9i EVALUACION DEL RIESGO EN PROYECTOS MINEROS

.
1 INTRODUCCION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 351
2. VARIABLES QUE APORTAN RIESGO E INCERTIDUMBRE A
LOS PROYECTOS MINEROS . . . . . . . . . . . . . . . . . . . . . . . . 352
2.1. Variables vinculadas al yacimiento . . . . . . . . . . . . . . . . . . 353
2.2. Variables vinculadas a la operación minera . . . . . . . . . . . . 354
2.3. Variables vinculadas al mercado y al contexto exterior . . . . . 354
.
3 ANALlSlS DE SENSIBILIDAD . . . . . . . . . . . . . . . . . . . . . . . . 358
4. ELEMENTOS DE ANALlSlS DE DECISIONES . . . . . . . . . . . . . . 361
4.1. Conceptos básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
4.2. Situaciones de riesgo . . . . . . . . . . . . . . . . . . . . . . . . . . 362
4.3. Función de utilidad o preferencia . . . . . . . . . . . . . . . . . . 363
4.4. Estimación de probabilidades . . . . . . . . . . . . . . . . . . . . . 366
5 . ANALISIS DE VALOR ESPERADO . . . . . . . . . . . . . . . . . . . . 366
5.1. Proceso de cálculo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 366
5.2. Arboles de decisión . . . . . . . . . . . . . . . . . . . . . . . . . . . 367
5.3. Crítica del análisis de valor esperado . . . . . . . . . . . . . . . . 371
.
6 ANALlSlS DE SUPERVIVENCIA . . . . . . . . . . . . . . . . . . . . . . 372
7 . ANALlSlS DE RIESGO . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.1. Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2. Método de Montecarlo . . . . . . . . . . . . . . . . . . . . . . . . .
7.3. Muestreo aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.4. Determinaciór! de las funciones de distribución . . . . . . . . . .
7.5. Explotación de los resultados . . . . . . . . . . . . . . . . . . . . .
7.6. Método R.S.C. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.6.1. Definición de las variables aleatorias . . . . . . . . . . . .
7.6.2. Cálculo de las desviaciones de TRI . . . . . . . . . . . . . .
7.6.3. Composición de efectos . . . . . . . . . . . . . . . . . . . .
7.6.4. Determinación de la distribución de TRI . . . . . . . . . .
.
8 BIBLIOGRAFIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 391
Evaluación del riesgo en proyecto mineros
1. Introducción
En el tratamiento del análisis económico se
suponía que los valores de todas las cantidades se
conocían con certeza. Los factores de riesgo e
incertidumbre quedaban, pues, fuera del estudio.
Evidentemente, nunca existe certeza total y es
frecuente que la incertidumbre sea bastante conside-
rable, como ocurre, por ejemplo en los proyectos
mineros. Es una práctica frecuente realizar un análisis
económico exclusivamente determinístico - e s t o es
en condiciones de certeza supuesta- y tomar en
consideración el riesgo y la incertidumbre de una
forma intuitiva, no cuantificada, confiando en la
experiencia, la formación y el criterio del decisor.
Es posible otra forma más rigurosa de proceder,
consistente en cuantificar los factores de incerti-
dumbre y riesgo e introducirlos en el análisis formal,
que se convierte así en un análisis probabilíctico.
Esto no excluye la influencia decisiva de las aprecia-
ciones subjetivas del decisor, pero hace actuar a éste
con más rigor, aportándole una valoración cuantita-
tiva de los aspectos probabilísticos del problema.
La aplicación de modelos probabilísticos proporcio-
na, en consecuencia, una base mucho más segura
para la toma de decisiones. Algunos ejemplos
simples contribuirán a ilustrarlo.
Supóngase que hay que decidir entre dos proyectos
que requieren una misma inversión, cuyas TRI
respectivas son el 20 por 100 y el 15 por 100. En
condiciones de certeza se preferiría el proyecto A,
que es el de mayor TRI. Ahora bien, jestaría justifica-
da esta decisión si se supiera que la probabilidad de
éxito del proyecto A es el 60 por 100 y la del B el
90 por 100?. Por tanto, es esencial para la toma
de decisiones conocer, no sólo la rentabilidad
de las diversas opciones, sino también el riesgo
asociado con cada una de ellas.
Considerese en segundo lugar un proyecto cuyo
valor económico queda determinado por seis
datos básicos. Se han estimado los valores más
probables de dichos datos con una precisión
suficiente y, realizado el análisis económico, se
obtiene una atractiva TRI del 32 por 100. Sin
embargo, esta TRI se producirá realmente sólo en el
caso en que dichos seis datos básicos tomen efecti-
vamente los valores estimados. Si cada una de las
estimaciones tiene una probabilidad del 70 por 100
de aproximarse suficientemente a la realidad, la
probabilidad de que la TRI sea, en efecto, el 32 por
100 es (0,7)6 = 0,12, es decir sólo el 12 por 100,
supuesto que dichos datos sean mutuamente inde-
pendientes. Este cálculo simplista pone de manifiesto
que el logro de la TRI calculada depende en realidad
de una coincidencia de circunstancias bastante poco
probable. Se puede concluir que, en general, una
cifra única de rentabilidad no es información
suficiente para decidir.
En el análisis de todo proyecto existen siempre unos
elementos de incertidumbre y riesgo, que pueden ser
esenciales en el proceso de la toma de decisión. Es
indispensable, por tanto, aplicarles un tratamiento
cuantitativo tan riguroso, si fuera posible, como el
utilizado en la evaluación económica.
En este capítulo se van a exponer los métodos
más aceptados para analizar las decisiones de
inversión en situaciones de riesgo. Estos métodos
pueden clasificarse en las siguientes familias:
A. Análisis de sensibilidad. Trata de responder a la
pregunta "¿que sucedería si...?, estudiando el efecto
de alteraciones en datos que determinan el valor
económico del proyecto. Su fundamento y manejo
son extraordinariamente simples y su aplicación es
muy útil. Es el más utilizado, muchas veces junto con
alguno de los que van a mencionar a continuación.
B. Análisis de valor esperado. Busca una media
ponderada del valor económico del proyecto,
según los acontecimientos que puedan producirse
y sus probabilidades respectivas.. Proporciona una
información muy valiosa para la toma de decisio-
nes. Es, por ejemplo, una herramienta tradicional
de las compañías de seguros, cuyo negocio tiene
su base en la gestión adecuada del riesgo.
C. Análisis de supervivencia. Investiga el riesgo de
pérdida del capital invertido en proyectos. En cierto
modo complementa al anterior, ya que un proyecto
puede tener un VAN esperado ositivo, pero puede
P
existir una probabilidad de que racase y ocasione un
quebranto económico inaceptable.
D. Análisis de riesgo. La disponibilidad de or- que puede tomar una variable o parámetro caracte-
denadores ha permitido la aplicación de nlétodos rístico del proyecto. La incertidumbre percibida en
de simulación aleatoria, que requieren la repeti- el momento de tomar la decisión de inversión,
ción de un mismo proceso de cálculo cientos o generalmente, aumenta conforme lo hace el hori-
miles de veces sobre un modelo matemático zonte temporal considerado para las estimaciones
adecuado. Proporciona una imagen muy completa futuras, tal como se muestra en la figura 2, para una
del valor económico y del riesgo de un proyecto. componente " X " del flujo de fondos.
Permite un manejo sistemático del riesgo, bien
para reducirlo en lo posible o para valorar y
comparar con rigor los riesgos que se aceptan.
A lo largo del capítulo se irán intercalando repa-
sos breves de las nociones de Análisis de Decisio-
nes, Cálculo de Probabilidades y Estadística que
son indispensables para la comprensión y aplica-
ción de los diversos métodos expuestos.

