CAPITULO

IX

ANLISIS BAJO RIESGO E INCERTIDUMBRE

EN PROYECTOS DE INVERSIN

LISIS DE RIESGO E

INTRODUCCIN
I. ANLISIS BAJO RIESGO
1.1
1.2
1.2.1

El Riesgo En Los Proyectos

Mtodos Para Tratar El Riesgo
El Mtodo del Criterio Subjetivo
1.2.1.1 Dependencia e independencia de los flujos de caja en el tiempo
1.2.1.2 Las distribuciones de probabilidad del VAN y la TIR

1.2.2 El Mtodo del ajuste a la tasa de descuento.

1.2.3 El mtodo de la equivalencia a certidumbre.
1.2.4 El mtodo de los valores esperados. o modelo dl rbol de decisin
1.2.5
Los mtodos basados en mediciones estadsticas o Modelo de
simulacin de Monte Carlo
II. ANLISIS BAJO INCERTIDUMBRE
2.1. Criterio Maximin - pesimista o conservador
2.2. Criterio Minimax - pesimista o conservador
2.3. Criterio Maximax - optimista o agresivo
2.4. Principio de Laplace

LAPLACE
CONCLUSIONES DE ANLISIS BAJO RIESGO E INCERTIDUMBRE EN
PROYECTOS DE INVERSIN
RECOMENDACIONES DE ANLISIS BAJO RIESGO E INCERTIDUMBRE
EN PROYECTOS DE INVERSIN

INTRODUCCIN
Al no tener certeza sobre los flujos futuros de caja que ocasionar cada inversin, se estar en
una situacin de riesgo o incertidumbre. Existe riesgo cuando hay una situacin en la cual una
decisin tiene ms de un posible resultado y la probabilidad de cada resultado especfico se
conoce o se puede estimar. Existe incertidumbre cuando esas probabilidades no se conocen o
no se pueden estimar.
El objetivo de este captulo es analizar el problema de la medicin del riesgo en los proyectos
y los distintos criterios de inclusin y anlisis para su evaluacin.
Existen diversos factores que dan lugar a la introduccin del riesgo en los proyectos de
inversin. La situacin econmica del pas y las medidas de poltica que se adopten, el
mercado, la tecnologa, la legislacin laboral, las tasas de inters, etc. Hacen prcticamente
imposible predecir el futuro con exactitud. En consecuencia, los ingresos, costos y vida til
del proyecto no se conocen en total certeza.
El anlisis de riesgo de un proyecto permite dar al inversor una idea de la posibilidad de
obtener los retornos a su capital. De ah la importancia de su anlisis pues permite tomar una
decisin }en relacin a invertir en un proyecto. En el cado de proyectos altamente riesgosos,
debern tenerse mucho cuidado en la asignacin de recursos debido que al variar las
condiciones originales proyectadas, podran generarse proyectos no rentables y por lo tanto
deberan descartarse o postergarse, salvo que desde el punto de vista social se justifique su
ejecucin.

CAPITULO

IX

ANLISIS BAJO RIESGO E INCERTIDUMBRE

EN PROYECTOS DE INVERSIN

I. ANLISIS BAJO RIESGO

1.1 EL RIESGO EN LOS PROYECTOS
El riesgo de un proyecto se define como la variabilidad de los flujos de caja reales respecto de
los estimados. Mientras ms grande sea esta variabilidad, mayor es el riesgo del proyecto. De
esta forma, el riesgo se manifiesta en la variabilidad de los rendimientos del proyecto, puesto
que se calculan sobre la proyeccin de los flujos de caja.
Como ya se indic, riesgo define una situacin donde la informacin es de naturaleza
aleatoria, en que se asocia una estrategia a un conjunto de resultados posibles, cada uno de los
cuales tiene asignada una probabilidad. La incertidumbre caracteriza a una situacin donde los
posibles resultados de una estrategia no son conocidos y, en consecuencia, sus probabilidades
de ocurrencia no son cuantificables. La incertidumbre, por lo tanto, puede ser una
caracterstica de informacin incompleta. de exceso de datos, o de informacin inexacta,
sesgada o falsa.
La incertidumbre de un proyecto crece en el tiempo. El desarrollo del medio condicionar la
ocurrencia de los hechos estimados en su formulacin. La sola mencin de las variables
principales incluidas en la preparacin de los flujos de caja deja de manifiesto el origen de la
incertidumbre: el precio y calidad de las materias primas; el nivel tecnolgico de produccin;
las escalas de remuneraciones; la evolucin de los mercados: la solvencia de los proveedores;
las variaciones de la demanda, tanto en cantidad, calidad como en precio: las polticas del
gobierno respecto del comercio exterior (sustitucin de importaciones, liberalizacin del
comercio exterior); la productividad real de la operacin, etctera.
Una diferencia menos estricta entre riesgo e incertidumbre identifica al riesgo como la
dispersin de la distribucin de probabilidades del elemento en estudio o los resultados
calculados, mientras que la incertidumbre es el grado de falta de confianza respecto a que la
distribucin, de probabilidades estimadas sea la correcta.

John nad seala y analiza ocho causas del riesgo e incertidumbre en los proyectos. Entre
stas cabe mencionar el numero insuficiente de inversiones similares que puedan proporcionar
informacin promediable: los prejuicios contenidos en los datos y su apreciacin, que inducen
efectos optimistas o pesimistas, dependiendo de la subjetividad del analista: los cambios en el
medio econmico externo que anulan la experiencia adquirida en el pasado, y la
interpretacin errnea de los datos o los errores en la aplicacin de ellos.
Se han hecho muchos intentos para enfrentar la falta de certeza en las predicciones. Las que
1.2. MTODOS PARA TRATAR EL RIESGO
Para incluir el efecto del factor riesgo en la evaluacin de proyectos de inversin se han
desarrollado diversos mtodos o enfoques que no siempre conducen a un idntico resultado.
La informacin disponible es, una vez ms, uno de los elementos determinantes en la eleccin
de uno u otro mtodo.
El Criterio Subjetivo
es uno de los mtodos comnmente utilizados. Se basa en consideraciones de carcter
informal de quien toma la decisin, no incorporando especficamente el riesgo del
proyecto, salvo en su apreciacin personal. Se ha intentado mejorar este mtodo
sugiriendo que se tengan en cuenta la expectativa media y la desviacin estndar del VAN,
lo cual, aunque otorga un carcter ms objetivo a la inclusin del riesgo, no logra
incorporarlo en toda su magnitud. De igual forma, el anlisis de fluctuaciones de los
valores optimistas, ms probables y pesimistas del rendimiento del proyecto, slo
disminuye el grado de subjetividad de la evaluacin del riesgo, pero sin eliminarla.
Los mtodos basados en mediciones estadsticas o
Modelo de simulacin de Monte Carlo
son quizs los que logran superar en mejor forma, aunque no definitivamente, el riesgo
asociado a cada proyecto. Para ello, analizan la distribucin de probabilidades de los
flujos futuros de caja para presentar a quien tome la decisin de aprobacin o rechazo los
valores probables de los rendimientos y de la dispersin de su distribucin de
probabilidad.
El Mtodo del ajuste a la tasa de descuento.
Con este mtodo, el anlisis se efecta slo sobre la tasa pertinente de descuento, sin

entrar a ajustar o evaluar los flujos de caja del proyecto. Si bien este mtodo presenta
senas deficiencias, en trminos prcticos es un procedimiento que permite solucionar las
principales dificultades del riesgo.
El mtodo de la equivalencia a certidumbre.
Segn este criterio, quien decide est en condiciones de determinar su punto de
indiferencia entre flujos de caja por percibir con certeza y otros, obviamente mayores,
sujetos a riesgo.
El mtodo de los valores esperados.
Este mtodo, conocido comnmente como anlisis del rbol de decisiones, combina las
probabilidades de ocurrencia de los resultados parciales y finales para calcular el valor
esperado de su rendimiento. Aunque no incluye directamente la variabilidad de los flujos
de caja del proyecto, ajusta los flujos al riesgo en funcin de la asignacin de
probabilidades.
El mtodo del anlisis de sensibilidad,
es una forma especial de considerar el riesgo, se analiza por la importancia prctica que
ha adquirido. La aplicacin de este criterio permite definir el efecto que tendran sobre el
resultado de la evaluacin cambios en uno o ms de los valores estimados en sus
parmetros.
1.2.1 METODO DEL CRITERIO SUBJETIVO
Se defini el riesgo de un proyecto como la variabilidad de los flujos de caja reales respecto
de los estimados. Ahora corresponde analizar las formas de medicin de esa variabilidad
como un elemento de cuantifcacin del riesgo de un proyecto.
La falta de certeza de las estimaciones del comportamiento futuro se pueden asociar
normalmente a una distribucin de probabilidades de los flujos de caja generados por el
proyecto.
Su representacin grfica permite visualizar la dispersin de los flujos de caja, asignando un
riesgo mayor a aquellos proyectos cuya dispersin sea mayor.

Existen, sin embargo, formas precisas de medicin que manifiestan su importancia

principalmente en la comparacin de proyectos o entre alternativas de un mismo proyecto. La
ms comn es la desviacin estndar, que se calcula mediante la expresin
n
(FC ti FC t )2 * Pi
i=1

=
donde
FC ti

es el flujo de caja del periodo t, si ocurriera la situacin i

FC t

es el promedio ponderado de los flujos de caja del periodo t

Pi es su probabilidad de ocurrencia de la situacin i

n
FC t = FC ti * Pi
i=1

Mientras mayor sea la dispersin esperada de los resultados de un proyecto, mayores sern su
desviacin estndar y su riesgo. y Aquellos FC con menor dispersin y menor variabilidad son
menos riesgosos
A partir de estas definiciones se puede derivar el valor esperado y la desviacin estndar del
VAN con el que ser posible medir el Riesgo del Proyecto, entonces el valor esperado es
igual a:
n
VE (VAN) = - I0

FC t

t =1

(1 + i) 2

1.2.1.1. Dependencia E Independencia De Los Flujos De Caja En El Tiempo

La Varianza del VAN depender de la correlacin existente entre los Flujos de caja.
Si tales flujos son independientes entre si entonces:
V (VAN) =

t =1

2
(1 + i) 2 t

sin correlacion

lo usual sin embargo es que exista una correlacin entre los flujos de caja de periodos
sucesivos dado que se ven afectados por Factores Propios del Proyecto. En la situacin

extrema de una correlacin Perfecta de los flujos de caja, la Varianza ser:

V (VAN) =

t =1

2
t
(1 + i) t

con correlacion

1.2.1.2. Las distribuciones de probabilidad del VAN y la TIR

A partir del clculo del valor esperado y la desviacin estndar del VAN es posible estimar la
probabilidad de que el VAN de un proyecto sea positivo o tome un valor determinado, dados
distintos valores para el COK. Para ello se utiliza la distribucin estandarizada Z, de la forma:
Z = VANHo - E(VAN)
(VAN)
donde VANHo es el valor del VAN para el que se requiere determinar la probabilidad de
ocurrencia. De esta manera, ser posible verificar diversas hiptesis sobre los valores que
puede tomar el VAN de un proyecto y/ sobre los intervalos de confianza dentro de los cuales
se puede mover este indicador de rentabilidad.
As mismo, a partir de la distribucin de probabilidades del VAN es posible derivar la de la
T1R, si es que se recuerda que la probabilidad de que el VAN sea menor que cero es igual a la
probabilidad de que la T1R sea menor que el valor de la COK utilizado para estimar la
primera probabilidad. Si graficamos la probabilidad de que el VAN sea negativo para diversos
COK, ser posible determinar el valor de este ltimo que corresponde a una probabilidad
acumulada de 50%; dicho valor ser la media de la T1R.
Para encontrar su desviacin estndar, hay que tener en cuenta que en el caso de una
distribucin normal, como la del VAN y la T1R, la probabilidad de que su verdadero valor se
encuentre en el intervalo E (VAN) (VAN), es igual a 68%; es decir, la desviacin estndar
de la T1R estar dada por la distancia existente entre las tasas de inters que corresponden a
las probabilidades acumuladas 16% (50 - 68/2) y 84% (50 + 68/2) de la distribucin del VAN.

