31
0
21.000 11
-6000 -3000 0 3000 6000 9000 12000 15000 18000 21000 24000 y
24.000 3 mayor...
y mayor... 0 Hector Mamani - Facultad de
Ingenieria Economica, UNA Puno. VAN
 Modelo MONTECARLO
Porcentaje del
Concepto Valores
total de casos
Valor medio del VAN 8.915,18
Desviación estándar 8.505,23
Coeficiente de variación 0,9540
VAN negativos 46 15,33%
VAN inferiores a 3.000 73 24,33%
VAN inferiores a 5.000 99 33,00%

VAN Frecuencia Histograma

-6.000 13 50
45
-3.000 11
40
0 22
35
3.000 27
Frecuencia

30
6.000 36 25
9.000 39 20
12.000 46 15
15.000 31 10

18.000 30 5
0
21.000 23
0 0 0 0 500 0 800 0 100 0 400 0 yo r...
-600 -300 3000 6000 9000 1200
24.000 14 1 1 2 2 y ma

y mayor... 8 Hector Mamani - Facultad de VAN

Ingenieria Economica, UNA Puno.