2. Variables que aportan riesgo

e incertidumbre a los proyec- TIEMPO

tos mineros Figura 2.- Incertidumbre percibida para una componente del
flujo de fondos en el instante de decisión de la
El primer paso en el análisis de riesgo de un proyec- inversión.
to minero de inversión consiste en identificar las
fuentes de incertidumbre, que son aquéllas que
intervienen realmente como variables aleatorias.
Atendiendo a su origen, es posible subdividirlas en
tres grupos:
- Vinculadas al yacimiento.
- Vinculadas a la operación minera.
- Vinculadas al mercado y contexto exterior. ,/ m
Los dos primeros grupos pueden calificarse como IN8TANTT DE COYICNZO DI! F I N A L DL LA WM
fuentes internas de incertidumbre y el tercero DECIaION DE
UI N V C ~ N
L A CRODUCCION DE L A MINA

como una fuente externa.

Figura 3.- Resolución de la incertidumbre de una variable en
diferentes etapas de desarrollo del proyecto.

Por el contrario, una vez puesto en marcha el

proyecto y conforme se progresa a lo largo de la
vida de este se mejorará el conocimiento de
algunas variables, fundamentalmente las relaciona-
das con el yacimiento y la operación minera,
consiguiendo disminuir la incertidumbre aportada
por algunas de esas componentes.
Las causas principales de los cambios fortuitos en
la economía de las explotaciones mineras se
encuentran, básicamente, en:
- La falta de información suficiente.
- La falta de control sobre determinadas varia-
bles.
Aunque no se llegue a incurrir en pérdidas,
pueden provocar que no se alcancen los objetivos
previstos y que ello se traduzca en una merma de
la rentabilidad global del proyecto.

Las actuaciones para disminuir tal riesgo pasan por:

Figura 1 .- Fuentes de incertidumbre en un negocio minero.
- Una estimación más detallada de los paráme-
Tal como se verá seguidamente, la incertidumbre tros que intervienen en la economía del pro-
puede visualizarse mediante una función de yecto y la identificación de los que aportan
densidad de probabilidad de los posibles valores mayor incertidumbre.
- La elaboración de un sistema de gestión que
permita establecer la estrategia de actuación
frente a diferentes acontecimientos o escenarios.
A continuación, se describen las variables que por
su mayor aleatoriedad, individual o conjuntamen-
te, originan la aparición de inseguridad en los
resultados económicos de un negocio minero.
2.1. Variables vinculadas al yacimiento
Dejando a un lado el riesgo económico de las
actividades de investigación minera, en las que las
posibilidades medias de éxito, es decir de llegar a
una mina rentable, son extremadamente pequeñas
frente a los trabajos infructuosas, incluso con la
mejor gestión del equipo investigador; por parte del
yacimiento la incertidumbre económica proviene de
que en el proceso de evaluación se llega a un
solución de compromiso entre el conocimiento del
depósito y el coste de los trabajos de investigación
y evaluación.
El empresario minero a la hora de evaluar el interés
económico de un depósito va a disponer de un
conocimiento de este limitado. A partir de unos
pocos datos de muestras obtenidas en la investiga-
ción se ha inferido toda una globalidad, mediante
técnicas de interpolación, hasta crear el modelo de
yacimiento. Estas técnicas implican siempre errores,
que dependen de la variabilidad de las diferentes
características de muestre0 y de la propia técnica de
estimación. La geostadística, como ya se ha indicado
en el Capítulo 3, permite efectuar las evaluaciones y
calcular la distribución de probabilidad de los errores
que afectan a las reservas y a las leyes.
PROYECTO RESERVAS NECESARIAS ( Y t )
10 IS 20
Figura 4.- Cambio de la vida y rentabilidad de una mina al considerar recursos de varias categorías.
Entre las variables ligadas al yacimiento que
aportan incertidumbre se encuentran.
- Los recursos totales y las reservas explotables.
- Las leyes o calidades de los minerales a benefi-
ciar.
- Las características mineralógicas de la mena.
- La disposición y variabilidad espacial de las
masas mineralizadas.
- Las propiedades geomecánicas e hidrogeoló-
gicas de los macizos rocosos, etc.
La cantidad de reservas explotables condiciona
la vida de las minas y, consecuentemente, las
capacidades anuales de extracción. Por lo general,
los horizontes temporales de los proyectos rnine-
ros suelen ser mayores que los planificados, ya
que estos últimos se establecen, por lo común, a
partir de los recursos mejor conocidos, (figura 4),
y en el transcurrir del tiempo recursos de otras
categorías pasan a transformarse en reservas
explotables.
Aunque siempre es posible efectuar inversiones
adicionales para ampliar la capacidad de las
instalaciones, estas pueden resultar muy costosas,
y en algunos casos hasta inviables, si no se han
contemplado desde los primeros momentos. Si,
por el contrario, se comprueba una disminución
de las reservas explotables, los resultados previsibles
del proyecto se modificarán desfavorablemente: si
se mantiene el ritmo de producción la vida operati-
va se acortará, y si se reduce la capacidad de
extracción. para mantener la vida prevista los
ingresos anuales disminuirán, la amortización se
CATEGORIA DE
LAS RESERVAS
m 1 ' m
iMedidas
i Indicados a
25 30 35 40 45 n Inferidas
mantendrá y los gastos de explotación se altera-
r6n en la medida que sus componentes fijas y
variables tengan mayor o menor peso en la
estructura del coste.
Las leyes de los minerales y sus características
mineralúrgicas son factores clave en la consecución
a
de los in resos previstos, tanto por la producción
consegui a como por la calidad de ésta. Un desco-
nocimiento de esas variables puede conducir a un
cambio en los procesos de tratamiento, afectando
no sólo a los costes de operación, sino incluso a las
propias recuperaciones mineralúrgicas.
La ley de los minerales interviene directamente en
las fórmulas de valoración de los productos a co-
mercializar , y en el caso de los metales nunca se
deberá olvidar la posible presencia de impurezas o
contaminantes en los concentrados, susceptibles de
penalizar el valor de dichos productos.
La morfología del yacimiento y las irregularidades
de este influyen sobre: el diseño e infraestructura de
las explotaciones, los sistemas de arranque, el grado
de aprovechamiento de los recursos existentes, los
porcenta'es de dilución, etc. En algunas situaciones
d
la falta e información ha obligado a un cambio de
método o sistema con importantes consecuencias
económicas.
De igual manera actúan las características geo-
mecánicas e hidrogeológicas, tanto en el diseño
geométrico de las minas como en los propios costes
de explotación, de drenaje, etc. En la fi ura 5 se
presenta un ejemplo de los niveles de con lanza que
corresponden a los factores de seguridad de diferen-
9 del entorno económico que las rodea.
tes ángulos de talud en una mina a cielo abierto.
F A C T O R DE SEGURIDAD
d,
A N G U L O DE TALUD ( O )
Figura 5.- Resultados probabilísticos de un análisis de
estabilidad realizado en una mina a cielo abierto.
Cualquier variación negativa de la pendiente estable
de los taludes se traduce en sobreexcavaciones con
un aumento del ratio estéril a mineral o en un
sobrecoste de las labores de sostenimiento, que
pueden resultar prohibitvos para la economía del
proyecto. Paralelamente, puede aumentar el riesgo
de deslizamientos con repercusiones directas sobre
la seguridad del personal y productividades previstas.
La presencia de agua implica cuantiosas inversiones
en obras de drenaje y desagüe, así com elevados
costes de bombeo durante la explotación.
Por último, indicar que en determinados emplaza-
mientos puede existir un riesgo natural o de fuerza
mayor como es el caso de zonas de intensa actividad
sísmica, de frecuentes inundaciones, avalanchas, etc.
2.2. Variables vinculadas a la
operación .minera
Las fases de construcción y puesta en marcha de
las operaciones mineras constituyen una etapa crítica
y un factor de riesgo muy importante, ya que
marcarán la fecha de comienzo de la producción y,
por consiguiente, el momento en que se generarán
los ingresos previstos en el proyecto. A ese período
de construcción y arranque, hay que sumar el
dedicado a la localización, investigación y evaluación
del yacimiento, y el tiempo necesario para efectuar
los estudios técnicos pertinentes, buscar la financia-
ción, etc. Con todo ello, los plazos de maduración,
superiores casi siempre a los 5 ó 10 años, son
mucho más dilatados que en otras industrias, y
mientras transcurre el tiempo aumentan los riesgos
potenciales del mercado, tendencias de consumo,
alternativas de sustitución, etc.
En lo referente a la propia operación minera. ésta
se caracteriza por su rigidez, que es incoparablemten
mayor que en otas actividades industriales, y dentro
del sector minero superior en las labores subterrá-
neas que en las de cielo abierto. Esto impide reaccio-
nar con la velocidad necesaria ante cambios bruscos
Por otro lado, a pesar del mayor grado de meca-
nización a que se han visto sometidas las opera-
ciones mineras, la componente de la mano de
obra sigue siendo aún muy elevada, y ésta se
encuentra sometida a una mayor probabilidad de
accidnetes por las condiciones en que se llevan a
cabo los trabajos. La necesidad de mano de obra
especializada constituye, en explotaciones con una
implantación geográfica aislada, un serio proble-
ma, con una incidencia que se refleja, a corto
plazo, enlos rendimientos, la productividad y la
accidentabilidad dentro de las minas.
Por último, existe un riesgo tecnológico derivado
del hecho de que al no existir yacimientos iguales,
cada operación precisa equipos y sistemas que
tienen que tantearse y probarse, con lo cual se
inicia una cadena de actividades con un grado de
acierto final difícol de predecir.
2.3. Variables vinculadas al mercado y
al contexto exterior
Entre las variables que pueden hacer más vulnera-
ble la estabilidad económica de un proyecto
minero destaca la cotización de las materias
primas. Estimar los precios de venta de las sus-
tancias a producir, bastantes años antes de la
puesta en marcha de las minas y durante el
período operativo de éstas, resulta una de las
tareas más difíciles, si no la que más, en la etapa
de estudio de viabilidad de una explotación.
La mayoría de las materias primas minerales presen-
tan evoluciones de los precios extremadamente
irregulares, con fuertes altibajos que repercuten
negativamente en la marcha económica de cualuqier
empresa, figura 6. La tendencia de los precios, en
moneda constante, de un gran número de sustan-
cias, superior a cincuenta, ha sido ligeramente
decreciente durante el último cuarto de siglo, con
una irregularidad media en torno al + 30 por 100.
En el caso de España, los precios medios en
pesetas constantes, desde 1973, revelan que los
minerales energeticos y los no metálicos se han
revalorizado, aunque estos últimos con unas
oscilaciones individuales mucho más brucas. Los
minerales metálicos han sufrido una notable
depreciación, sobre todo si se prescinde del oro y
la plata, y las rocas industriales y ornamentales
muestran una aparente estabilidad, tal vez debido
a que en muchos casos se confunden los precios
de venta con los costes de explotación dentro de
las empresas autoabastecidas.
Figura 6.- Evolución de las cotizaciones del cobre yel
aluminio.
La evolución de los precios de las sustancias
minerales puede ser descompuesta, de una forma
general, según tres horizontes:
- A corto plazo. Las oscilaciones de las cotizacio-
nes son fruto de los movimientos especulativos
originados por las espectativas de los agentes
de bolsa y movimientos de los stocks.
- A medio plazo. Se manifiesta la evolución cíclica
de los precios, que suele estar relacionada con los
ajustes entre producción y consumo y con la
coyuntura económica de los países industrializa-
dos.
- A largo plazo. Depende de la existencia de
fenómenos de sustitución en el consumo de
la sustancia considerada y de la evolución del
coste marginal de la producción.
Otra fuente de incertidumbre es la procedente de
la financiación del proyecto. La industria minera
se caracteriza por su elevada intensidad de capi-
tal, debido a las mayores dimensiones de los
proyectos como consecuencia del agotamiento
progresivo de los yacimientos ricos, pues se hace
necesario ir a mayores ritmos de producción para
aprovechar el efecto de economías de escala para
disminuir los costes de explotación; al desarrollo
de minas en áreas inaccesibles o remotas que
requieren la construcción de un gran número de
obras de infraestructuras; a la complejidad de las
instalaciones mineras y mineralúrgicas para el
beneficio de minerales cada vez más difíciles; al
mayor grado de mecanización con vistas a reducir
los costes de extracción, etc.
El hecho de tener que acudir a los mercados
financieros exteeriores para obtener los recursos
económicos necesarios, superiores en algunos
casos al 50 por 100 de la inversión total, introdu-
ce una componente de riesgo debido a las varia-
ciones en eltipo de cambio y tipos de interés. La
previsión de estas variaciones no resulta fácil, ya
que influyen numerosos factores: balanza de
pagos, inflación, política fiscal, política monetaria,
intervención de los bancos centrales, movimientos
de los precios del petróleo, conflictos bélicos, etc.
Si se observa la evolución, a lo largo de los cinco
últimos años, de las fluctuaciones en el tipo de
cambio de las seis divisas importantes en relación a
la peseta se puede constatar la volatilidad del yen y
el dolar USA, la evolución paralela de los tipos de
cambios del ecu y el marco respecto a la peseta y la
menor apreciación del ecu frente a la pesetas, con
respecto al marco y al yen, figura 7.
El análisis sucinto de las curvas de tipo de interés
refleja también la importante volatilidad de los
tipos del dólar USA y el yen, así como la progresi-
va acomodación de tipos de interés del ecu con
la del marco, figura 8.
Considerando estos factores determinantes, se
puede efectuar el cálculo del coste efectivo que
para un prestatario español supondría obtener
financiación en diferentes divisas y evaluar el
riesgo de acudir a un determinado mercado.
Además de la financiación exterior que es necesaria
para los grandes proyectos, es preciso, por otro lado,
tener en cuenta que parte de los equipos mineros y
algunos servicios van a tener que importarse de
países industrializados (Estados Unidos, Alemania,
Gran Bretaña, etc.) y que los precios de las materias
primas minerales se fijan, normalmente, en bolsas
internacionales con cotización expresadas en la divisa
del país anfitrión.
Todo esto hace que en algunos proyectos inter-
vengan hasta tres divisas diferentes y que sea
necesario contemplar las correspondientes partidas
monetarias.
El régimen fiscal minero constituye otro factor de
riesgo, ya que se utiliza por algunos gobiernos
para incentivar o influir en el comportamiento de
las compañías mineras, por ejemplo, en la investi-
gación de determinadas sustancias o áreas decla-
radas prioritarias, en el aprovechamiento más
racional de los recursos, etc.
 Figura 7.- Variaciones de los tipos de cambio. PTAfdivisas. Medias mensuales desde
Enero de 1984 a Diciembre de 1988.