EJEMPLO 1:
La inversin necesaria para ejecutar un proyecto de 3 aos de duracin es US$ 850,000. El
estimado de los flujos futuros se presenta en el cuadro siguiente:
ESTIMADO DE FLUJO DE CAJA
(En miles de dlares)
Prob.
0.1
0.2
0.3
0.1
0.1
0.2

F1
200
250
300
350
400
450

Prob.
0.2
0.2
0.1
0.1
0.1
0.3

F2
300
350
400
420
440
460

Prob.
0.2
0.2
0.1
0,1
0.1
0.3

F3
450
500
550
600
650
700

Si se asume independencia entre los trminos del flujo, y la tasa costo de oportunidad de un
inversionista es 15% por perodo:
a) Determinar si le conviene ejecutar el proyecto asumiendo que los trminos del flujo de caja
son independientes.
b) Cul es la probabilidad de perder en este proyecto?
Solucin
De acuerdo con los datos, debemos entender que los beneficios netos por perodo se deben
considerar como variables aleatorias, cuyas funciones de probabilidad estn especificadas en
el cuadro.
Por lo tanto, el primer paso es hallar los valores esperados y las desviaciones estndar de las
variables aleatorias F1 F2 y F3
E(F1) = 325 s(F1) = 81.3941
E(F2) = 394 s(F2) = 61.1882
E(F3) = 580 s(F3) = 97.9796
En segundo lugar, debemos hallar el valor esperado del VPN que se obtendr en el proyecto.
Para ello utilizamos los valores esperados anteriormente hallados.
E(VPN) = - 850 + 325 + 394 +
(1.15) (1.15)2
E(VPN) = 111.8887

580
(1.15)3

El resultado anterior nos indica que, en promedio, podemos esperar obtener un VPN igual a

$111,888.70; sin embargo, en un contexto de riesgo. una variable adicional importante de

considerar es la desviacin estndar. Para hallarla, debemos asumir una determinada relacin
entre los trminos del flujo de caja del proyecto, las cuales pueden ser:
1) Independencia
2) Correlacin perfecta
3) Correlacin imperfecta
En el ltimo caso, el tratamiento formal matemtico es muy complicado. por ello se
acostumbra a utilizar el mtodo del rbol de probabilidades.
Si asumimos independencia entre los flujos del proyecto
(VPN)

2 (Ft)
= [ ] 1/2
t=0 (1+i)2t

(VPN)

(81.3941)2
(61.1882)2 (97.9796)2
= [ + + ] 1/2
(1.15)2
(1.15)4
(1.15)6

(VPN)

= 106.30

El resultado anterior nos indica que la variabilidad o dispersin promedio alrededor del valor
esperado del VPN es de US$ 106,300 aproximadamente.
Dados los resultados anteriores podemos hallar la probabilidad de perder en el proyecto, es
decir, de que el VPN sea menor que cero.
Si asumimos que el VPN es una variable aleatoria que se distribuye normalmente, el primer
paso ser estandarizar la variable para luego hallar la probabilidad requerida:
Z = VPN - E(VPN) =

VPN - 111.8887

o(VPN)

106.30

Donde z es una variable aleatoria que se distribuye normalmente con media cero y desviacin
estndar igual a la unidad.
Prob (VPN<0)

= Prob ( VPN-111.8887 < 0-111.8887 )

106.30

106.30

= Prob (z <-1.0526) Observando el valor de z en tablas:

Respuesta :

Prob (VPN < 0) = 14.69%

EJEMPLO 2 :
Evaluar los siguientes proyectos si se sabe que el proyecto A est en unidades monetarias
reales del perodo cero, mientras que el proyecto B est en unidades monetarias reales del
perodo tres.
Proyecto A:
Prob.
F1
0.3
20
0.1
40
0.1
60
0.1
70
0.2
100
0.2
120
Proyecto B:

Prob.
0.3
0.1
0.1
0.1
0.2
0.2

F2
40
60
65
70
100
110

Prob.
0.3
0.1
0.1
0.1
0.2
0.2

F3
50
60
70
80
90
110

Prob.
0.1
0.1
0.1
0.2
0.2
0.3

Prob.
0.1
0.1
0.1
0.1
0.3
0.3

F2
40
60
65
70
75
95

Prob.
0.1
0.1
0.1
0.2
0.2
0.3

F3
60
65
70
75
90
95

F1
10
20
60
65
70
90

Datos adicionales:
- La inversin que se requiere para ejecutar el proyecto A es 60 u.m. del perodo cero.
- El proyecto B requiere para su ejecucin una inversin de 60 u.m. del perodo tres.
- La inflacin para los aos 1, 2 y 3: 3%, 5% y 3% respectivamente.
- La tasa mnima atractiva de retorno (TMAR) corriente por utilizar es 10% anual.
Determinar cul es el proyecto de menor riesgo relativo si se asume que los trminos del
flujo:
a) Son independientes
b) Estn perfectamente correlacionados
Solucin
a) La TMAR est en trminos corrientes y los flujos son reales; por tanto, el primer paso
consiste en hallar la tasa de descuento equivalente real para cada perodo:
TMAR1 = (0.1- 0.03)/(1.03) = 6.8% (perodos 1 y 3)
TMAR2 = (0.1- 0.05)/(1.05) = 4.76% (perodo 2)

El siguiente paso consiste en hallar los valores esperados para cada componente del flujo de
caja, as como sus desviaciones estndar. Luego se determinar el valor esperado del VPN
para cada proyecto, as como la desviacin estndar de los mismos.
Proyecto A:
E(F1) = 67

(F1) = 39

E(F2) = 73.5
E(F3) = 76

(F2) = 27.75
(F3) = 22.45

E(VPNA) = - 60 +

67
(1.068)

73.5
+
76
(1.068)(1.0476) (1.068)2 (1.0476)

E(VPNA)= 132.03 (unidades monetarias del perodo cero)

Si asumimos independencia entre los trminos que conforman el flujo de cada proyecto, se
debe utilizar la siguiente expresin para hallar la desviacin estndar del VPN de los
proyectos A y B.

n
2 (VPN) =

2 (VPNA) =

(39)2

(27.75)2

(1.068)2

2 (Ft)
(1 + i) 2 t

t =1

(22.45)2

(1.068) 2 (1.0476)2

(1.068)4(1.0476)2

Despejando el valor de la desviacin estndar:

2 (VPNA) = 47.98 (unidades monetarias del perodo cero)
Proyecto B:
E(F1) = 63

(F1) = 26.38

E(F2) =74.5

(F2)= 16.65

E(F3) = 81

(F3) =12.81

E(VPNB)

= - 60

63
+
74.5
+
81
(1.068) (1.068)(1.0476) (1.068)2 ( 1.0476)

E(VPNB)

= 133.36 (unidades monetarias del perodo 3)

Si se asume independencia entre los trminos del flujo del proyecto:

(VPNB)

= [ (26.38)2

+ (16.65)2

(12.81)2

] 1/2

(1.068)2

(1.068)2(1.0476)2

(1.068)4(1.0476)2

(VPNB) = 30.77 (unidades monetarias del perodo 3) Transformando unidades monetarias:

E (VPNB) = 119.72 (unid. monetarias del perodo cero)
(VPNB) = 27.62 (unid. monetarias del perodo cero)
Segn los resultados obtenidos, el proyecto A es el de mayor VPN sin embargo, tambin es el
de mayor riesgo. En estos casos debemos calcular el coeficiente de variacin (desviacin
estndar entre el valor esperado) con el fin de elegir aquel proyecto con menor riesgo relativo.
En forma resumida:
Proyecto

E(VPN)

132.03

119.72

(VPN)
C.V.

47.98
0.36

27.62
0.23

Por lo tanto, lo recomendable es elegir el proyecto B si el objetivo es asumir el menor riesgo

relativo al ejecutar uno de los proyectos.
b) Si los flujos estn perfectamente correlacionados, entonces la expresin para calcular la
desviacin estndar del VPN es la siguiente:
.

n
(VPN) =
(Ft)
t =1
(1 + i) t
Aplicando la expresin anterior a cada uno de los proyectos:
Proyecto A:
(VPNA) =

(39)

(1.068)
(VPNA) =

(27.75)

(1.068) (1.0476)

(22.45)
(1.068)2(1.0476)

80.11 (unidades monetarias del perodo cero)

Proyecto B:
(VPNB)

= (26.38) + (16.65)
+
(12.81)
(1.068) (1.068)(1.0476) (1.068)2(1.0476)

(VPNB) = 50.30 (unidades monetarias del perodo 3)

Respuesta :
Los resultados en relacin al coeficiente de variacin seran los siguientes:
Proyecto

E(VPN)

132.03

133.36

(VPN)
C.V.

80.11
0.61

50.30
0.38

Como podemos observar, el proyecto B es el de menor riesgo relativo. Cabe mencionar que
como el coeficiente de variacin no tiene unidades, no es necesario que los proyectos A y B
estn expresados en las mismas unidades monetarias.
EJERCICIOS DE APLICACIN:
CASO PRCTICO N 1
El desembolso inicial de una inversin, as como sus flujos de Caja nos e pueden determinar
con exactitud pero si es posible conocerlos en trminos de Probabilidades.
Los posibles valores de dichos magnitudes y probabilidades son:
Io
30,000

PR
0.15

F1
8,000

PR1
0.10

F2
16,000

PR2
0.15

F3
23,000

PR3
0.20

34,000

0.15

10,000

0.05

18,000

0.25

25,000

0.10

36,000

0.20

12,000

0.25

20,000

0.20

29,000

0.15

38,000

0.20

14,000

0.25

22,000

0.10

32,000

0.15

40,000

0.15

16,000

0.05

24,000

0.20

35,000

0.30

48,000

0.15

18,000

0.30

26,000

0.10

38,000

0.10

A. Hallar: EL valor esperado, la varianza y la desviacin estndar del valor presente del
proyecto asumiendo FLujos de Caja Independientes. El costo de capital es de 8%
(COK = 8%).
B. Flujos de Caja perfectamente correlacionados.

CASO PRCTICO N 2
El desembolso inicial de una inversin, as como sus flujos de Caja nos e pueden determinar
con exactitud pero si es posible conocerlos en trminos de Probabilidades.

