Vous êtes sur la page 1sur 49

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 Inversión total a valores sociales:

1

año

50.000

$

En momento 0 En momento 1 Duración fase de operación Costos sociales fijos Costos sociales variables Cantidad de unidades Precio social del bien generado Tasa social de descuento

60%

40%

3

años $/año vencido $/unidad, vencido unidades anuales $/unidad, vencido anual

12.000

2

9.000

6

8%

Flujo de beneficios y costos sociales

Concepto

0

1

2

3

4

Costo social de la inversión Costo social fijo Costo social de los insumos Valor social de la producción

-30.000

-20.000

 

-12.000

-12.000

-12.000

-18.000

-18.000

-18.000

54.000

54.000

54.000

Beneficios netos

-30.000

-20.000

24.000

24.000

24.000

VAN esperado del proyecto = $ 8.750,30

Héctor Mamani - Facultad de

Ingeniería Económica, UNA Puno.

Riesgo =Variabilidad de los Flujos del Proyecto

Todo proyecto tiene un riesgo asociado

Riesgos

Diversificables

Riesgos

Diversificables

No

Riesgos Asegurables

Se aseguran/diversifican

Se aseguran

Riesgos No Asegurables

Se diversifican

¿Qué hacer?

Riesgos No Asegurables Se diversifican ¿Qué hacer? En el flujo Es el flujo más probable Método

En el flujo Es el flujo más probable Método alternativo: equivalencia a certidumbre

En la tasa Refleja el riesgo del proyecto 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 proyecto

• No completar el proyecto

• Abastecimiento de insumos

• Proceso productivo

• Mercado

• Fuerza mayor

• Tipo de cambio

• Político

• Abandono

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 recurso.

Héctor Mamani - Facultad de

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

independientes).

Héctor Mamani - Facultad de 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

Tamaño de mercado Cuota de mercado Precio unitario Costo variable Unitario Costos fijos

Pesimista

+11

-104

- 42

Esperada

Optimista

+34

+57

+34

+173

+34

+50

-150

+34

+111

Héctor Mamani - Facultad de

+4

+34

Ingeniería Económica, UNA Puno

+65

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) Donde:

Lij: Matriz de castigo

Héctor Mamani - Facultad de Ingeniería Económica, UNA Puno

Toma de decisiones bajo incertidumbre:

ALTERNATIVAS \ESTADOS

Ejemplo

CRITERIOS DE DECISIÓN

 

E1

E2

E3

LAPLACE MAXIMIN

   

(a=0,2)

MAXIMAX HURWICZ CASTIGO MINIMAX

A1 -4.000

A2 1.000

(Promedio) 1,000 2,000

-

-

-

-

-

1.000 4.000

2.000

1.000

4.000

1,600

2.000

A3 -2.000

1.833

-2.000

6.000

-400

3.000

A4

0

1.500 6.000 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 De los resultados, se seleccionan:

A4 de acuerdo a la Regla de La Place A2 o A5 de acuerdo a la Regla de MAXIMIN A3 de acuerdo a la Regla de MAXIMAX A2 de acuerdo a la Regla de HURWICZ (a = 0.20 ) Max ij[A2=0,8*1000+0,2*4000= 1,600] A4 de acuerdo a la Regla de Castigo MINIMAX.

Héctor Mamani - Facultad de Ingeniería Económica, UNA Puno

Matriz de Castigo E1 E2 E3 MAX A2 0 2000 2000 2000 A3 3000 1500
Matriz de Castigo
E1
E2
E3
MAX
A2
0
2000
2000
2000
A3
3000
1500
0
3000
A4
1000
1000
1000
1000
A5
0
0
4000
4000

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 valores de rescate de los activos.

Héctor Mamani - Facultad de

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

Escenari

FC1

Prob

FC2

Prob

o

A

50

0.1

65

0.2

B

60

0.2

Héctor Mamani - Facultad de

70

0.3

C

80

0.3

Ingeniería Económica, UNA Puno

80

0.3

Chocolates

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:

divide su resultado por la desviación estándar. Esto es: Donde Z es la variable estandarizada o

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) =

98.75% (ver tabla Z)

Héctor Mamani - Facultad de

Mejor.

Ingeniería 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)

Z=(0-49)/19,16=-2,5574; el mismo que corresponde a 99,46%

Cual es la probabilidad de que el proyecto sea aceptado (VAN>0)?

Héctor Mamani - Facultad de Ingeniería Económica, UNA Puno

TABLA DE DISTRIBUCION NORMAL

TABLA DE DISTRIBUCION NORMAL z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,0

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

           

>0,939

       

1,5

0,9332

0,9345

0,9357

0,9370

0,9382

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 o minimiza los resultados que estén a

la derecha de ese nodo.

Héctor Mamani - Facultad de

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

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:

Si se encuentra gas el VAN será

.

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) Se pide:

0.21

0.28

0.51

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 por la técnica de

Héctor Mamani - Facultad de

ultrasonido?