Figura 8.- Interés del Euromercado a tres meses. Medias mensuales desde Enero de
1984 a Diciembre de 1988.

Las clases de impuestos son muy variadas, tal
como se expone en el Capítulo 11, y su aplica-
ción no siempre está sometida a un esquema
rígido, sobre todo si se tiene en cuenta la posibili-
dad de algún cambio durante los período pro-
ductivos y de actividad económica de las
minas.
La inflación es un fenómeno al que la industria
minera no ha escapado y ue su incorporación al
9
análisis de los proyectos di iculta la realización de
los mismos. Por un lado, los índices de precios de
los componentes principales de los costes difieren
de la evolución seguida por las cotizaciones de las
materias primas y, por otro, si la actividad minera
implica la participación de varios países existen
desequilibrios inflacionistas que aportan una
mayor incertidumbre a las evaluaciones.
Los factores políticos pueden inducir efectos impre-
decibles sobre la industria minera y condicionar, por
tanto, el desarrollo de nuevos proyectos o la marcha
de los ya iniciados, especialmente cuando las invers-
iones se realizan fuera del país de la empresa pro-
motora. Entre las fuentes de incertidumbre política
caben destacar las siguientes:
- La estabilidad o el régimen del partido en el
poder.
- La situación laboral y la política salarial en el
país.
- Las relaciones internacionales con otros países
suministardores de equipos, compradores de
materias primas, etc.
- Las limitaciones de participación de capital
extranjero.
- Las posibles nacionalizaciones en sectores
básicos.
- Los requerimientos para usar productos nacio-
nales o locales.
- La aplicación de medidas ambientales restrictivas.
- Las medidas económicas que afecten a las
paridades de las monedas.
- Las discriminaciones fiscales.
- Las restricciones en la repatriación de capital o
beneficios, etc.
Son varias las técnicas utilizadas para identificar y
ponderar los factores políticos de riesgo dentro de
un país, pero su estudio se escapa del alcance de
esta obra. Una primera aproximación puede
consistir en el empleo de los índices de riesgo
estandarizados que se publican periódicamente
por instituciones o tratadistas para cada país,
según la sustancia explotada y el nivel de produc-
ción global del mismo. En las tablas 1 a 4, puede
verse el nivel de riesgo para el caso del cobre, el
plomo, el cinc y el oro.
Un breve análisis de estas tablas pone de mani-
fiesto que más del 80 por 100 de la bauxita, el
oro, el níquel, la plata y el estaño se producen en
países con un riesgo político entre medio y alto;
y que más del 20 por 100 de la bauxita, el
estaño y el cinc se obtienen de países con un
riesgo político muy alto.

Tabla 1
COBRE: Nivel de producción (miles de toneladas)
Muy Bajo Bajo Medio Alto Producción
(0-1,5) (1,5-32.0) (32,O-185.0) (185,O-1.300,O) (%)

Bajo Alemania Federal Irlanda Finlandia Estados Unidos 21,5

Taiwán Noruega
Italia
Medio Ecuador Malasia México Chile 72,6
Corea del Sur Turquía lndonesia Canadá
Francia India España Zambia
Israel Marruecos Japón Za ire
Portugal Suecia Perú
Filipinas
Australia
Sudáfrica
Alto Argelia Zimbabwe China 5,9
Argentina Bolivia Yugoslavia
Irán Rumanía

Tabla 2
ORO: Nivel de producción (miles de toneladas)

Muy Bajo Bajo Medio Alto Producción

(0-15,O) (15,O-70,O) (70,O-250,O) (250.0-22.000,O) (%)

