Your SlideShare is downloading. ×
0
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

PROYECTOS . TEMA 14: ANALISIS DE RIESGO Y SENSIBILIDAD

50,848

Published on

Modelo unidimensional de la sensibilización del VAN. …

Modelo unidimensional de la sensibilización del VAN.
Modelo multidimensional de sensibilización del VAN.
Modelo de sensibilidad del TIR. Casos prácticos.
Análisis de riesgo: medición del riesgo.
Método de Montecarlo: un caso de estudio.
Árbol de decisiones : uso en proyectos de inversión.

3 Comments
12 Likes
Statistics
Notes
No Downloads
Views
Total Views
50,848
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
1,569
Comments
3
Likes
12
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide
  • UNMSM - FQIQ ING. JOSE MANUEL GARCIA PANTIGOZO ELABORACION Y EVALUACION DE PROYECTOS 2010 - I
  • UNMSM - FQIQ ING. JOSE MANUEL GARCIA PANTIGOZO ELABORACION Y EVALUACION DE PROYECTOS 2010 - I
  • UNMSM - FQIQ ING. JOSE MANUEL GARCIA PANTIGOZO ELABORACION Y EVALUACION DE PROYECTOS 2010 - I
  • UNMSM - FQIQ ING. JOSE MANUEL GARCIA PANTIGOZO ELABORACION Y EVALUACION DE PROYECTOS 2010 - I
  • UNMSM - FQIQ ING. JOSE MANUEL GARCIA PANTIGOZO ELABORACION Y EVALUACION DE PROYECTOS 2010 - I
  • ELABORACION Y EVALUACION DE PROYECTOS 2010 - I UNMSM - FQIQ ING. JOSE MANUEL GARCIA PANTIGOZO
  • Transcript

    • 1. Ing. José Manuel García Pantigozo SEMESTRE 2010 – I [email_address] ELABORACION Y EVALUACION DE PROYECTOS UNMSM Facultad de Química e Ingeniería Química TEMA 14: Analisis de riesgo y sensibilidad
    • 2.
      • Modelo unidimensional de la sensibilización del VAN.
      • Modelo multidimensional de sensibilización del VAN.
      • Modelo de sensibilidad del TIR. Casos prácticos.
      • Análisis de riesgo: medición del riesgo.
      • Método de Montecarlo: un caso de estudio.
      • Árbol de decisiones : uso en proyectos de inversión.
      OBJETIVOS DE APRENDIZAJE
    • 3. Análisis de Sensibilidad José Manuel García Pantigozo calidadtotal@hotmail.com UNMSM - FQIQ
    • 4. Análisis de Sensibilidad (AS) Variar los parámetros financieros mas importantes: inversiones, costos e ingresos unilateralmente o en conjunto para determinar el grado de sensibilidad del proyecto a los cambios
    • 5.  INVERSION = Incremento o disminución porcentual del costo de inversión  COSTOS = Incremento o disminución porcentual de los costos  INGRESOS = Incremento o disminución porcentual del ingreso AS =  TIR /  PF Donde:  TIR: (TIR1 – TIR2) (en valor absoluto)  PF: Variación porcentual del parámetro financiero AS  1 El Proyecto es muy sensible a la variación del parámetro correspondiente AS  1 El proyecto es poco sensible a la variación del parámetro correspondiente. Análisis de Sensibilidad (AS)
    • 6. Estudio de Caso Se tiene un proyecto con una vida útil de 5 años y una inversión inicial de (Io): 100 millones de Bs. El proyecto genera los siguientes Flujos Netos de Efectivo (FNE): Bs. 50 (año 1); Bs. 65 (año 2); Bs. 85 (año 3) Bs. 90 (año 4); Bs. 120 (año 5). La Tasa de Rendimiento Mínima Aceptada (TREMA) es de 44% anual. VPN = -100 +  ( 34,7 + 31,4 + 28,5 + 20,9 + 19,4) VPN = -100 + 134,9 = 34, 9  Se acepta el proyecto Análisis de Sensibilidad (AS)
    • 7. Ii = 44% Is = 64% VPNP = 34,9 VPNN = -3,5 TIR (aprox) = 44 + (64 – 44) . 34,9 / 34,9 – (-3,5) TIR (aprox) = 44 + 20 . 0,90885417 TIR (aprox) = 44 + 18,18 = 62, 2% TIR = 61,6%  INVERSION = 20% Io = 120 TIR1 = 61,6%; TIR2 = 50,5% AS = (61,6 - 50,5) / 20 AS = 11,1 / 20 AS = 0,56 AS  1 El proyecto es poco sensible a un incremento de un 20% del costo de inversión
    • 8. Modelo unidimensional de la sensibilización del VAN José Manuel García Pantigozo calidadtotal@hotmail.com UNMSM - FQIQ
    • 9. Determina hasta dónde puede modificarse el valor de una variable para que el proyecto siga siendo rentable. Modelo unidimensional de la sensibilización del VAN
    • 10.