Los posibles valores de dichos magnitudes y probabilidades son:

Io
40,000

PR
0.10

F1
12,000

PR1
0.15

F2
20,000

PR2
0.10

F3
22,000

PR3
0.15

42,000

0.15

14,000

0.10

22,000

0.15

24,000

0.15

44,000

0.20

16,000

0.20

24,000

0.15

26,000

0.10

46,000

0.20

18,000

0.15

26,000

0.20

28,000

0.20

48,000

0.15

20,000

0.25

28,000

0.10

30,000

0.15

50,000
0.20
22,000
0.15
30,000
0.30
32,000
0.25
A. Hallar: EL valor esperado, la varianza y la desviacin estndar del valor presente del
proyecto asumiendo FLujos de Caja Independientes. El costo de capital es de 9%
(COK = 9%).
B. Flujos de Caja perfectamente correlacionados.
CASO PRCTICO N 3
El desembolso inicial de una inversin, as como sus flujos de Caja nos e pueden determinar
con exactitud pero si es posible conocerlos en trminos de Probabilidades.
Los posibles valores de dichos magnitudes y probabilidades son:
Io
37,000

PR
0.20

F1
5,000

PR1
0.15

F2
17,000

PR2
0.30

F3
30,000

PR3
0.25

39,000

0.20

7,000

0.15

19,000

0.15

32,000

0.15

41,000

0.20

9,000

0.15

21,000

0.15

34,000

0.20

43,000

0.10

12,000

0.15

23,000

0.15

36,000

0.10

45,000

0.15

13,000

0.10

25,000

0.15

38,000

0.15

47,000
0.15
15,000
0.30
27,000
0.10
40,000
0.15
A. Hallar: EL valor esperado, la varianza y la desviacin estndar del valor presente del
proyecto asumiendo FLujos de Caja Independientes. El costo de capital es de 5%
(COK = 5%).
B. Flujos de Caja perfectamente correlacionados.
1.2.2 MTODO DEL AJUSTE A LA TASA DE DESCUENTO
Una forma de ajustar los flujos de caja consiste en hacerlo mediante correcciones en la tasa de
descuento. A mayor riesgo, mayor debe ser la tasa para castigar la rentabilidad del proyecto.
De esta forma, un proyecto rentable evaluado en funcin de una tasa libre de riesgo puede

resultar no rentable si se descuenta a una tasa ajustada.

El principal problema de este mtodo es determinar la tasa de descuento apropiada para
cada proyecto. Al no considerar explcitamente informacin tan relevante como la
distribucin de probabilidades del flujo de caja proyectado, de esta forma el mayor riesgo se
compensa por una mayor taza de descuento que tiende a castigar el proyecto de acuerdo con
esto el calculo del valor actual neto se efecta de la siguiente manera:
n

VAN =

t =1

BN t
(1 + f )

siendo BN, los beneficios netos del perodo t y f la tasa de descuento ajustada por riesgo que
resulta de aplicar la siguiente expresin

f=1+p
donde i es la tasa libre de riesgo y p es la prima por riesgo que exige el inversionista para
compensar una inversin con retornos inciertos.
La dificultad de este mtodo reside en la determinacin de la prima por riesgo. Al tener un
carcter subjetivo, las preferencias personales harn diferir la tasa adicional por riesgo entre
distintos inversionistas para un mismo proyecto.

1.2.3

EL MTODO DE LA EQUIVALENCIA A CERTIDUMBRE

La equivalencia a certidumbre es un procedimiento de alternativa al mtodo de la tasa de

descuento ajustada por riesgo. Segn este mtodo, el flujo de caja del proyecto debe ajustarse
por un tactor que represente un punto de indiferencia entre un flujo del que se tenga certeza y
el valor esperado de un flujo sujeto a riesgo. Si se define este factor como a, se tiene que:

= BNC t

BNR t

donde

= es el factor de ajuste que se aplicar a los flujos de caja inciertos en el perodo t;

BNC t = representa el flujo de caja en el perodo t sobre el que se tiene certeza y

BNR t = representa el flujo de caja incierto en el perodo t.
El factor del coeficiente a vara en forma inversamente proporcional al grado de nesgo. A

mayor riesgo asociado, menor ser el coeficiente t cuyo valor estar entre cero y uno.
ejemplificando una situacin en que debe optarse por una de estas alternativas:
a) recibir SI.000.000 si al tirar al aire una moneda perfecta resulta cara, sin obtener nada
si sale sello,
b) no tirar la moneda y recibir S300.000.
El valor esperado de la primera opcin es $500.000 (0.5 x 1.000.000 + 0.5 x 0). Si el jugador
se muestra indiferente entre las alternativas, los S300.000 son el equivalente de certeza de un
rendimiento esperado de S500.000 con riesgo. Al reemplazar mediante estos valores en la
ecuacin se tiene:
300.000 = 0,6
500.000
CASO PRCTICO N 1
UNA DECISION INDIVIDUAL
Un individuo tiene la siguiente funcin de utilidad:
Utj = 2ln (FNtj+1)
Donde Utj es la utilidad asociada a FN tj (flujo neto probable) ocurrido en el perodo t para la
alternativa j.
Se tiene que optar por una de las dos alternativas siguientes, (ambas requieren una inversin
inicial de 100 U.M. y tiene una vida til de 3 aos).
Alternativa A
FN1A
50
70
90

P1A
0.2
0.3
0.5

FN2A
80
100
110

P2A
0.4
0.3
0.3

FN3A
90
110
150

P3A
0.4
0.3
0.3

P1B
0.5
0.3
0.2

FN2B
80
150
200

P2B
0.4
0.4
0.2

FN3B
100
180
240

P3B
0.6
0.3
0.1

Alternativa B
FN1B
60
90
150
COK = 10%
a.

Hallar la mejor alternativa (A o B) sobre la base del mtodo del equivalente a la

certidumbre.

b.

Qu prima por riesgo se escogera en cada caso para que los resultados coincidieran
al usar una tasa de descuento ajustada?.
Solucin

A.

Es necesario estimar los flujos ciertos asociados a los flujos riesgosos de cada
alternativa. Ellos se muestran en el siguiente cuadro.

Alternativa A
A.
E (FNAi)
B.
E(U(FNAi)1/
C.
FNAi(cierto)2/
Alternativa B
D.
E(FNBi)
E.
E(U(FNBi)1/
F.
FNBi(cierto)3/

VAN(10%)

-100

76
8.64
74

95
9.11
94

114
9.44
111

133

87
8.82
81

132
9.65
124

138
9.75
130

192

-100
-100
-100

129

174

Respuesta. La mejor alternativa sobre la base del mtodo del equivalente a la certidumbre es
la alternativa B: tiene un VAN10% mayor que el de A.
B.

Para hallar la prima por riesgo es necesario calcular una tasa de descuento tal que el
valor actual de los flujos riesgosos sea igual que el valor actual de los flujos asociados
descontados al 10%. As.
76
95
114
129 = -100 + -------- + --------- + ----------(1.1+PA) (1.1+PA)2 (1.1+PA)3
de donde PA = 0.009823
87
132
138
174 = -100 + --------- + --------- + ----------(1.1+PB) (1.1+PB)2 (1.1+PB)3
de donde PB = 0.033999

Respuesta.
La prima por riesgo necesaria para la alternativa A es de 0.98 puntos porcentuales y para la
alternativa B es de 3.4 puntos porcentuales.
1.2.4

EL MTODO DE LOS VALORES ESPERADOS.

O MODELO DL RBOL DE DECISIN

El mtodo de rboles de decisin es un enfoque por medio del cual se puede hacer un anlisis
de como las decisiones tomadas en el presente afectan o pueden afectar las decisiones en el
futuro, ya que muchas decisiones tomadas en el presente no consideran las consecuencias que
pueden originar a largo plazo, por lo que se utiliza cuando es importante considerar las

secuencias de decisin y se conocen las probabilidades de que sucedan en el futuro los

eventos bajo anlisis. Los rboles de decisin se construyen, por ejemplo, a partir de 3
situaciones u opciones mutuamente excluyentes que se pueden seleccionar. De cada una de
estas opciones se generan a su vez, otras dos o tres opciones. Los rboles de decisin se usan
para evaluar un proceso de decisin de mltiples etapas en el cual se toman decisiones
dependientes una tras otra.
Cada decisin se representa grficamente por un cuadrado con un nmero dispuesto en una
bifurcacin del rbol de decisin. Cada rama que se origina en este punto representa una
alternativa de accin. Adems de los puntos de decisin, en este rbol se expresan, mediante
crculos, los sucesos aleatorios que influyen en los resultados. A cada rama que parte de estos
sucesos se le asigna una probabilidad de ocurrencia. De esta forma, el rbol representa todas
las combinaciones posibles de decisiones y sucesos, permitiendo estimar un valor esperado
del resultado final, como un valor actual neto, utilidad u otro.
Ejemplo 1
Una compaa tiene las opciones de construir una planta de tamao regular o una pequea que
se pueda ampliar despus. La decisin depende principalmente de las demandas futuras del
producto que producir la planta. La construccin de una planta de tamao completo puede
justificarse en trminos econmicos si el nivel de demanda es alto. En caso contrario, quiz
sea recomendable construir una planta ahora y despus decidir en dos aos si esta se deba
ampliar.
El problema de decisin de mltiples etapas se presenta aqu por que si la compaa decide
construir ahora una planta pequea, en dos aos deber tomarse una decisin a futuro relativa
a la expansin de dicha planta. El problema de decisin se divide en dos etapas: una decisin
ahora relativa a la dimensin o tamao de la planta y una decisin de aqu a dos aos referente
a la expansin de la planta(suponiendo que se decide construir una planta pequea ahora).
El problema se va a resolver por medio de un rbol de decisiones, se supone que la demanda
puede ser alta o baja. Su representacin grfica puede observarse a continuacin.

Solucin
Si comenzamos con el nodo 1 (un punto de decisin), debemos tomar la decisin referente al
tamao de la planta. El nodo es un evento probabilstico del cual emanan dos ramas que
representan demanda baja y alta, dependiendo de las condiciones del mercado. El nodo 3 es

tambin un evento probabilstico del cual emanan dos ramas que representan demandas alta y
baja.
Los datos del rbol de decisin deben incluir las probabilidades asociadas con las ramas que
emanan de los eventos de oportunidad y los ingresos asociados con las diversas alternativas
del problema. Si suponemos que la compaa est interesada en estudiar el problema en un
periodo de 10 aos. Un estudio de mercado indica que las probabilidades de tener demandas
altas y bajas en los 0 aos siguientes son 0.75 y 0.25, respectivamente. La construccin
inmediata de una planta grande costar $5 millones y una planta pequea costara solo $1
milln. La expansin de la planta pequea de aqu a dos aos se calcula costar $4.2 millones.
Los clculos del ingreso anual de cada una de las alternativas se indican a continuacin:
1.- La planta completa y la demanda alta(baja) producirn $1,000,000 ($300,000) anualmente
2.- La planta pequea y una baja demanda generarn $200,000 anuales
3. - La planta pequea y la demanda alta producirn $250,000 para cada uno de los 10 aos
4.- La planta pequea ampliada con demanda alta(baja) generar $900,000 ($200,000)
anualmente
5.- La planta pequea sin expansin y con alta demanda en los dos primeros aos, seguida de
una demanda baja producir $200,000 para cada uno de los 8 aos restantes.
La evaluacin de las alternativas est basada en el uso del criterio del valor esperado. Los
clculos empiezan en la etapa 2 y despus retroceden a la etapa 1, como se indica en la figura,
Por lo tanto en los ltimos 8 aos , es posible evaluar las dos alternativas en el nodo 4 como
sigue:

Por lo tanto, en el nodo 4, la decisin indica que no habr expansin y la ganancia neta ser
esperada es $1,900,000.
Despus se reemplazan todas las ramas que emanan del nodo 4 por una sola rama con una
ganancia neta esperada de $1,900,000 que representa la ganancia neta para los ltimos ocho
aos. Ahora se efectan los clculos de la etapa 1 que corresponde al nodo 1 como sigue:

Ahora, se concluye que la decisin ptima en el nodo 1 es construir una planta grande, y por
lo tanto se eliminan las consideraciones tomadas en el nodo 4.