Bajo Taiwán Finlandia Estados Unidos 3,5

Alemania Federal
Medio Portugal lndonesia México Sudáfrica 87,7
Zambia Francia Perú Canadá
Nueva Zelanda Corea del Sur Chile Filipinas
Malasia Venezuela Japón Australia
Ecuador Costa Rica España Colombia
lndia
Za ire
Suecia
Alto Ar entina Nicaragua China Brasil 83
El talvador Rumanía Yugoslavia Zimbabwe-
Bolivia Rep. Dominicana
 Tabla 3
PLOMO: Nivel de producción (miles de toneladas)

Muy Bajo Bajo Medio Alto Producción

(0-5,O) (5,O-20,O) (20,O-90,O) (90,O-650,O) (%)

Bajo Austraia Italia Irlanda Estados Unidos 27,4

Noruega Alemania Fed.
Gran Bretaña
Finlandia
Medio Filipinas Tailandia España Australia 57,4
Chile Zambia Suecia Canadá
Ecuador Corea del Sur Japón Perú
Colombia India Francia México
Túnez Grecia Marruecos
Turquía Sudáfrica

Alto Argelia Bolivia Rumanía China 15,2

Irán Argentina Yugoslavia
Brasil

Tabla 4
CINC: Nivel de producción (miles de toneladas)

Muy Bajo Bajo Medio Alto Producción

(O-21,O) (21,O-55,O) (55,O-175,O) (175,O-1.200,O) (%)

Bajo Australia Noruega Alemania Fed. Estados Unidos 24,O

Italia Irlanda
Finlandia
Medio Marruecos Francia Za ire Canadá 65,O
Filipinas Turquía Sudáfrica Perú
Túnez Grecia Corea del Sur Australia
Chile India México
Tailandia Zambia Japón
Ecuador España
Colombia Suecia
Alto Argelia Rumanía China 11,0
Argelia Yugoslavia
Irán Brasil
Bolivia
A

Fuentes: FROST & SULLIVAN WORLD POLITICAL RlSK FORECAST, Agosto 1982. ANUARIO ESTADISTICO DEL INSTITUTO
AMERICANO DE METALES, 1980.

3. Análisis de sensibilidad o algunos de los parámetros o variables (inversio-

Los valores de las variables que se utilizan para
llevar a cabo las evaluaciones económicas de los
proyectos pueden presentar desviaciones, con
efectos nefastos en los resultados futuros. Los
análisis de sensibilidad sirven para investigar la
influencia de una variación en el valor de alguno
nes, costes de operación, ingresos, vida, etc.)
sobre los diferentes índices que miden la rentabili-
dad del proyecto (VAN, TRI, etc.).
Estos análisis permiten también identificar aquellas
variables ue tienen un mayor impacto en el
?
resultado, rente a distintos grados de error en su
estimación, ayudando a decidir acerca de la
conveniencia de realizar estudios más profundos
de esas variables críticas, con el objeto de mejorar
las estimaciones, reducir el grado de riesgo por
error, o buscar otra estrategia de actuación.
La repercusión que un error en una variable tiene
sobre el resultado de la evaluación varía, depen-
diendo del momento de la vida del proyecto en
que ese error se cometa. El valor temporal del
dinero explica qué errores de los flujos de caja en
los períodos finales tengan menor influencia que
aquéllos que se producen al comienzo de los
proyectos. Sin embargo, son más frecuentes las
equivocaciones en las estimaciones futuras,por lo
incierta que resulta la previsión de cualquier
variable incontrolable, como, por ejemplo, las
cotizaciones de un determinado metal o producto.
Dependiendo del número de variables que se modifi-
quen simultáneamente, los análisis de sensibilidad se
clasifican en unidimensionales o multidimensionales.
En el análisis unidimensional, que es el que más se
aplica, se modifica una sola variable, manteniendo
las demás constantes; mientras que en el multidi-
mensional se examinan los efectos que sobre un
criterio económico tiene el cambio simultáneo de
dos o más variables significativas.
La forma habitual de llevar a cabo los análisis de
sensibilidad unidimensionales consiste en establecer
unos cambios arbitrarios, por ejemplo del -20 por
100, - 10 por 100, + 10 por 100 y + 20 por 100,
para cada una de las variables que se consideran
importantes en el proyecto y evaluar para cada
hipótesis la variación que sufre el criterio económico
empleado. Generalmente, la magnitud en que se
altera cada variable se suele mantener constante a lo
largo de la vida del proyecto, pero es posible ajustar
los coeficientes de variación a los niveles de confian-
za de las estimaciones, ya que, como se ha indicado,
estos serán mayores en los primeros años de opera-
ción del proyecto y menores en los últimos períodos
de explotación. La relación entre los porcentajes de
cambio del criterio de evaluación y de la variables
investigada medirá la sensibilidad de cada una de
ellas.
Es conveniente representar en un gráfico la
colección completa de los resultados del análisis
de sensibilidad. La figura 9, corresponde a un
proyecto minero en el que las variables estudiadas
son: los ingresos por ventas, los costes de capital,
los costes de operación y las reservas explotables,
suponiendo el ritmo de extracción fijado. El
criterio económico empleado es la TRI, con un
valor de 25.4 para el caso base.
El grado de sensibilidad es directamente propor-
cional a la pendiente de cada recta o segmento,
por lo que la variable que más influye es la de
ingresos, como suele ser frecuente en los proyec-
tos mineros, y que dependerá del volumen de las
ventas y del precio del producto .en el momento
de efectuar éstas. En el análisis de muchos yaci-
mientos se ha demostrado que después de los
ingresos, los costes de operación inciden de
manera muy significativa en la rentabilidad de la
inversión. La tendencia de variación del criterio
económico no tiene por qué ser lineal, y por ello
se aconseja que se estudie más de una hipótesis
de cambio intermedia en cada sentido y para
cada una de las variables.
e-...... :::\
--*-.: CASO BIS L42:.or
2&4 %
"".4c.ty4',z4c,
v.*.-.?.-
./.
'*+
%.%:3?c,A
1 /,
-15
I
-10
I
-5
1
5 10
1 1
15
I
O h DE VARIACION EN LOS PARAME-
TROS DEL PROYECTO
Figura 9.- Gráfico d e análisis de sensibilidad.
Otra aplicación de los análisis de sensibilidad
unidimensionales es la de determinar la magnitud
del cambio que tendría que sufrir una variable
para invertir la decisión del promotor minero o, lo
que puede ser equivalente, para que el proyecto
dejara de ser rentable.
El análisis de sensibilidad multidimensional trata de
investigar como varían los criterios económicos
empleados frente a cambios simultáneos de los
valores de dos o más variables. En la figura 10, se
observa el caso de un proyecto de cobre en el que
se estudia la influencia sobre la TRI de dos variables,
la ley del mineral y la cotización del metal.
Si se consideraran todos los cambios de las principa-
les variables de un proyecto, el número de hipótesis
de cálculo sería muy elevado. Por ejemplo, si se
contemplan 5 variables y cada una de ellas con cinco
valores posibles, el número total de combinaciones
que resultaría de 3.125, lo que implicaría un mayor
tiempo de cálculo y mayor coste del análisis.
Un método de análisis multidimensional, poco
aplicado pero de gran interés técnico, es el
conocido como "método multifactorial ", que
consiste en: una vez efectuado los cálculos de los
criterios económicos para ocho grupos de variacio-
nes -en el caso de tres variables en estudio-,
ajustar una ecuación polinómica mediante una
regresión lineal múltiple.
 Tras efectuar el ajuste de esta ecuación, se pres-
cinde de los términos que estadísticamente no son
significativos. Así, para los valores indicados en la
Tabla 5, que pertenecen al proyecto de una mina
de oro, resultan las siguientes ecuaciones para el
VAN y la TRI:

,,Y, = 0,644 + 2.495 X, - 0,617 X, - 1,231 X3, y

Y,, = 4,379 + 1,562 X, - 0,377 X, - 1,390 X, +

+ 0,001 X, . X, - 0,012 X, . X, + 0,0025 X, . X,

donde ,,Y! y YTRlindican la variación porcentual

de los criterios económicos respectivos.
1 I I L
0,s 0,4 0,5 OP Estos modelos predicen muy bien la respuesta del
LEY DEL MINERAL ('/O)
proyecto frente a un cambio en una sola variable o
un cambio simultáneo de dos o más variables,
Figura 10.- Sensibilidad de la TRI a cambios simultáneos de considerando que entre estas no existe interde-
la ley del mineral y precio del metal vendible. pendencia. Asimismo, permiten identificar aquellas
variables cuya modificación tienen una mayor reper-
cusión económica y clasificarlas según su influencia.
Y=a,+a, .X,+a,.X,+a,.X,+a,,.X, .X,+ En el ejemplo indicado en la Tabla 5, la variable que
tiene un mayor peso es el precio del oro, seguida de
+ a,, . X, . X, + a, . X, . X, + a,, . X, . X, . X, los costes de capital y costes de operación.

Tabla 5
Análisis de sensibilidad de un proyecto por el método multifactorial

Variables VAN TRI (%) Experimental

Caso
No X1 X2 X3 Experimental Estimado Experimental Estimado PR PR

1 - - - 19.867.070 19.888.684 45,lO 45,14 l,88 2,89

2 + - - 42.691.463 42.670.672 75,77 75,75 2,90 2,67
3 - + - 14.382.754 14.360.966 37,46 37,43 1.64 2,94
4 + + - 37.039.683 37.060.145 68.72 68,76 2,65 2,70
5 - - + 8.794.614 8.773.643 24,55 24,52 1,26 3,08
6 + - + 31.451.543 31.472.823 46,84 46,87 1,93 2,86
7 - + + 3.142.834 3.163.116 18,52 18,55 1,09 3,13
8 + + + 25.799.763 25.799.032 41,64 41,62 1,77 2,89

Donde: Variables Cambio negativo Cambio ositivo

(-) <+Y
X1 = Precio del oro -20% +20%
X2 = Costes de operación -20% +20%
X3 = Inversión de capital -20% +20%

( ) +/- % Cambio con respecto a la situación del proyecto base.

PR = Período de Retorno.
PRA = Período de Retorno Actualizado.
 Figura 11.- Análisis de sensibilidad de la TRI con el método multifactorial

Aunque los modelos matemáticos tienen numero-
sas ventajas, las representaciones gráficas pueden
esclarecer muy bien los resultados obtenidos, tal
como se muestra en la figura 1 1.
Otra variante del análisis de sensibilidad es la que
se elabora para un número restringido de escena-
rios o hipótesis excluyentes, la más probable, la
optimista y la pesimista, de estimación de cada
variable. Se obtienen tres niveles para el índice de
rentabilidad utilizado en la evaluación económica;
si los tres son aceptables, aún en el caso pesimis-
ta, la decisión económica es obvia, ocurriendo lo
mismo cuando resulta rechazable en el escenario
optimista.
Ejemplo
En proyecto de de una cantera de
arena silícea se considera que las hipótesis opti-
mista y pesimista corresponden a desviaciones del
20 por 100 en más o menos, según el caso, con
una vida de 10 años y una RMA del 20 por 100.
conveniente disponer de más información acerca
de la probabilidad de ocurrencia de las circunstan-
cias pesimistas.
En resumen, los análisis de sensibilidad propor-
cionan una información útil en los estudios de
evaluación y constituyen un importante puente
entre el análisis convencional en condiciones de
certeza supuesta y el análisis de riesgo.
4. Elementos de análisis de
decisiones
Antes de iniciar el tratamiento cuantitativo de las
situaciones de riesgo, es preciso realizar una
revisión sumaria de algunos conceptos y m&dos
del Análisis de Decisiones, de que se hará uso en
el análisis probabilístico de proyectos.
4.1. Conceptos básicos

Tabla 6 El Análisis de Decisiones proporciona la metodo-

logía sistemática para estructurar un problema,
valorar los cursos de acción alternativos y cuan-
Hipótesis tificar sus resultados según los objetivos, cuando
existe incertidumbre en cuanto a los acon-
Optimista Probable Pesimista tecimientos que puedan afectar a los resultados.
I