      • Calcular el valor actual de cada ítem del flujo -> la suma de todos los valores actuales debe coincidir con el VAN calculado.
      • Igualar el VAN a cero y, partiendo a la inversa,
        • determinar el monto de la utilidad neta que hace al VAN igual a cero
        • calcular el valor de la utilidad antes de impuesto que hace que se cumpla esa condición
        • determinar el valor actual de los ingresos que determina que esa sea la utilidad antes de impuesto.
      • Para encontrar el valor límite del precio se recurre a la regla de tres.
      Ejemplo del Modelo unidimensional de la sensibilización del VAN
    • 11. Ejemplo del Modelo unidimensional de la sensibilización del VAN   AÑOS DE OPERACIÓN     0 DEL 1 AL 9 10 VAN INGRESOS   100000 100000 614457 COSTO VARIABLE   -20000 -20000 -122891 COSTO FIJO   -30000 -30000 -184337 DEPRECIACION   -25000 -25000 -153614 UTILIDAD ANTES DE IMPUESTO   25000 25000 153614 IMPUESTO   -2500 -2500 -15361 UTILIDAD NETA   22500 22500 138253 DEPRECIACION   25000 25000 153614 INVERSION -250000     -250000 CAPITAL DE TRABAJO -40000   40000 -24578 VALOR DE DESECHO     150000 57831           FLUJO DE CAJA -290000 47500 237500 75120
    • 12.
      • En el cuadro anterior se podrá ver que los ingresos son 100000 cada año dando un VAN – US$ 75,120.00 .
      • Si queremos saber hasta donde soporta el proyecto modificaremos el precio haciendo al VAN = 0.
      • Aplicando regla de tres:
      • US$ 100 = 614.457
      • US$ x = 530.990
      • X = $ 86,42
      • el precio podría caer hasta $ 86,42 y todavía el inversionista obtendría el 10% exigido a la inversión (VAN = 0).
      Ejemplo del Modelo unidimensional de la sensibilización del VAN
    • 13. Ejemplo del Modelo unidimensional de la sensibilización del VAN   AÑOS DE OPERACIÓN     0 DEL 1 AL 9 10 VAN INGRESOS   86416.2 86416.2 530990 COSTO VARIABLE   -20000 -20000 -122891 COSTO FIJO   -30000 -30000 -184337 DEPRECIACION   -25000 -25000 -153614 UTILIDAD ANTES DE IMPUESTO   11416.2 11416.2 70148 IMPUESTO   -1141.62 -1141.62 -7015 UTILIDAD NETA   10274.58 10274.58 63133 DEPRECIACION   25000 25000 153614 INVERSION -250000     -250000 CAPITAL DE TRABAJO -40000   40000 -24578 VALOR DE DESECHO     150000 57831           FLUJO DE CAJA -290000 35274.58 225274.58 0
    • 14. Modelo multidimensional de la sensibiliz ación del VAN José Manuel García Pantigozo calidadtotal@hotmail.com UNMSM - FQIQ
    • 15. Incorpora el efecto combinado de dos o más variables y determina de qué manera varía el VAN frente a cambios en los valores de esas variables. Modelo multidimensional de la sensibilización del VAN
    • 16. Modelo de Sensibilidad del TIR José Manuel García Pantigozo calidadtotal@hotmail.com UNMSM - FQIQ
    • 17.