RESPUESTA: Se concluye que se debe optar por construir la planta grande

Ejemplo 2
se estudia el lanzamiento de un nuevo producto. Las posibilidades en estudio son introducirlo
a nivel nacional o regional. Si se decide lanzar el producto regionalmente, es posible luego
hacerlo a nivel nacional si el resultado regional a si lo recomendara.

Para tomar la decisin ptima, se analizan los sucesos de las alternativas de decisin ms
cercanas al final del rbol, calculando el valor esperado de sus valores actuales netos y
optando por aquella que proporcione el mayor valor esperado del VAN

demanda Alta

Introduccin Regional

Introduccin Nacional

P= 0.7

VAN
demanda alta
P= 0.6 4000
Ampliar a nivel Nacional demanda Media P= 0.1 1000
P= 0.3 -2000
C demanda Baja
2

demanda alta
P= 0.6 2000
continuar a nivel Regional demanda Media P= 0.1 1500
A
P= 0.3 1000
D demanda Baja
demanda Media P= 0.1
2000
demanda Baja P= 0.2
1000
demanda alta
P= 0.5
demanda Media P= 0.2
B
demanda Baja P= 0.3

Por ejemplo, la ltima decisin de nuestro caso es la [2], que presenta dos sucesos de
alternativa. El valor esperado del suceso (C) se calcula aplicando la ecuacin de la siguiente
forma:
0.6 * 4000 = 2400
0.1 * 1000 = 100
0.3 * -2000 = -600
VAN

= 1900

que representa el valor esperado del VAN en el caso de ampliar la introduccin a nivel
nacional

En el caso de continuar en nivel regional se obtiene, por el mismo procedimiento. el siguiente

resultado:
0.6 * 2000 = 1200
0.1 * 1500 = 150
0.3 * 1000 = 300
VAN

1650

Por lo tanto, la decisin ser ampliar a nivel nacional, porque retoma un VAN esperado
mayor.

5000
100
-3000

La siguiente decisin se refiere a la introduccin inicial. Si es a nivel regional, existe un 70%

de posibilidades de que la demanda sea alta. Si as fuese, el VAN esperado sera de 1.900. que
correspondera al resultado de la decisin que se tomara de encontrarse en ese punto de
decisin. Aplicando el procedimiento anterior, se obtiene:
0.7 * 1900 = 1330
0.1 * 2000 = 200
0.2 * 1000 = 200
VAN

= 1730

Para la alternativa de introduccin nacional se tendra:

0.5 * 5000 = 2500
0.2 * 100 =

20

0.3 *-3000 = -900

VAN

= 1620

En consecuencia, se optara por una introduccin inicial en el nivel regional, que luego se
ampliara a nivel nacional. Esta combinacin de decisiones es la que maximiza el valor
esperado de los resultados.

EJERCICIOS DE APLICACIN
CASO PRCTICO N 1
Proyecto de apertura de una heladera.
Pedro Garca est pensando abrir una heladera este verano durante enero y febrero, sus
meses de vacaciones. Su mama le prestara un local, por lo que los nicos costos de
inversin necesarios seran mesas, sillas y la mquina de hacer helados, que cuesta $ 2
000. Segn los noticieros, existe una probabilidad de o0.7 de que se presente el
Fenmeno del Nio (calor extremo). Adems, si la demanda es alta (probabilidad de 0.6)

se puede pensar en ampliar el mercado.

As pues, si la demanda es alta y se presenta el Fenmeno del Nio, los beneficios netos
para enero seran de $ 1 100; si no se presenta el fenmeno seran de $ 1 000. por otro
lado, si la demanda es baja y se presenta el Fenmeno del Nio, los beneficios netos
seran de $ 900 para enero y de $ 1 000 para febrero, si no se presenta el fenmeno seran
de $ 800 y de $ 900 para enero y febrero respectivamente. Adems, si se presenta el
Fenmeno del Nio y se amplia el mercado, los beneficios para febrero seran de $ 1 500
con una probabilidad de 0.65 y de $ 1 300 con una probabilidad de 0.35. Si no se amplia
el mercado, dichos beneficios seran de $ 1 300. Si no se presenta dicho fenmeno y se
amplia el mercado, los beneficios para febrero seran de $ 1 250 con una probabilidad DE
0.2. De lo contrario, los beneficios netos de febrero seran de $ 1 220.
Pedro ha revelado que su funcin de utilidad por el dinero es logartmica (U = LN
(Dinero)) y que el costo de oportunidad mensual de su capital, libre de riesgo, es de 5%.
Es conveniente que Pedro haga el negocio? Si lo hace, conviene ampliar el mercado?
CASO PRCTICO N 2
La empresa Aeronaves del Per S.A.
La empresa Aeronaves del Per S.A. est evaluando la compra de nuevas unidades para
sus rutas internacionales. Para ello cuenta con dos propuestas: un avin turbopropulsor
nuevo que costara $ 550 000 y un avin de combustin de segunda mano que slo cuesta
$ 250 000. En el caso que la demanda fuera alta en el prximo perodo se podran hacer
refracciones al avin de segunda mano por $ 150 000 a principios el segundo perodo.
A continuacin se presentan la evolucin de las demandas, sus probabilidades de
ocurrencia y los beneficios netos asociados para cada uno de los aviones.

Opcin 1: Avin turbopropulsor.

Primer ao

Prob.

B. neto ($ miles)

Segundo ao

Prob.

B. neto ($ miles)

Demanda alta

0.6

150

Demanda baja

0.4

30

Demanda alta
Demanda baja
Demanda alta
Demanda baja

0.8
0.2
0.4
0.6

960
220
930
140

Opcin 2: Avin de combustin.

Primer ao Prob.
Demanda
alta

B. neto ($
miles)

0.6

100

Segundo
ao
Repara
-150
No repara

Demanda
baja

0.4

25

Demanda
alta
Demanda
baja
Demanda
alta
Demanda
baja
Demanda
alta
Demanda
baja

Prob.

B. neto ($
miles)

0.8

800

0.2

100

0.8

410

0.2

180

0.6

220

0.4

100

Si el costo de capital es 10%, Qu avin recomendara usted comprar? (Haga el anlisis para
un horizonte de dos periodos).
CASO PRCTICO N 3
La empresa Petrleos del Norte.
La empresa Petrleos del Norte est evaluando la explotacin de lote Lobitos y la del lote
Zorritos.
Se conoce que, por las condiciones de los lotes, la explotacin de Zorritos costara
$700000 y la de Lobitos, $30000. En el caso de que se explotara el lote Lobitos, la
probabilidad de que se encuentre petrleo es 0.7; y, en Zorritos; la probabilidad es 0.6. En
el caso que no se encontrara petrleo en Zorritos, se obtendr un VAN de $ -900000; si no
se encontrara petrleo en Lobitos, se obtendra un VAN de $ -500000 ( en ambos casos el
VAN incluye la inversin inicial).
Se espera que la produccin empezar en el segundo periodo para el cual se ha estimado
que las probabilidades que los precios sean altos, normales y bajos son 0.6, 0.3 y 0.1,
respectivamente.
En Zorritos, si el precio fuese alto en el periodo 2, se obtendr hasta el perodo 6 un BN
de $ 1 500 000 anuales. Si el precio fuese normal, el BN ser de $ 1 000 000 en el mismo
perodo, mientras que si el precio fuera bajo, este BN slo ser de $ 800 000. en el caso
de Lobitos bajo las mismas condiciones, el BN ser $ 700 000, $ 500 000 y $ 300 000
respectivamente para los precios sealados.
Se tiene claro en Zorritos que si el precio fue alto en el perodo 2, es posible reinvertir en
el perodo 6. Si se reinvierte $ 400 000, ganara $ 3 000 000 anuales en los periodos 7 y

10, y si no se reinvierte solo se ganara $ 2 000 000 al ao. Si el precio fuera bajo en el
perodo 2, se tiene la opcin de vender sus activos en el perodo 6. si se vendieran los
activos se obtendra $ 2 500 000; y, si no se vendieran, se continuara operando y se
ganara $ 800 000 al ao entre el perodo 7 y 10. si el precio fuese normal, se ganara $ 1
800 000 anuales en el mismo perodo.
En el caso de Lobitos, las decisiones son ms sencillas. Si el precio fuera alto en el
perodo 2, se tiene la opcin de reinvertir $ 150 000 en el perodo 6, ganndose con ello $
900 000 anuales entre el perodo 7 y 10; y, si no se reinvirtiera, slo se ganara $ 800 000
al ao en el mismo perodo. En el caso que el precio fuera normal en el perodo 2, el BN
sera $ 600 000 en promedio y, si el precio fuera bajo, el BN anual sera $ 550 000 en el
mismo perodo.
Evalu usted que lote es ms conveniente explotar. (COK = 10%).
CASO PRCTICO N 4
El caso del agricultor.
El seor Walter Gmez es un agricultor experimentado, poseedor de un terreno que puede
alquilar por S/. 200 000 anuales, los cuales seran pagados al final del perodo, o que
puede destinar al cultivo de fresas.
Si el seor Gmez se dedica a cultivar fresas puede sembrar hasta tres cosechas al ao si
el invierno es corto, dos cosechas si es normal y slo una cosecha si es largo. Walter ha
llevado un registr cuidadoso de la situacin climatolgica de su terreno en los ltimos
18 aos y ha establecido que en seis ocasiones el invierno ha sido corto y en tres ha sido
muy largo.
La experiencia de Walter le indica que los gastos de siembra, fumigacin, mantenimiento,
recoleccin, y otros costos relacionados a este cultivo en su terreno ascienden a S/. 80
000 por cosecha y deben ser pagados al iniciar la siembra. Adems, existen costos fijos
anuales de S/. 30 000 que corresponden primordialmente a los gastos de un asistente, que
deben ser pagados por adelantado.
Sin embargo, existen varios aspectos sobre los cuales Walter no tiene un conocimiento
preciso. En particular, siente incertidumbre acerca de los precios de venta de cada
cosecha, que puede ser de S/. 100 000, S/. 200 000 S/. 250 000, segn la oferta nacional
e internacional que exista en el momento de la recoleccin. En principio, Walter tiene
incertidumbre al respecto, pero debido a la poltica de sustentacin del gobierno, sabe con

certeza que su cosecha ser comprada a uno de tres precios. El seor Gmez se ha
enterado de la existencia de una firma consultora que puede elaborar un cuidadoso
estudio de mercados (cuyo resultado ser infalible) para predecir cul ser el precio de
venta de las cosechas durante el prximo ao. La firma cobra S/. 32 000 por la prestacin
del servicio.
En estas condiciones Walter se enfrenta con la decisin de sembrar el terreno o alquilarlo,
y de contratar o no los servicios de la firma consultora. Teniendo en cuenta que su tasa de
inters de oportunidad es del 2% mensual, aydelo a tomar la decisin.