Inversión (MPTA) 360 450 540 Opción, o alternativa, es todo curso de acción
F.F. Neto anual (MPTA) 120 1O0 80
Valor residual (MPTA) 108 90 72 potencial para la asignación de recursos en una
Vida (Años) 15 15 15 situacióndada para alcanzar los objetivos desea-
TRI (%) 33.0 21,2 12.6 dos. Cuando una opción está completamente
definida, de modo que pueda llevarse a la prácti-
Los resultados obtenidos indican que el proyecto ca, se denomina estrategia.
es atractivo económicamente en las hipótesis
probable y optimista, pero no en la pesimista. El decisor, o unidad decisora, tiene unas escalas
Para tomar una decisión bien fundada, sería de valores, o criterios, a los que refiere sus
objetivos o fines, expresados cuantitativamente.
Con dichos criterios se valoran los resultados, o
pagos, de las diversas estrategias.
Pueden producirse sucesos futuros,sobre los que
el decisor ejerce un control nulo o pequeño, que
pueden afectar a los resultados que se obtengan
con una misma estrategia. Para realizar el análisis
de decisiones, es preciso estructurar tales sucesos
de modo que sean mutuamente excluyentes y
colectivamente exhaustivos. Estos acontecimientos,
que no dependen de la voluntad del decisor, se
denominan estados de naturaleza.
La situación de decisión se representa matemática-
mente para su análisis por un modelo, que relaciona
los resultados con las estrategias que se adopten y
los estados de naturaleza que se produzcan. Se
puede estructurar en forma de matriz de pagos,
que es una representación tabular de los resultados
de cada estrategia para cada estado de naturaleza.
Cuando pueden tomarse decisiones futuras, según
los estados de naturaleza que se produzcan en su
momento (decisiones secuenciales), se utiliza la
representación en &bol de decisión.
Existe incertidumbre en cuanto a la producción
de los acontecimientos futuros, o estados de
naturaleza. Por tanto existe un riesgo, que es la
probabilidad de que no se alcance un objetivo.
En general, son posibles cuatro tipos de situacio-
nes de toma de decisiones:
- De certeza: A cada estrategia corresponde
sólo un pago sin incertidumbre alguna. Es el
tipo de situaciones que se tratan con métodos
de programación, que no se considerarán en
lo sucesivo.
- De competencia o conflicto: Existe un compe-
tidor que elige en cada caso la estrategia que
más perjudique al decisor, según el estado de
naturaleza que se produzca. Se estudian
mediante la Teoría de Juegos y tampoco
serán objeto de estudio.
- De incertidumbre: (total). A cada estrategia le
pueden corresponder diversos pagos, según el
estado de naturaleza que se produzca, pero
se desconoce completamente la probabilidad
de aparición de cada estado.
- De riesgo: Como en el caso anterior, a cada
estrategia le pueden corresponder diversos pagos,
según el estado de naturaleza que se produzca,
pero ahora se conoce la probabilidad de apari-
ción de cada uno de los posibles estados.
Las situaciones de incertidumbre total son muy
raras en el mundo de la empresa. Generalmente
se dispone de elementos objetivos o subjetivos
para calcular o estimar las probabilidades de los
diversos acontecimientos posibles. Más adelante
se verá la forma de realizar estas determinaciones.
Por ello, en este capítulo sólo se van a considerar
las situaciones de riesgo.
Hay que advertir aquí el doble singificado de la
palabra riesgo. En general, es la probabilidad de
no lograr un objetivo. Aplicado para calificar una
situación de decisión, denota que se conocen las
probabilidades de los diversos acontecimientos
que pueden afectar a los resultados.
4.2. Situaciones de riesgo
Supóngase una situación en la que pueden darse
n estados de naturaleza E,, E, ... E,, ... E,, cuyas
respectivas probabilidades son p,, p,, ... p,, ... p,,
tales que
a consecuencia de la condición de que sean
colectivamente exhaustivas.
Son posibles las estrategias DI, D, ... D,, ... D,
cuyos resultados o pagos dependerán de los
estados de naturaleza que se produzca. Se repre-
sentará genéricamente por R,, el pago de la
estrategia Di con el estado de naturaleza E,. La
matriz [R,] es la matriz de pagos de la situación
considerada.
El valor esperado de los pagos de una estrategia,
o media ponderada por sus respectivas probabili-
dades, se denomina valor esperado de la estra-
tegia en cuestión. De acuerdo con esta definidión,
el valor esperado E(D,) de la estrategia DI será:
,=n
E(D,) = C p, R,.
1=1
Se denomina estrategia bayesiana a la de mayor
valor esperado. Existen decisores, llamados indife-
rentes o neutros ante el riesgo, que siguen este
criterio del valor esperado, o de Bayes, y prefie-
ren, por tanto, la est~tegiade mayor valor espera-
do. Suponiendo sea esa la DI, hay que tener presen-
te que, entre sus n resultados R,, R,, ... R,, ... R,,
posibles, puede haber alguno o algunos desfavora-
bles. Al ele ir la estrategia D,, se afronta el riesgo de
3
que se pro uzca uno de dichos resultados. El decisor
suele experimentar una aversión al riesgo, y esto
puede llevarle a no seguir, en general, el criterio del
valor esperado.
Se ilustrará todo esto con un ejemplo muy simple.
Una empresa se presenta a una subasta para el
suministro de un determinado equipo,a la que se
sabe que concurrirá sólo un competidor. El coste
del equipo es 80 MPTA. Se someten al análisis las
dos estrategias siguientes, que difieren sólo en el
precio cotizado, Tabla 7.
Se estima que existe una probabilidad del 60 por
100 de que el único competidor cotice a más de
100 MPTA v una ~robabilidaddel 40 Dor 100 de
que lo hagá a un 'precio comprendido' entre 9 0 y
100 MPTA.
 Tabla 7
Estrategia Precio ofrecido
A 100 MPTA
B 90 MPTA
En general, para analizar una situación de este
tipo serían necesarios los cuatro modelos matemá-
ticos siguientes:
Tabla 8
Estados de naturaleza
Oferta del
competidor > 100 MPTA
Probabilidad 0,60
Estrategias
A: 100 MPTA R,, = 100 - 80 = 20 MPTA
B: 90 MPTA R,, = 9 0 - 8 0 = IOMPTA
Los valores esperados de las dos estrategias son:
E(A) = 0,6 x 20 + 0,4 x O = 12 MPTA
E(B) = 0,6 x 10 + 0,4 x 10 = 10 MPTA
La estrategia A es la de mayor valor esperado. Si
el decisor es neutro ante el riesgo, será ésa la
preferida. Sin embargo, es también lo más arries-
gada, ya que tiene una probabilidad del 40 por
100 de obtener un pago nulo. La estrategia B, en
cambio, obtiene siempre un pago de 10 MPTA. El
decisor tiene que valorar estos resultados. Puede
juzgar aceptable el mayor riesgo y preferir la
estrategia A. Por lo contrario, puede parecerle
que el mayor valor esperado no justifica aceptar
el riesgo y prefiera la B, que le asegura un pago
cierto, aunque menor. Ahora bien si se adopta la
estrategia B se renuncia al resultado de 20 MPTA
que, con una probabilidad del 60 por 100, podría
haberse obtenido con la estrategia A. Se incurre,
por tanto, en un coste condicional de oportuni-
dad, que es la diferencia entre el pago ob-
tenido con la estrategia adoptada y el que
se habría obtenido si se hubiera elegido la más
adecuada para el estado de naturaleza en cues-
tión.
a) Para obtener el coste.
b) Para estimar las probabilidades de las diversas
ofertas de la competencia.
c) Para calcular los pagos de cada estrategia.
d) Para pronosticar la conducta del cliente.
Los modelos a, b y d son triviales en este caso.
En cuanto al c, se puede resumir en la matriz de
pagos siguiente, Tabla 8:
> 90 MPTA y 100 MPTA
0,40
R,, = O (Gana el competidor)
R,,=90-80= 10MPTA
Las reflexiones anteriores ponen en relieve que la
actitud del decisor entre el riesgo es un elemento
muy importante en el proceso de toma de decisión.
A continuación se va a exponer brevemente un
tratamiento cuantitativo posible de este factor
subjetivo.
4.3. Función de utilidad o preferencia
Es posible cuantificar la satisfacción o utilidad que
proporcionan los ingresos dinerario5 a un decisor.
En principio, pueden aceptarse los dos postulados
siguientes:
a) La satisfacción aumenta con el valor
monetario, esto es la función de utilidad es
monótona creciente, tiene derivada primera
positiva.
b) La satisfacción marginal proporcionada por
una unidad monetaria adicional decrece al
aumentar el importe. La derivada segunda de
la función de utilidad ha de ser, por tanto, nega-
tiva.
En la figura 12 se representa una función de utilidad
típica, que se supondrá corresponde al decisor del
 3 M PTA