      • La TIR obtenida para un proyecto se puede lograr solamente si se cumplen los pronósticos anuales de ventas. el siguiente análisis tiene por objeto determinar cuál es el nivel mínimo de ventas que puede tener la empresa para seguir siendo económicamente rentable. Se trabajará con flujos constantes para simplificar el cálculo de la TIR ; por lo tanto, la TMAR será igual a 6%.
      • Los datos arrojan un costo unitario de producción de US$ 199 por tonelada para el 1er año de operación. En ese mismo año, el valor de venta del producto terminado es de US$ 320 por tonelada.
      Modelo de Sensibilidad del TIR
    • 18.
      • Con estos datos, primero se calcula el costo de producción para diferentes niveles de ventas:
      Modelo de Sensibilidad del TIR Sabiendo que VP = 360, VS = 166 y n = 5, se sustituye en la fórmula de TIR cada caso y se obtiene: siguientes.
    • 19.
      • Se puede decir que 1,000 toneladas de venta anuales es el límite mínimo de producción necesario para que el proyecto sea económicamente rentable.
      Modelo de Sensibilidad del TIR
    • 20. Análisis de Riesgo José Manuel García Pantigozo calidadtotal@hotmail.com UNMSM - FQIQ
    • 21.
      • Es una de las mayores preocupaciones a la hora de realizar una inversión y en general cualquier actividad de un proyecto.
      • Se deben minimizar los riesgos.
      • Las técnicas de riesgo y otras utilizan métodos probabilísticos cuyo valor es difícil de asignar.
      • El riesgo más importante es el riesgo sistemático o riesgo de mercado.
      • Por ejemplo a un inflación del 57% se deben tomar acciones administrativas como contratar mejores vendedores, ofertas en el producto, campaña publicitaria especial.
      Análisis de Riesgo
    • 22.
      • Ejemplo 1: Un proyecto requiere de una inversión a comienzos del año 1 y genera un flujo de beneficios netos constantes, durante 17 años, cuyos valores y correspondientes probabilidades se muestran en el cuadro siguiente:
      Análisis de Riesgo I = Inversión Bn = Beneficios netos P = Probabilidad I P (I) Bn P (B ) 30 0.2 5 0.1 40 0.6 6 0.2 50 0.2 7 0.6 8 0.1
    • 23.
      • Ejemplo 1(continua): Se considera valor residual cero y tasa de actualización de 15% anual. Se trata de calcular la distribución de probabilidades del VAN del proyecto. Los datos indican que la mejor estimación de la inversión es de 40 millones y la del beneficio neto anual constante de 7 millones; si con estos únicos valores se calcula el VAN en forma determinística, resulta:
      Análisis de Riesgo VAN = - 40 + 7*FAS 0.15,17 = 2.3 (aproximadamente) Aplicando análisis de riesgo, por el método matemático, observamos que hay 3 posible valores de I y 4 de Bn, por consiguiente hay 3*4=12 posibles combinaciones de ambos y consecuentemente, 12 posibles valores del VAN, tal como se muestra en el siguiente cuadro:
    • 24. Análisis de Riesgo COMBINACIÓN I B VAN P(VAN) 1 30 5 0.0 0.02 2 30 6 5.2 0.04 3 30 7 10.4 0.12 4 30 8 15.7 0.02 5 40 5 -8.7 0.06 6 40 6 -3.5 0.12 7 40 7 1.7 0.36 8 40 8 7.0 0.06 9 50 5 17.4 0.02 10 50 6 -12.2 0.04 11 50 7 -7.0 0.12 12 50 8 -1.7 0.02
    • 25. Método de Montecarlo José Manuel García Pantigozo calidadtotal@hotmail.com UNMSM - FQIQ
    • 26. Valor en Riesgo
      • Método para cuantificar la exposición al riesgo de mercado por medio de técnicas estadísticas.
      Valor en Riesgo Cambio en el Valor de Mercado del portafolio Pérdidas Nivel de Confianza (95%)
    • 27. El VaR no otorga certidumbre con respecto a las pérdidas que se podrían sufrir en una inversión, sino una expectativa de resultados basada en estadística (series de datos en el tiempo). Valor en Riesgo
      • Ventajas del VaR:
        • Toma en cuenta los factores asociados con el comportamiento de los precios de los activos.