1.2.5

EL MTODO BASADO EN MEDICIONES ESTADSTICAS

O MODELO DE SIMULACIN DE MONTE CARLO

El modelo de Monte Cario, llamado tambin mtodo de ensayos estadsticos, es una tcnica
de simulacin de situaciones inciertas que permite definir valores esperados para variables no
controlables, mediante la seleccin aleatoria de valores, donde la probabilidad de elegir entre

todos los resultados posibles est en estricta relacin con sus respectivas distribuciones de
probabilidades.
La simulacin de Monte Carlo es una tcnica que combina conceptos estadsticos (muestreo
aleatorio) con la capacidad que tienen los ordenadores para generar nmeros pseudo
aleatorios y automatizar clculos.
La simulacin de Monte Carlo es una tcnica cuantitativa que hace uso de la estadstica y los
ordenadores para imitar, mediante modelos matemticos, el comportamiento aleatorio de
sistemas reales no dinmicos (por lo general, cuando se trata de sistemas cuyo estado va
cambiando con el paso del tiempo, se recurre bien a la simulacin de eventos discretos o bien
a la simulacin de sistemas continuos).
Veamos un ejemplo sencillo:
Ejemplo:
al lanzar una moneda tres veces seguidas al aire quiero saber la probabilidad que las tres veces
resulte cara; no tengo idea de probabilidades y solo se que la probabilidad de obtener cara =
0.5 probabilidad de obtener sello = 0,5 para un lanzamiento individual.
Que alternativas tengo?
- Lanzar muchas veces
- Usar tabla de nmeros aleatorios, o ruleta de 100 valores.
CARA PAR (0, 2, 4,,,,,, 98)
SELLO IMPAR (1, 3, 5,,,,, 99)
EJEMPLOS DE TRES CARAS: (38, 36, 98) (74, 10, 46)
CARA 50 (50, 51, _ _ _, 99)
SELLO < 50 (0, 1, 2, _ _ _, 49)
EJEMPLOS DE TRES CARAS: (66, 96, 55) (50, 95, 99)
Ejemplo:
el casino de via estudia ofrecer el siguiente juego:
*el jugador tira una moneda en forma repetida hasta que la diferencia absoluta entre caras y
sellos sea tres, momento en que se termina el juego.
*Para jugar se deben pagar $10.000, y el jugador gana $1.000 por cada moneda lanzada antes
de terminar el juego.

Usando valor esperado, jugarias?

X : # de lanzamientos hasta que el juego termine.

P(X) = ; NO ES FACIL DE CALCULAR

X : 3, 5, 7

VE = (1000*XP(X))- 10.000
SEA PAR = CARA
LAN.

N. A.

E
C

IMPAR = SELLO
S

|C-S|

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

97
2
80
66
96
55
50
29
58
51
4
86
24
39
47
60
65
44
93
20
86
12

0
1
2
3
4
0
1
1
2
2
3
4
5
5
5
6
6
7
7
8
9
10

1
1
1
1
1
1
1
2
2
3
3
3
3
4
5
5
6
6
7
7
7
7

1
0
1
2
3
1
0
1
0
1
0
1
2
1
0
1
0
1
0
1
2
3

RESULTADO DE SIMULACION DEL JUEGO ANTERIOR

# DE
JUEGOS

# DE
LANZAMIENTOS

CANT. A
RECIBIR

CANT. A
PAGAR

100
200
300
400
500
600
700
800
900
1000

968
1882
2746
3484
4432
5426
6260
7166
7900
8786

1000000
2000000
3000000
4000000
5000000
6000000
7000000
8000000
9000000
10000000

968000
1882000
2746000
3484000
4432000
5426000
6260000
7166000
7900000
8786000

PAGAR / RECIBIR
96,8%
94,1%
91,5%
87,1%
88,6%
90,4%
89,4%
89,6%
87,8%
87,9%

JUGARIAS?
EJERCICIOS DE APLICACIN
CASO PRCTICO N 1
La compaa Bristol S.A. una empresa comercializadora realiza una de sus tantas
operaciones en el puerto de Callao en Peru. Una de sus funciones consiste en el
desembarque de vagones de cargas provenientes de barcos que arriban desde puertos

extranjeros. Estos barcos llegan al puerto tanto de dia como de noche, y el numero de
llegada responde a una distribucion de probabilidad discreta como se presenta en la
siguiente tabla:
Numero de Vagones que
llegan (X)
0
1
2
3
4
5

Probabilidad de
llegada
0.23
0.30
0.30
0.10
0.05
0.02

La capacidad de descargue de la compaa es de dos vagones diarios, y el tiempo que se

utilizara para el siguiente estudio sera de 500 dias.
CASO PRCTICO N 2
Gun Bound S.A.C, es una empresa que produce y exporta reposteros de gran tamao y de
fino acabado hechos de caoba para las empresas mas importantes del mundo que luego la
comercializan. Actualmente una propuesta de un pedido de 1000 reposteros a entregar
dentro de 365 das tiles.
Sabemos que esta tiene una capacidad de produccin de 2 reposteros por da, no mas.
La empresa cada vez que tiene un pedido, hace un contrato con su proveedor para que
este lo aprovisione de materia prima.
La materia prima consiste en planchas de caoba trados de la selva, en cargas de 10
planchas (que caben en un 1 camin). Adems sabemos que por cada 10 planchas de
madera se pueden hacer 2 reposteros.
La distribucin de probabilidad para que el N de llegadas de los camiones es la
siguiente:

Numero de camiones que

llegan
0
1
2
3
4

Probabilidad de
llegadas
0.18
0.28
0.29
0.16
0.09

Ahora la planta de produccin nunca para, a diario le llegan a su almacn materia prima,
de su proveedor muchas mas de la que esta necesita; por la que muchas veces esta tiene
colas de materia prima esperndola.
Lo que quiere la empresa es como ser la llegada de materia prima a sus almacenes,
puesto que el costo de inventario de m.p es de $40 por cada carga del camin ya que
repercute directamente con el precio del repostero ?
CASO PRCTICO N 3
Se esta considerando la introduccin de un nuevo producto. El producto tiene una vida
til de tres aos. Hay tres factores de incertidumbre; el precio de venta, el costo variable y
el volumen anual de ventas.
Debe suponerse que habr incertidumbre para las ventas en el primer ao , pero luego
aumentaran 20% en el segundo ao y despus descendern 50% en el tercer ao. Adems
que la incertidumbre acerca del primer ao de ventas puede describirse mediante una
distribucin normal con una media de 2.0 millones de cajas y una desviacin estndar de
0.6 millones de cajas.
El costo de fabricar el producto es incierto, y la incertidumbre puede representarse con
una distribucin uniforme entre US $ 2.00 y US $ 4.00 por unidad.
La incertidumbre acerca del precio para el producto esta representada por una
distribucin discreta, como sigue :
Precio de ventas

Probabilidad

(dolares por unidad)

4
5
6

0.3
0.5
0.2

Los costos fijos asociados con introducir el producto son US $ 3.0 millones en el primer
ao y US $ 1 milln para los aos 2 y 3. Finalmente debe suponer que la empresa tiene la
capacidad de abandonar el producto despus del primer ao, si no es rentable.
La introduccin del nuevo producto ser rentable?
II. ANLISIS BAJO INCERTIDUMBRE

Se tomara en cuenta los siguientes criterios con su respectivo ejemplo.

- El criterio de decisin se toma basndose en la experiencia de quien toma la decisin.

- Este incluye un punto de vista optimista o pesimista, agresivo o conservador.
-Criterios:
* Criterio Maximin - pesimista o conservador
* Criterio Minimax - pesimista o conservador
* Criterio Maximax - optimista o agresivo
* Principio de Laplace
2.1. CRITERIO MAXIMIN
-Este criterio se basa pensando en el peor de los casos
-El criterio se ajusta a ambos tipos de decisiones, es decir pesimista y optimista.
* Una decisin pesimista se toma creyendo que el peor caso ocurrir.
* Una decisin bajo criterio conservador asegura una ganancia mnima posible.
-Para encontrar una decisin optima:
* Marcar la mnima ganancia a travs de todos lo estados de la naturaleza posibles.
* Identificar la decisin que tiene mximo de las mnimas ganancias.
EJEMPLO:

La Inversin de John Prez

John Prez ha heredado $1000.

El ha decidido invertir su dinero por un ao.
Un inversionista le ha sugerido 5 inversiones posibles:
* Oro.
* Bonos.
* Negocio en Desarrollo.
* Certificado de Depsito.
* Acciones.
John debe decidir cuanto invertir en cada opcin.
LA DECISION MAS OPTIMA 600
Decisi
ones

Gran
Alza

El Criterio Maximin
Peq
Sin
. Alza
Cambios

Minimos
Peq
. Baja

Gra
n

Gan
ancia
s

Oro
Bonos
Negoci
o en D.
Cert.
De Dep.

-100
250

100
200

200
150

300
-100

Baja
0
-150

-100
-150

500

250

100

-200

-600

-600

60

60

60

60

60

60

2.2 CRITERIO MINIMAX

-Este criterio se ajusta a decisiones pesimistas y conservadoras.
-La matriz de ganancia es basada en el costo de oportunidad
-El tomador de decisiones incurre en una perdida por no escoger la mejor decisin.
-Para encontrar la decisin ptima:
-Para cada estado de la naturaleza:
* Determine la mejor ganancia de todas las decisiones
* Calcule el costo de oportunidad para cada alternativa de decisin como la diferencia
entre su ganancia y la mejor ganancia calculada.
- Para cada decisin encuentre el mximo costo de oportunidad para todos los estados de
la naturaleza.
- Seleccione la alternativa de decisin que tiene el mnimo costo de oportunidad.