Ingeniería Económica, UNA Puno

El caso del petrolero

• Acciones:

– Perforar

– No perforar

• Resultados:

– Perforación + petróleo:

– Perforación + no hay eo:

– No se perfora:

t ól

pe r

• Estados de naturaleza:

– Hay petróleo

– No hay petróleo

• Probabilidades

– Hay petróleo =

– No hay petróleo =

Héctor Mamani - Facultad de Ingeniería Económica, UNA Puno

Ejemplo:

 

S(0.1)

 

Perforar

G(0.2)

(7),7

P(0.7)

 

B(0.5)

 

7

No Perforar

 

S(0.2)

 

Perforar

G(0.4)

 

Ultrasonido

R(0.3)

(7),2

P(0.4)

 

(1), 3.9

2

No Perforar

 

S(0.5)

 

Perforar

G(0.3)

(7), -2.5

 
  M(0.2) P(0.2)
 

M(0.2)

P(0.2)

 

-1

   

4.6

No Perforar

 

S(0.21)

 

Perforar

 

G(0.28)

4.6

4.6

P(0.51)

 

No ultrasonido

No Perforar

 

= -1-7= -8

= -1-7+5= -3

= -1-7+20 = 12

= -1

= -1-7= -8

= -1-7+5 = -3

= -1-7+20 =12

VAN=-8(0.1)-

3(0.2)+12(0.7)= 7

VAN=-8(0.2)-

3(0.4)+12(0.4)= 2

= -1

= -1-7= -8

= -1-7+5= -3

= -1-7+20=12

VAN=-8(0.5)-

3(0.3)+12(0.2)= -2.5

= -1

= -7

= -7+2= -2

= -7+20= 13

VAN=-7(0.21)-

2(0.28)+13(0.51)= 4.6

= 0

Héctor Mamani - Facultad de Ingeniería Económica, UNA Puno

Escenarios

Escenarios Héctor Mamani - Facultad de Ingeniería Económica, UNA Puno

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 cadaHéctormes)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 Cash Flows y obtener el VAN

Héctor Mamani - Facultad de

Ingeniería 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

variable unitario) + HéctorcostosMamanifijos.- Facultad de

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

Ingeniería Económica, UNA Puno

Simulación: asignación de probabilidades

Las siguientes son las posibles distribuciones de probabilidad:

Precio de venta

:

aumenta con el tiempo.

Mercado anual

:

Normal, la varianza

Distribución uniforme,

valores igualmente probables.

Fracción de mercado

Triangular. Triangular no

:

:

Crecimiento de mercado 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

;

= 547,72

Cantidades

anuales

Valor social de la producción

Costos

Beneficios netos sociales anuales

 

sociales

anuales

VAN*

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 los primeros 8 valores obtenidos.

Ingenieria Economica, UNA Puno.

Modelo MONTECARLO Dos variables aleatorias: cantidad y precio social Distribución normal: Y = 9.000 ;

Modelo MONTECARLO Dos variables aleatorias: cantidad y precio social

Distribución normal:

Y = 9.000

;

= 547,72

P = 6

;

= 0,3

Beneficios

 

Valor social de la producción

Costos

Cantidades

anuales

Precio social

sociales

anuales

netos

sociales

anuales

VAN*

X

P

P* . X

cv* . X + CF*

 

(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 los primeros 8 valores obtenidos.

Ingenieria Economica, UNA Puno.

Modelo MONTECARLO
Modelo MONTECARLO

Porcentaje del total de casos

Concepto

Valores

 

9.065,19

5.384,73

Valor medio del VAN* Desviación estándar Coeficiente de variación VAN* negativos VAN* inferiores a $ 3.000 VAN* inferiores a $ 5.000

0,59

16

5,33%

41

13,67%

71

23,67%

Frecuencia

 

0

3

0

13

25

49

53

68

44

31

11

3

0

25 49 53 68 44 31 11 3 0 Histograma 80 70 60 50 40 30
25 49 53 68 44 31 11 3 0 Histograma 80 70 60 50 40 30
25 49 53 68 44 31 11 3 0 Histograma 80 70 60 50 40 30
25 49 53 68 44 31 11 3 0 Histograma 80 70 60 50 40 30
Histograma 80 70 60 50 40 30 20 10 0 -6000 -3000 0 3000 6000
Histograma
80
70
60
50
40
30
20
10
0
-6000 -3000
0
3000
6000
9000
12000 15000 18000 21000 24000
y
mayor
Hector Mamani - Facultad de
Ingenieria Economica, UNA Puno.
VAN
Frecuencia

VAN

-6.000

-3.000

3.000

6.000

9.000

12.000

15.000

18.000

21.000

24.000

y mayor

Modelo MONTECARLO
Modelo MONTECARLO

Porcentaje del total de casos

Concepto

Valores

 

8.915,18

8.505,23

Valor medio del VAN Desviación estándar Coeficiente de variación VAN negativos VAN inferiores a 3.000 VAN inferiores a 5.000

0,9540

46

15,33%

73

24,33%

99

33,00%

Histograma VAN Frecuencia -6.000 13 50 -3.000 11 45 40 0 22 35 3.000 27
Histograma
VAN
Frecuencia
-6.000
13
50
-3.000
11
45
40
0
22
35
3.000
27
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
24.000
14
y mayor
8
Hector Mamani - Facultad de
Ingenieria Economica, UNA Puno.
VAN
-6000
-3000
0
3000
6000
9000 12000 15000 18000 21000 24000
y mayor
Frecuencia