        • Toma en cuenta características especificas de cada instrumento (acciones, bonos, etc).
        • Entrega un medida estándar para las distintas clases de riesgo.
    • 28.
      • Métodos más utilizados
        • Simulación Histórica
        • Método de Varianza-Covarianza
        • MonteCarlo
      Valor en Riesgo
    • 29.
      • Ventaja: Mayor nivel de exactitud que la de los otros modelos.
        • Desventaja: Altos costos en términos de tiempo y recursos computacionales.
      C onsiste en la generación de números aleatorios para calcular el valor de los portafolios generando escenarios. Un nuevo número aleatorio sirve para generar un nuevo valor del portafolio con igual probabilidad de ocurrencia que los demás y determinar la pérdida o ganancia en el mismo. Este proceso se repite un gran número de veces (4,000 escenarios) y los resultados se ordenan de tal forma que pueda determinarse un nivel de confianza específico. Método de MonteCarlo Valor en Riesgo
    • 30.
      • Pasos:
        • Generar series con números aleatorios con base en una distribución normal estandarizada (matriz X).
        • A partir de la matriz de varianza-covarianza aplicar la descomposición de Cholesky para obtener una nueva matriz (matriz A T ).
        • Determinar la matriz Y= A T *X donde Y ~ N(0, Σ ).
        • Generar 4,000 simulaciones de los factores de riesgo (al valor actual del factor de riesgo se agrega el valor de las variaciones simuladas).
        • Revaluar el portafolio con cada uno de los valores estimados de los factores de riesgo.
        • Calcular pérdidas y ganancias del portafolio. (se obtienen de la diferencia entre el valor del portafolio simulado en cada uno de los escenarios y el valor del portafolio vigente en la fecha de evaluación.
        • Ordenar los resultados del portafolio de mayores pérdidas a mayores ganancias y calcular el VaR con base en el nivel de confianza elegido.
      Simulación de MonteCarlo
    • 31. Arbol de Decisiones José Manuel García Pantigozo calidadtotal@hotmail.com UNMSM - FQIQ
    • 32. Ejemplo 01: Una Compañía de Manufacturas Eléctricas que produce aparatos de aire acondicionado , tiene que decidir si comprar o no un componente importante para su producto final de un abastecedor o fabricarlo en su propia planta.   Las alternativas de decisión son entonces :   1) Comprar el componente (C) 2) Fabrica el componente (F)   La determinación de la mejor decisión dependerá de la aceptación(demanda) de su producto final en el mercado. Dado que la demanda que la Cía enfrenta por su producto final está fuera del control del Decisor, esta constituye una variable de estado. De acuerdo con la administración de la Cía. Los posibles valores de la demanda por su producto final pueden ser : ARBOL DE DECISIONES
    • 33. DA = Demanda alta del producto final de la Cía. DM = Demanda media del producto final de la Cía. DB = Demanda baja del producto final de la Cía.   Para determinar la decisión óptima fue necesario conocer mayor información respecto a las probabilidades de ocurrencia de cada estado de la naturaleza (DA,DM,DB).   El resultado final de la decisión se expresa en términos de ganancias netas. La administración de la Cía. ha estimado las ganancias netas para este problema : ARBOL DE DECISIONES Alternativas De Decisión Estados de la Naturaleza (Niveles de demanda) DA DM DB Fabricar (F) Comprar(C) 130 70 40 45 -20 10
    • 34.
      • Determine la decisión óptimo según criterio del valor esperado y suponiendo P(DA) = 0.30, P(DM) = 0.30, P(DB) = 0.40.
      • Calcular el valor esperado de la información perfecta
      • Calcular el valor esperado de la información de la muestra e identifique la decisión óptima.
      • Calcule la información de la eficiencia de la muestra.
      • CRITERIO PROBABILISTICO (Criterio del Valor Esperado)
      •   De acuerdo con la experiencia de la administración de la Cía. se asignó las siguientes probabilidades de ocurrencia.