Matriz de Ganancias

Decision

Gran
Peq. Alza
Alza Problema John Prez
Continuacin

O
r

Bonos
Negocio
Cert Dep

10
0 2
5
0
5
0
0
6
0

Sin Cambios

1
0
0

2
0
0

2
0
0

0
0

15
0 60
0

20
0

6
0

10
0

6
0

Gran
Baja

0
0

5
0

5
0

Peq.
Baja

6
0

6
0

500 (-100) = 600

Invertir en Oro incurre en una prdida mayor cuando el mercado presenta una gran alza
Matriz de Costo de Oportunidad
Decisi
on
Oro
Bonos
Negocio D.
Cert. Dep

Sin
Cambios

Peq
Baja

150
50

0
50

0
400

Maximo
Costo
Op
60
600
210
400

0
190

100
140

500
240

660
0

Gran
Alz
a
600
250

Peq.
Alza

0
440

Gran
Baja

660
440

La Decisin Mas Optima Es

2.3. EL CRITERIO MAXIMAX
- Este criterio se basa en el mejor de los casos.
- Este criterio considera los puntos de vista optimista y agresivo.
Un tomador de decisiones optimista cree que siempre obtendr el mejor resultado sin
importar la decisin tomada.
Un tomador de decisiones agresivo escoge la decisin que le proporcionar una mayor
ganancia.
- Para encontrar la decisin ptima:
* Encuentre la mxima ganancia para cada alternativa de
decisin.
* Seleccione la decisin que tiene la mxima de lasmximas ganancias.
El Criterio Maximax
Decision
Oro
Bonos
Neg. Des

M
Gran Alza
-100
250
500

Peq. Alza
100
200
250

Sin Cambios
200
150
100

Peq. Baja
300
-100
-200

Gran Baja
0
-150
-600

Cert. Dep.

60

60

60

60

Decisin Optima :
EJEMPLO :
TOMA DE DESICIONES BAJO CONDICIONES DE INCERTIDUMBRE
Para la prxima temporada invernal, la fbrica textil "TELAS RECOMIENDO" desea
determinar que producto sacar al mercado, con la finalidad de satisfacer la demanda
creciente de ropa invernal.
A continuacin se analizan las tres fases para el problema anterior:
FASE 1: Las alternativas que el fabricante tiene para satisfacer la demanda son:
a).- Fabricar abrigos
b).- Fabricar sweters
c).- Fabricar cazadoras
FASE 2: Los eventos futuros que pueden ocurrir (estados de la naturaleza) con respecto
a la demanda son:
a).- Demanda alta
b).- Demanda media
c).- Demanda baja
d).- Demanda nula
FASE 3: La tabla de beneficios estimados es la siguiente:

SOLUCION USANDO LOS CUATRO CRITERIOS.

Criterio maximax . Es un criterio optimista, el cual indica seleccionar el mximo de los
mximos. Para el ejemplo se selecciona el mximo de cada alternativa (500, 700, 300) y
de estos se selecciona el mximo (700) . La decisin usando este criterio es "fabricar
sweters"

60

Criterio maximn. Este es un criterio pesimista, el cual indica el valor mximo de los
mnimos. Para el ejemplo se seleccionan los valores mnimos de cada alternativa (-450,
-800, -100) y de estos se selecciona el mximo (-100). La decisin usando este criterio es
"fabricar cazadoras"
Criterio mnimax. Este criterio es tambin conocido como arrepentimiento. Es
necesario construr una nueva tabla conocida precisamente con ese nombre "tabla de
arrepentimiento". Es necesario suponer que en un momento conocemos cuales sern los
estados de la naturaleza y que podemos arrepentirnos de la decisin ya tomada con
anterioridad, as pues, si tomamos la decisin de fabricar abrigos ganamos $500 si se
presenta una demanda alta, pero si hubieramos sabido que la demanda sera alta,
hubiramos tomado la decisin de fabricar sweters con una utilidad de $700 en lugar de
$500, por lo cual nuestro arrepentimiento es de $200 lo cual significa que dejamos de
ganar $200 por no haber tomado econmicamente la mejor decisin, o en el caso de
prdidas significa lo que se pierde dems por no haber tomado econmicamente la mejor
decisin como se muestra en la siguiente tabla:

Valor mnimo.
Una vez de terminada la tabla de arrepentimiento se selecciona el valor mximo de cada
alternativa (350, 700, 400) y se escoge el valor mnimo de stos (350) por lo cul la decisin
sera "fabricar abrigos".
Criterio del realismo. Sin duda el criterio ms flexible ya que puede transformarse en
un criterio optimista, pesimista o intermedio de acuerdo al valor que le demos al
coeficiente o ndice de optimismo (a)
Usado en la siguiente relacin :
Ri = Valor del realismo para la alternativa i = a (beneficio mximo) + (1- a ) (beneficio
mnimo)
Para el ejemplo tendramos los siguientes valores con a = 0.7
R1 = 0.7 (500) + 0.3 (-450) = $125
R2 = 0.7 (700) + 0.3 (-800) = $250
R3 = 0.7 (300) + 0.3 (-100) = $180

La decisin ser en funcin del valor mayor de Ri por lo cual para este caso la decisin
es "fabricar sweters" con una utilidad estimada de $250.

2.4 EL PRINCIPIO DE RAZONAMIENTO INSUFICIENTE O CRITERIO DE

LAPLACE
- Este criterio puede ser utilizado por un tomador de decisiones que no sea optimista ni
pesimista.
- El tomador de decisiones asume que todos los estados de la naturaleza son equi
probables.
- El procedimiento para encontrar una decisin ptima:
* Para cada decisin calcule la ganancia esperada.
* Seleccione la decisin con la mayor ganancia esperada.
DECISIN

ESTADO DE LA NATURALEZA
E1
E2
.......
Em
( p1 )
( p2 )
( pm )

D1

X11

X12

X1m

D2
.
.

X21

X22

X2m

El Anlisis : E ( D1 ) = ( X11 + X12 + ..... + X1m ) / m

E ( D2 ) = ( X21 + X22 + ..... + X2m ) / m
.
.
E ( Dn ) = ( Xn1 + Xn2 + ..... + Xn m ) / m

LAPLACE
1.- Ejercicio
Calcular la probabilidad de acertar los 14 signos de la quiniela:

Solucin:
Se aplica la Regla de Laplace (casos favorables / casos posibles). El caso
favorable es tan slo uno (acertar los 14 signos). Los casos posibles se calculan
como variaciones con repeticin de 3 elementos (1, X y 2), tomados de 14 en 14 (los
signos que hay que rellenar).
Son variaciones y no combinaciones ya que el orden influye: no es lo mismo (1,1,X)
que (1, X, 1). Y son con repeticin, ya que cualquiera de los signos (1, X y 2) se
puede repetir hasta 14 veces.
Por lo tanto, los casos posibles son:

Y la probabilidad de acertar los 14 resultados es:

No demasiado elevada....pero el que la sigue la consigue.

2.- Ejercicio
Y la probabilidad de acertar 12 signos de la quiniela:

Solucin:
Aplicamos nuevamente la Regla de Laplace. En este caso los casos favorables se
calculan como combinaciones de 14 elementos tomados de 2 en 2, de esta manera
obtenemos todas las posibles alternativas de fallar 2 resultados de 14 (lo que
equivale a acertar 12 resultados). Utilizamos combinaciones y no variaciones ya que
el orden no importa (da lo mismo fallar el 3 y el 6, que el 6 y el 3)

Los casos posibles siguen siendo los mismos:

Por lo que la probabilidad de acertar 12 resultados es:

Por lo tanto, tenemos ms probabilidades de acertar 12 resultados que 14 (ser por

eso por lo que pagan menos?).
3.- Ejercicio
Calcular la probabilidad de, en una carrera de 12 caballos, acertar los 3 que quedan
primeros (sin importar cual de ellos queda primero, cual segundo y cual tercero).
Solucin:
Se aplica la Regla de Laplace. El caso favorable es tan slo uno: los 3 caballos
que entran en primer lugar. Los casos posibles se calculan como combinaciones de
12 elementos tomados de 3 en 3 (es decir, determinamos todos las posibles
alternativas de 3 caballos que pueden entrar en las 3 primeras posiciones). Como el
orden de estos 3 primeros caballos no importa, utilizamos combinaciones en lugar
de variaciones.
Por lo tanto, los casos posibles son:

Por lo que la probabilidad de acertar los 3 caballos ganadores es:

Algo mayor que en las quinielas.... Eso s, se paga menos.

4.- Ejercicio
Y si hubiera que acertar, no slo los 3 caballos que ganan, sino el orden de su
entrada en meta.

Solucin:
El caso favorable sigue siendo uno: los 3 caballos que entran en primer lugar,
colocados en su orden correspondiente.
Los casos posibles se calculan ahora como variaciones (ya que el orden influye) de
12 elementos tomados de 3 en 3 (calculamos todas las posibles maneras en que los
12 caballos podran ocupar las 3 primeras posiciones.

Por lo que la probabilidad de acertar los 3 caballos ganadores es:

Menor que en el ejemplo 3. Ya no vale acertar que 3 caballos entran en primer

lugar, sino que tenemos que acertar el orden de su entrada.
4. SOLUCIN DE LA ECUACIN DE LAPLACE POR SEPARACIN DE
VARIABLES.
COORDENADAS CARTESIANAS.
El problema fundamental de la teora del potencial es encontrar una solucin de la ecuacin
de Laplace que satisfaga ciertas condiciones en el contorno de la regin considerada.
En ciertos sistemas de coordenadas podemos ir ms all y escribir la solucin como un
producto de funciones de las coordenadas individuales, de modo que las condiciones de
contorno

puedan

aplicarse

factores

separados

de

una

variable.

Puede agregarse que mientras que no existe un mtodo general de solucin de ecuaciones
diferenciales a derivadas parciales, la separacin reduce la ecuacin de Laplace a un conjunto
de ecuaciones diferenciales ordinarias, que en principio siempre tienen solucin.

La ecuacin de Laplace es:

y desarrollando en dos dimensiones:

Supongamos que V(x,y)=X(x).Y(y), donde X es una funcin de x solamente e Y una funcin

de Y. La ecuacin de Laplace resulta:

y dividiendo por V=X.Y

Observamos que el miembro de la izquierda no contiene a y. En consecuencia no cambia

cuando y vara. Anlogamente el miembro de la derecha no contiene a x, y no cambia al variar
x. Como los dos miembros son iguales, su valor comn no puede cambiar cuando se modifica
alguna de las variables y en consecuencia debe ser una constante k2.
La constante k2 es llamada parmetro de separacin. Reemplazando en la ltima igualdad
resulta el sistema de ecuaciones:
Y"+k2Y=0
X"-k2X=0
que tienen soluciones generales:
Y=A senky + B cosky
X=C ekx + D e-kx
EJERCICIO : Demuestre las soluciones obtenidas. Suponga X=epx e Y=epy.
El producto de las soluciones generales del sistema de ecuaciones diferenciales ordinarias es
una solucin general de la ecuacin de Laplace bidimensional. V(x,y)= ( C ekx + D e-kx).(A
senky + B cosky). Aplicaremos este resultado a dos ejemplos.
EJEMPLO 1.

FIGURA 1
Dos placas conductoras paralelas infinitas, Figura 1, estn separadas por una distancia a. Las
placas estn puestas a tierra (0 V) y una tercera placa, aislada de las anteriores se encuentra a
potencial 1 V respecto de aquellas, como se muestra en la figura. El medio entre las placas es
aire.

Halle

la

distribucin

de

potencial.