      •  
      • Puede ser entonces : P(DA) = 0.30, P(DM) = 0.30, P(DB) = 0.40
      •  
      • Según el criterio probabilístico, se decide por la alternativa de mayor ganancia esperada :
      •   Alternativas
      • Fabricar (F) : 130(0.30) + 40 (0.30) + -20(0.40) = 43.0
      • Comprar (C) : 70(0.30) + 45 (0.30) + 10(0.40) = 38.5
      • Se decide : Fabricar el componente. La Cía obtendría las mayores ganancias netas esperadas de 43,000 dólares.
      ARBOL DE DECISIONES
    • 35. Valor esperado
      • Es la media de la distribución de probabilidad
      • Se calcula como:
      ARBOL DE DECISIONES
    • 36.
      • Suponga que usted compra en S/. 1,000.00 un número de una rifa, la cual paga un premio de S/. 50,000.00
      • Hay dos eventos posibles:
        • Usted gana la rifa, o
        • Pierde
      • ¿Cuál es el valor esperado del juego?
      Valor esperado: Ejemplo 1 ARBOL DE DECISIONES
    • 37. Valor esperado: ejemplo
      • La distribución de probabilidades es:
      • El valor esperado es:
      • E(X) = 49000*(1/100) + -1000*99/100 = -500
      • ¿Qué significa ese resultado?
      ARBOL DE DECISIONES Evento X P(X) Gana S/. 49000 1/100 Pierde S/. - 1000 99/100
    • 38. Árboles de decisión
      • Pueden usarse para desarrollar una estrategia óptima cuando el tomador de decisiones se enfrenta con:
        • Una serie de alternativas de decisión
        • Incertidumbre o eventos futuros con riesgo
      • *Un buen análisis de decisiones incluye un análisis de riesgo
      ARBOL DE DECISIONES
    • 39. Árboles de decisión: Componentes y estructura
      • Alternativas de decisión en cada punto de decisión
      • Eventos que pueden ocurrir como resultado de cada alternativa de decisión. También son llamados Estados de la naturaleza
      ARBOL DE DECISIONES
    • 40. Árboles de decisión: Componentes y estructura
      • Probabilidades de que ocurran los eventos posibles
      • Resultados de las posibles interacciones entre las alternativas de decisión y los eventos. También se les conoce con el nombre de Pagos
      ARBOL DE DECISIONES
    • 41. Árboles de decisión: Componentes y estructura
      • Los árboles de decisión poseen:
      • Ramas: se representan con líneas
      • Nodos de decisión: de ellos salen las ramas de decisión y se representan con 
      • Nodos de incertidumbre: de ellos salen las ramas de los eventos y se representan con 
      ARBOL DE DECISIONES
    • 42. Árboles de decisión: Componentes y estructura: ejemplo ARBOL DE DECISIONES Alternativa 1 Alternativa 2 Evento 1 P(Evento 1) Evento 2 P(Evento 2) Evento 3 P(Evento 3) Pago 1 Pago 2 Pago 3 Pago 4 Punto de decisión
    • 43. Árboles de decisión: Análisis: criterio del Valor Monetario Esperado
      • Generalmente se inicia de derecha a izquierda, calculando cada pago al final de las ramas
      • Luego en cada nodo de evento se calcula un valor esperado
      • Después en cada punto de decisión se selecciona la alternativa con el valor esperado óptimo.
      ARBOL DE DECISIONES
    • 44. Análisis: ejemplo de la rifa Juega la rifa No juega la rifa Gana (0,01) Pierde (0,99) ¢49.000 ¢ -1000 ¢ 0 Punto de decisión -500 ARBOL DE DECISIONES
    • 45. Análisis: ejemplo de la rifa
      • En el nodo de evento se calculó el valor esperado de jugar la rifa
      • Luego se selecciona, en este caso el valor más alto (por ser ganancias)
      • La decisión desechada se marca con
      • En este caso la decisión es no jugar la rifa
      ARBOL DE DECISIONES
    • 46. Árboles de decisión: Ejemplo 2
      • Un fabricante está considerando la producción de un nuevo producto. La utilidad incremental es de $10 por unidad y la inversión necesaria en equipo es de $50.000
      • El estimado de la demanda es como sigue:
      ARBOL DE DECISIONES Unidades Probabilidad 6000 0.30 8000 0.50 10000 0.20
    • 47. Árboles de decisión: Ejemplo 2 (continuación):
      • Tiene la opción de seguir con el producto actual que le representa ventas de 2.500 unidades con una utilidad de $5.5/unidad sin publicidad, con la opción de que si destina $14.000 en publicidad podría, con una probabilidad de 80% conseguir ventas de 5.500 unidades y de un 20% de que éstas sean de 4.000 unidades.