La solucin de la ecuacin de Laplace para dos dimensiones fue hallada en el apartado

anterior:
V(x,y)= ( C ekx + D e-kx).(A senky + B cosky)
sujeta en este problema a las siguientes condiciones de borde:
V(x,a)=0
V(0,y)=1
V(x,0)=0
V(infinity ,y)=0
La ltima condicin de contorno nos indica que el potencial se desvanece cuando nos
alejamos del origen. Para que ello ocurra la constante C debe ser igual a cero. Para satisfacer
V(x,0)=0 debe ser B=0. La solucin se reduce a :
V(x,y)=(A.D) e-kx sen ky
Dado que V(x,a)=0 y la exponencial no se anula, debe ser senka=0 o ka=np , con
n=0,1,2,3,.........., de donde k=np /a. Reemplazando en la funcin potencial :

Esta funcin por si sola no satisface la condicin V(0,y)=1. En efecto:

Sin embargo, dado que la ecuacin de Laplace es lineal, la condicin puede ser satisfecha por
una suma de funciones de la forma anterior, tal que:

donde los Cn son los coeficientes del desarrollo en serie de Fourier de una funcin impar tal
que y vale 1 en el intervalo [0,a].
Sea una onda cuadrada de amplitud unitaria:

Calculemos y representemos su desarrollo en serie de Fourier hasta la dcima armnica

espacial:

Los coeficientes Cn de los trminos en coseno son nulos por tratarse de una funcin impar.
Para los trminos en seno solamente son distintos de cero los coeficientes correspondientes a
n impar. Observando sus valores se comprueba que valen:
C[n_]=4/(n Pi)
A mayor cantidad de trminos se mejora la aproximacin a la funcin original.
Considerando hasta la armnica 51 resulta:

Representamos en la Figura 2:

EJERCICIOS DE MAXIMIN Y MNIMAS : FASES EN EL ENFOQUE DE

TEORA DE DECISIONES
1.- Listar todas las alternativas viables.
2.- Identificar todos los eventos futuros que pueden ocurrir.
3.- Construir una tabla de beneficios.
EJEMPLO: Considere un fabricante de ropa que esta considerando varios mtodos
alternativos para expander su produccin a fin de adecuar una demanda creciente
para sus productos.
|
FASE 1.- Las alternativas que el fabricante tiene para expander su produccin son:
a).- Expander la planta actual.
b).- Construir una nueva planta.
c).- Subcontratar la produccin a otros fabricantes.
FASE 2.- Los eventos futuros que pueden ocurrir (estados de naturaleza) con
respecto a la demanda son:
a).- Demanda alta.
b).- Demanda moderada.
c).- Poca demanda.
d).- Demanda nula.
FASE 3.- La tabla de beneficios es la siguiente dando un valor estimativo para cada
combinacin de posibilidades:

AMBIENTES EN QUE SE TOMAN LAS DECISIONES

- Bajo condiciones de certeza.
- Bajo condiciones de incertidumbre.
- Bajo condiciones de riesgo.
Bajo condiciones de certeza: Solo existe un estado de la naturaleza (evento
futuro). Se escoge el mayor beneficio par este estado con respecto a sus
diferentes alternativas.
Bajo condiciones de incertidumbre: Existe ms de un estado de la naturaleza y
se conoce poco o nada acerca de ellos.
En ambientes de este tipo, son utilizados cuatro criterios diferentes para la toma
de decisiones:
1.- Maximax (criterio optimista)
2.- Maximin (criterio pesimista)
3.- Minimax (tambin llamado de arrepentimiento)
4.- Realismo
Bajo condiciones de riesgo: Existe mas de un estado de la naturaleza y se
conoce lo suficiente para poder asignar probabilidades de ocurrencia a cada
uno de los estados posibles.
En ambiente de este tipo, son utilizados tres criterios para la toma de
decisiones:
1.- Valor esperado.
2.- Racionalidad.
3.- Mxima verosimilitud.
EJEMPLO1: TOMA DE DECISIONES BAJO CONDICIONES DE CERTEZA.
Se piensa organizar una tardeada de fin de cursos y se tienen las opciones de:
1.- Contratar un sonido.
2.- Contratar un grupo musical.
3.- Contratar la presentacin de un grupo de imitadores.
Se sabe tambin que para cualquiera de las tres opciones se garantiza un cupo
lleno, las utilidades obtenidas para cada una de las alternativas se indican a continuacin:

 Qu decisin tomara?
SOLUCIN:
Se tomara la alternativa de contratar un sonido, ya que es la opcin que
proporciona una mayor utilidad bajo la condicin de un solo estado de la
naturaleza (cupo lleno).
EJEMPLO 2: TOMA DE DESICIONES BAJO CONDICIONES DE
INCERTIDUMBRE
Para la prxima temporada invernal, la fbrica textil "TELAS RECOMIENDO"
desea determinar que producto sacar al mercado, con la finalidad de satisfacer
la demanda creciente de ropa invernal.
A continuacin se analizan las tres fases para el problema anterior:
FASE 1: Las alternativas que el fabricante tiene para satisfacer la demanda son:

a).- Fabricar abrigos

b).- Fabricar sweters
c).- Fabricar cazadoras
FASE 2: Los eventos futuros que pueden ocurrir (estados de la naturaleza) con
respecto a la demanda son:
a).- Demanda alta

b).- Demanda media

c).- Demanda baja
d).- Demanda nula
FASE 3: La tabla de beneficios estimados es la siguiente:

SOLUCION USANDO LOS CUATRO CRITERIOS.

Criterio maximax . Es un criterio optimista, el cual indica seleccionar el
mximo de los mximos. Para el ejemplo se selecciona el mximo de cada
alternativa (500, 700, 300) y de estos se selecciona el mximo (700) . La
decisin usando este criterio es "fabricar sweters"
Criterio maximn. Este es un criterio pesimista, el cual indica el valor mximo
de los mnimos. Para el ejemplo se seleccionan los valores mnimos de cada
alternativa (-450, -800, -100) y de estos se selecciona el mximo (-100). La
decisin usando este criterio es "fabricar cazadoras"
Criterio mnimax. Este criterio es tambin conocido como arrepentimiento. Es
necesario construr una nueva tabla conocida precisamente con ese nombre
"tabla de arrepentimiento". Es necesario suponer que en un momento
conocemos cuales sern los estados de la naturaleza y que podemos
arrepentirnos de la decisin ya tomada con anterioridad, as pues, si tomamos la
decisin de fabricar abrigos ganamos $500 si se presenta una demanda alta,
pero si hubieramos sabido que la demanda sera alta, hubiramos tomado la
decisin de fabricar sweters con una utilidad de $700 en lugar de $500, por lo
cual nuestro arrepentimiento es de $200 lo cual significa que dejamos de ganar
$200 por no haber tomado econmicamente la mejor decisin, o en el caso de
prdidas significa lo que se pierde dems por no haber tomado
econmicamente la mejor decisin como se muestra en la siguiente tabla:

Valor mnimo.
Una vez de terminada la tabla de arrepentimiento se selecciona el valor mximo de cada
alternativa (350, 700, 400) y se escoge el valor mnimo de stos (350) por lo cul la decisin
sera "fabricar abrigos".
Criterio del realismo. Sin duda el criterio ms flexible ya que puede transformarse en un
criterio optimista, pesimista o intermedio de acuerdo al valor que le demos al coeficiente o
ndice de optimismo (a)
Usado en la siguiente relacin :
Ri = Valor del realismo para la alternativa i = a (beneficio mximo) + (1- a ) (beneficio
mnimo)
Para el ejemplo tendramos los siguientes valores con a = 0.7
R1 = 0.7 (500) + 0.3 (-450) = $125
R2 = 0.7 (700) + 0.3 (-800) = $250
R3 = 0.7 (300) + 0.3 (-100) = $180
La decisin ser en funcin del valor mayor de Ri por lo cual para este caso la decisin es "fabricar
sweters" con una utilidad estimada de $250.
EJEMPLO3: TOMA DE DESICIONES BAJO CONDICIONES DE RIESGO

Considere que un distribuidor de artculos de NAVIDAD desea determinar el nmero ptimo

de rboles que debe pedir para esa temporada si dispone de los siguientes datos:

Paga

$20.00

por

cada

rbol

lo

vende

en

$60.00

- Entrega todos los rboles que vende y paga $5.00 de comisin por cada uno
que

es

entregado

antes

de

la

temporada.

- Si le sobran rboles al final de la temporada puede venderlos para lea a

$5.00

cada

uno.

SOLUCIN:
El vendedor tiene seis alternativas a seguir.

UX,Z = Utilidad obtenida si se pierden x rboles y se tiene una demanda z

Definiendo

variables:

x
z
Casos

=
=

cantidad
nivel
posibles

de

ordenada
la

de

demanda
presentar

1.- Que la cantidad ordenada sea igual a la cantidad demandada. x = z

2.- Que la cantidad ordenada sea menor a la cantidad demandada. x < z
3.- Que la cantidad ordenada sea mayor a la cantidad demandada. x > z

Para cada caso se obtiene una relacin en funcin de la variable X (cantidad

ordenada). Aplicando estas relaciones se calculan los siguientes resultados en
la tabla:

El

valor

E
i

esperado

se

calcula

(z)
=

mediante

=
j

la

frmula

Zip

siguiente:

(z)

1,2,6

La cantidad recomendada a pedir ser aquella donde obtenemos el mayor valor

esperado,

en

este

caso

4.

Por lo tanto, segn el criterio de valor esperado, se recomienda pedir 4 rboles

con una utilidad promedio de $10.75.
ANLISIS MARGINAL PARA LA TOMA DE DECISIONES

Cuando al nmero de alternativas crece, la matriz de utilidades tambin crece y

el nmero de clculos aumenta considerablemente, haciendo difcil el
procedimiento mediante el criterio de valor esperado, en su lugar puede usarse
como
La
UM

mtodo
simbologa
=

alternativo

utilizada

Utilidad

obtenida

el

su
por

"anlisis

significado
vender

es
una

marginal".

la

siguiente:

unidad

adicional.

PM = Prdida obtenida por almacenar una unidad que no es vendida.

p = Es la probabilidad mnima requerida de vender al menos una unidad
adicional para justificar el almacenamiento de dicha unidad.

DEDUCCIN

DE

La

deduccin

Se

debe

se

da

pedir

partir

del

una

FRMULA:
siguiente

unidad

razonamiento

adicional

solo

lgico:
que:

UTILIDAD MARGINAL ESPERADA >= PRDIDA MARGINAL ESPERADA

p
p
p

(UM)

(UM)
(UM)

p (UM+PM) PM

(1-p)
PM-p

(PM)

(PM)
(PM)

PM

Definiendo:
p

Probabilidad

de

vender

una

unidad

adicional.

1-p = Probabilidad de no vender una unidad adicional.

APLICACIN AL EJEMPLO 3 (RBOLES DE NAVIDAD):

UM

60

60

Lo

que

se

obtiene

-20

Lo

que

se

paga

20

de
por

la
la

35

venta

de

una

unidad

adicional.

compra

de

una

unidad

adicional.

-5 Lo que se paga de comisin por la venta de una unidad adicional.

PM
20

=
Lo

que

20
se

paga

por

la

compra

=
de

una

15
unidad

adicional.

5 Lo que se recupera como valor de salvamento de una unidad que no es

vendida durante la temporada.

El valor de p = 0.30 es el valor de referencia para el anlisis marginal en la

siguiente tabla de probabilidades acumulativas.