      • Construya el árbol de decisión y determine la decisión óptima.
      ARBOL DE DECISIONES
    • 48. Árboles de decisión: Ejemplo 3: La decisión de Larry
      • Durante la última semana Larry ha recibido 3 propuestas matrimoniales de 3 mujeres distintas y debe escoger una. Ha determinado que sus atributos físicos y emocionales son más o menos los mismos, y entonces elegirá según sus recursos financieros.
      • La primera se llama Jenny. Tiene un padre rico que sufre de artritis crónica. Larry calcula una probabilidad de 0.3 de que muera pronto y les herede $100.000. Si el padre tiene una larga vida no recibirá nada de él.
      ARBOL DE DECISIONES
    • 49. Árboles de decisión: ejemplo: La decisión de Larry
      • La segunda pretendiente se llama Jana, que es contadora en una compañía. Larry estima una probabilidad de 0.6 de que Jana siga su carrera y una probabilidad de 0.4 de que la deje y se dedique a los hijos. Si continúa con su trabajo, podría pasar a auditoría, donde hay una probabilidad de 0.5 de ganar $40.000 y de 0.5 de ganar $30.000, o bien podría pasar al departamento de impuestos donde ganaría $40.000 con probabilidad de 0.7 o $25.000 (0.3). Si se dedica a los hijos podría tener un trabajo de tiempo parcial por $20.000.
      ARBOL DE DECISIONES
    • 50. Árboles de decisión: ejemplo: La decisión de Larry
      • La tercer pretendiente es María, la cual sólo puede ofrecer a Larry su dote de $25.000.
      • ¿Con quién debe casarse Larry? ¿Por qué?
      • ¿Cuál es el riesgo involucrado en la secuencia óptima de decisiones?
      • Tomado de: Gallagher. Watson. METODOS CUANTITATIVOS PARA LA TOMA DE DECISIONES EN ADMINISTRACIÓN. McGraw Hill, México, 1982
      ARBOL DE DECISIONES
    • 51. Los Árboles de decisión y el riesgo
      • El análisis del riesgo ayuda al tomador de decisiones a identificar la diferencia entre:
        • el valor esperado de una alternativa de decisión, y
        • el resultado que efectivamente podría ocurrir
      • El riesgo se refiere a la variación en los resultados posibles.
      • Mientras más varíen los resultados, entonces se dice que el riesgo es mayor.
      • Existen diferentes maneras de cuantificar el riesgo, y una de ellas es la variancia.
      ARBOL DE DECISIONES
    • 52. Los Árboles de decisión y el riesgo
      • La variancia se calcula como:
      • Donde P(X j ) es la probabilidad del evento X j y E(X) es el valor esperado de X
      ARBOL DE DECISIONES
    • 53. Los Árboles de decisión y el riesgo: ejemplo: el caso de Larry (datos en miles) ARBOL DE DECISIONES Decisión X P(X) E(X) var Jenny 100 0 0.30 0.70 30 2100 Jana 40 30 40 25 20 0.15 0.15 0.21 0.09 0.40 29,3 60,252 María 25 1.00 25 0
    • 54. Los Árboles de decisión y el riesgo: ejemplo: el caso de Larry
      • La decisión por Jenny es la del valor esperado más alto, pero también es la más riesgosa, pues los resultados varían entre $0 y $100.000
      • La decisión por María es la menos riesgosa, pero la de menor rendimiento.
      • Tal vez la mejor decisión sea Jana, ya que el valor esperado es cercano al de Jenny pero con un riesgo menor.
      ARBOL DE DECISIONES

    ×