Se analiza el pedir 1 unidad, sta se pide si p( z i) 30, lo cual ocurre para este
caso en que p( z i ) = 1. Se analiza el pedir 2 unidades, lo cual ocurre ya que p(
z

0.95

Se continua el anlisis incrementando una unidad a la vez mientras se cumpla

la condicin, lo cual ocurre hasta i = 4 donde p( z i ) = 0.60 ya que en i = 5 ,
p( z i) = 0.20 ya no cumple la condicin, por lo cual se decide pedir 4 rboles.
EJEMPLO 4: El seor Juan Manzanero es un comerciante de frutas y verduras,
y quiere saber cuntos kilogramos de durazno debe comprar hoy para la venta
del da de maana. Se cuenta con la informacin de ventas de los ltimos 90
das, tal como se muestra en la siguiente tabla:

Juan compra el kilogramo de durazno a $3.00 y lo vende a $8.00, el producto no

tiene ningn valor despus del primer da en que se ofrece a la venta.
El planteamiento es similar al mostrado en el ejemplo 3.

MATRIZ DE UTILIDADES CONDICIONALES

Segn el criterio de valor esperado, la decisin es comprar 12 kg.

UTILIDAD ESPERADA CON INFORMACIN PERFECTA
(U.E.I.P.)
En este caso se considera que se conoce a la perfeccin la cantidad
demandada, esto es, si se sabe que la demanda ser de 10, solo se pedirn 10,
si se sabe que la demanda ser de 11, solo se pedirn 11 y as sucesivamente.
Observe que es el caso en que X=Z, por lo tanto la utilidad esperada ser:
50(0.20)+55(0.40)+60(0.30)+65(0.10)

$56.5

La cul se conoce como "utilidad esperada con informacin perfecta". Esta

utilidad es la mxima que se puede obtener con informacin perfecta.

El Problema del Carpintero

Durante un par de sesiones de tormenta de ideas con un carpintero (nuestro
cliente), ste nos comunica que slo fabrica mesas y sillas y que vende todas
las mesas y las sillas que fabrica en un mercado. Sin embargo, no tiene un
ingreso estable y desea optimizar esta situacin.
El objetivo es determinar cuntas mesas y sillas debera fabricar para
maximizar sus ingresos netos. Comenzamos concentrndonos en un horizonte
de tiempo, es decir, un plazo de planificacin, , para revisar nuestra solucin
semanalmente, si fuera necesario. Para saber ms acerca de este problema,
debemos ir al negocio del carpintero y observar lo que sucede y medir lo que
necesitamos para para formular (para crear un modelo de) su problema.
Debemos confirmar que su objetivo es maximizar sus ingresos netos. Debemos
comunicarnos con el cliente.
El problema del carpintero se trata de determinar cuntas mesas y sillas debe
fabricar por semana; pero primero se debe establecer una funcin objetivo La
funcin objetivo es: 5X1 + 3X2, donde X1 y X2 representan la cantidad de
mesas y sillas; y 5 y 3 representan los ingresos netos (por ejemplo, en dlares o
dcimas de dlares) de la venta de una mesa y una silla, respectivamente. Los
factores limitantes, que normalmente provienen del exterior, son las
limitaciones de la mano de obra (esta limitacin proviene de la familia del
carpintero) y los recursos de materia prima (esta limitacin proviene de la
entrega programada). Se miden los tiempos de produccin requeridos para una
mesa y una silla en distintos momentos del da y se calculan en 2 horas y 1
hora, respectivamente. Las horas laborales totales por semana son slo 40. La
materia prima requerida para una mesa y una silla es de 1 y 2 unidades,
respectivamente. El abastecimiento total de materia prima es de 50 unidades
por semana. En consecuencia, la formulacin de PL es la siguiente:
Maximizar 5 X1 + 3 X2
Sujeta
a:
2
X1
+
X2

40
restriccin
de
mano
de
obra
X1
+
2
X2

50
restriccin
de
materiales
tanto X1 como X2 son no negativas.
Este es un modelo matemtico para el problema del carpintero. Las variables
de decisin, es decir, las entradas controlables son X1, y X2. La salida o el
resultado de este modelo son los ingresos netos totales 5 X1 + 3 X2. Todas las
funciones empleadas en este modelo son lineales (las variables de decisin
estn elevadas a la primera potencia). El coeficiente de estas restricciones se
denomina denomina Factores Tecnolgicos (matriz). El perodo de revisin es
de una semana, un perodo conveniente dentro del cual es menos probable que
cambien (flucten) las entradas controlables (todos los parmetros tales como
5, 50, 2,..). Incluso en un plazo de planificacin tan corto, debemos realizar el
anlisis what-if o de hiptesis para responder a cualquier cambio en estas
entradas a los efectos de controlar el problema, es decir, actualizar la solucin
prescripta.
Ntese que dado que el Carpintero no va a ir a la quiebra al final del plazo de
planificacin, agregamos las condiciones que tanto X1 como X2 deben ser no
negativas en lugar de los requerimientos que X1 y X2 deben ser nmeros
enteros positivos. Recuerde que las condiciones de no negatividad tambin se
denominan "restricciones implcitas". Nuevamente, un Programa Lineal
funcionara bien para este problema si el Carpintero contina fabricando estos

productos. Los artculos parciales simplemente se contaran como trabajos en

proceso y finalmente se transformaran en productos terminados, en la
siguiente semana.
Podemos intentar resolver X1 y X2 enumerando posibles soluciones para cada
una y seleccionado el par (X1, X2) que maximice 5X1 + 3X2 (los ingresos
netos). Sin embargo, lleva mucho tiempo enumerar todas las alternativas
posibles y si no se enumeran todas las alternativas, no podemos estar seguros
de que el par seleccionado (como una solucin) es la mejor de todas las
alternativas. Otras metodologas preferidas (ms eficientes y efectivas),
conocidas como las Tcnicas de Soluciones de Programacin Lineal estn
disponibles en el mercado en ms de 4000 paquetes de software de todo el
mundo.
La solucin ptima, es decir, la estrategia ptima, , es establecer X1 = 10
mesas y X2 = 20 sillas. Programamos las actividades semanales del carpintero
para que fabrique 10 mesas y 20 sillas. Con esta estrategia (ptima), los
ingresos netos son de US$110. Esta . Esta solucin prescripta sorprendi al
carpintero dado que debido a los mayores ingresos netos provenientes de la
venta de una mesa (US$5), el sola fabricar ms mesas que sillas.
Contratar o no contratar a un ayudante? Supngase que el carpintero pudiera
contratar a un ayudante a un costo de US$2 por hora (adicionales $2) Le
conviene al carpintero contratar a un ayudante? En caso afirmativo, por
cuntas horas?
X3 es la cantidad de horas extra, entonces el problema modificado es:
Maximizar 5 X1 + 3 X2 - 2 X3
Sujeta a:
2 X1 + X2 40 + X3 restriccin de la mano de obra con horas adicionales
desconocidas
X1 + 2 X2 50 restriccin de materiales
En esta nueva condicin, veremos que la solucin ptima es X1 = 50, X2 = 0,
X3 = 60, con ingresos netos ptimos de US$130. Por lo tanto, el carpintero
debera contratar a un ayudante por 60 horas. Qu pasara si slo lo contrata
por 40 horas? La respuesta a esta pregunta y a otros tipos de preguntas del
estilo "qu pasara si" (what-if) se estudia en la seccin sobre anlisis de
sensibilidad en este sitio Web.
Un Problema de Mezcla
El taller LUBEOIL se especializa en cambios de aceite del motor y regulacion
del sistema electrico. El beneficio por cambio del aceite es $7 y de $15 por
regulacin. Joe tiene un cliente fijo con cuya flota, le garantiza 30 cambios de
aceite por semana. Cada cambio de aceite requiere de 20 minutos de trabajo y
$8 de insumos. Una regulacin toma una hora de trabajo y gasta $15 en
insumos. LUBEOIL paga a los mecnicos $10 por hora de trabajo y emplea
actualmente a dos de ellos, cada uno de los cuales labora 40 horas por semana.
Las compras de insumos alcanzan un valor de $1.750 semanales. LUBEOIL
desea maximizar el beneficio total. Formule el problema.

Esto es una pregunta de programacin linear. Una porcin de un

cambio del aceite o del ajuste no es factible.
X1 = Cambios del aceite, ajuste
X2 = Ajuste
Maximizar 7X1 + 15X2
Sujeta a:
X1 30 Cuenta De la Flota
20X1 + 60X2 4800 De trabajo tiempo
8X1 + 15X2 1750 Primas Materias
X1 0, X2 0.
El coste de trabajo de $10 por hora no se requiere para formular el problema
desde el beneficio por cambio del aceite y el ajuste toma en la consideracin el
coste de trabajo.

Supongamos que quiere hallar el peor de varios valores de funciones objetivos

definidas con un conjunto comn de restricciones en una sola corrida de
computacin.
Como aplicacin, supongamos que en el Problema del Carpintero, sin prdida
de generalidad, hay tres mercados con funciones objetivos de 5X1 + 3X2, 7X1
+ 2X2, y 4X1 + 4X2, respectivamente. Al carpintero le interesa conocer el peor
mercado. Es decir, la solucin del siguiente problema:
El problema del minimax:
Min Max {5X1 + 3X2, 7X1 + 2X2, 4X1 + 4X2}
Sujeta a:
2 X1 + X2 40
X1 + 2 X2 50
Y ambos, X1, X2, son no negativos.
El Problema del Minimax equivale a:
Maximice y
Sujeta a:
y 5x1 + 3X2
y 7X1 + 2X2
y 4X1 + 4X2
2X1 + X2 40
X1 + 2X2 50
Y todas las variables, X1, X2, y, son no negativas.
Si se toman todas las variables a la izquierda de las restricciones y este
problema se implementa en el paquete de computacin, la solucin ptima es
X1 = 10, X2 = 20, y = $110. Esto significa que el primero y el segundo
mercados son los peores (porque la primera y la segunda restricciones son
obligatorias) aportando slo $110 de utilidad neta.

CONCLUSIONES
Es importante diferenciar el riesgo de la incertidumbre, el primero se presenta cuando no
disponemos de la informacin necesaria como para asociar un evento con un conjunto de
posibles resultados cada uno de los cuales tiene una ocurrencia relativa.
Por otro lado la incertidumbre es una situacin donde los posibles resultados de una
accin no se conocen o no es posible vincularlos con probabilidades de ocurrencia.
La medicin del riesgo en un proyecto esta asociado con la variabilidad de los beneficios
netos anuales estimados y en consecuencia con la del rendimiento que es posible estimar
a partir de ellos de esta forma para determinar cuan riesgoso es un proyecto es necesario
calcular la desviacin estndar del riesgo y del VAN Esperado.

RECOMENDACIONES
Hasta este momento se ha estado suponiendo que las proyecciones de los flujos de caja sobre
los cuales se calculaba la rentabilidad de un proyecto eran totalmente ciertas sin embargo es
bastante improbable ya que cualquiera sea el giro del negocio este tendr asociado un cierto
grado de xito, este ultimo

se refleja principalmente en la posible variabilidad de los

beneficios netos anuales proyectados las que redundan en una rentabilidad incierta.
Por tanto es necesario tener en cuenta los distintos mtodos para la evaluacin de proyectos
los cuales se desarrollan a lo largo de estos captulos