Figura 12.- Función de utilidad o preferencia

ejemplo anterior. Sobre el eje de abscisas se Tabla 9

representan los valores monetarios y sobre el de
t
ordenadas los de la utilidad o preferencia, que se
miden con una unidad arbitraria que renresentare- Importe (MPTA) Utilidad (u)
mos por " u " . En este ejemplo se ha asignado una
preferencia de 30 u a 30 MPTA. que es la canti- o 0,o
dad monetaria máxima que va a manejarse. A
consecuencia de las dos propiedades enunciadas, 1O 15,O
la curva vuelve su concavidad hacia el eje de
abscisas. La curva puede extenderse hacia valores 20 23,5
negativos, con pendientes cada vez mayores. En
consecuencia, la utilidad de - 5 MPTA. por
ejemplo, es negativa y tiene un valor absolu-
to sensiblemente superior a la de + 5 MPTA
(- 11,5 u frente a 8,8 u).

Ahora se aplicará esta función de utilidad al Las utilidades esperadas de las estrategias serán:
ejemplo anterior. Sobre la figura 12 se obtienen
los valores de las utilidades correspondientes a los
importes monetarios que interesan, Tabla 9. Con E(U,) = 0,6 x 23,5 + 0,4 x O = 14,1 u
estos valores se puede reproducir la matriz de
pagos, pero con estos expresados por sus utilida-
des, formando la matriz de utilidades, Tabla 10. E(UB)= 0,6 x 15,O + 0,4 x 15,O = 15,O u.
 Tabla 10
Estados de naturaleza
Oferta del
competidor > 100 MPTA
Probabilidad 0,60
Estrategias
A: 100 MPTA U,, = U(20 MPTA) = 23,5 u
B: 90 MPTA U, = U(10 MPTA) = 15,O u
Resulta que la estrategia B es la de mayor utilidad
esperada. Por lo tanto, si el decisor se rige por la
función de utilidad dibujada, aplicará el criterio de
Bayes a las utilidades esperadas en lugar de los
valores monetarios esperados. Esto le llevará a
preferir la estrategia B. Su sentimiento de aver-
sión al riesgo, reflejado por la forma de su
función de utilidad, le hace preferir una estrategia
de menor valor monetario esperado, pero también
de menor riesgo.
Sobre la curva de la figura 12 puede apreciarse
cuantitativamente la aversión al riesgo. A la
utilidad esperada 14,1 u de la estrategia A le
corresponde un valor monetario de 9,2 MPTA,
que es el llamado equivalente cierto de dicha
estrategia. La diferencia entre su valor monetario
esperado y su equivalente cierto (12 - 9,2 = 2,8
MPTA) es la prima de riesgo, o cantidad a que
el decisor está dispuesto a renunciar para no
afrontar el riesgo de no ganar nada (probabilidad
0,4). Como la estrategia B tiene, evidentemente,
un equivalente cierto de 10 MPTA, mayor que el
de A, será B la preferida.
Cuanto mayor sea la aversión del decisor al
riesgo, tanto mayor será la concavidad de su
curva de utilidad. El decisor neutro o indiferente
al riesgo tendrá una función de utilidad lineal
(recta de trazo y punto de la figura 12); este
decisor se regirá por los valores monetarios
esperados. Finalmente, si la curva volviera su
concavidad hacia arriba, denotaría propensión al
riesgo; se da, por ejemplo, en los jugadores, que
están dispuestos a pagar por contraer un riesgo.
Queda ver, por último, cómo puede determinarse la
curva de utilidad o preferencia de un decisor. Usual-
mente se precisa conocer la evolución de la prefe-
rencia en un cierto intervalo de valores monetarios.
Supóngase por ejemplo, que los límites del intervalo
sean O y 30 MPTA (figura 12). La escala de preferen-
cias es arbitraria, así que asignamos O u a O MPTA
y 30 u a 30 MPTA. De este modo quedan determi-
nados dos puntos de la curva:
U(0 MPTA) = O u
U(30 MPTA) = 30 u.
> 90 MPTA y c 100 MPTA
0,40
U,, = U(0 MPTA) = 0,O u
U, = U(10 MPTA) = 15,O u
Para determinar un nuevo punto, se puede plantear
al decisor la siguiente propuesta: Puede elegir entre
percibir una cantidad segura o participar en una
operación que tiene una probabilidad del 50 por 100
de proporcionarle 30 MPTA y del 50 por 100 de
resultar en O MPTA. Se tantean varias cantidades
hasta llegar a un importe cierto que le atraiga lo
mismo que la operación citada. Supóngase que ese
importe es 10 MPTA. Esto significa que, para el
decisor en cuestión, 10 MPTA es el equivalente
cierto de la operación ofrecida. La utilidad o prefe-
rencia de 10 MPTA ha de ser igual a la utilidad
esperada de la operación:
0,s x U(0 MPTA) + 0,5 x U(30 MPTA) =
Por lo tanto:
U(10 MPTA) = 15 u,
tal como se indica en la figura 12, (punto M). La
prima de riesgo es en este caso 15 - 10 = 5
MPTA.
El proceso se puede repetir con operaciones
parecidas hasta obtener un número de puntos
suficientes para trazar a estima, una curva conti-
nua que se ajuste a ellos lo mejor posible. Por
ejemplo, para O y 10 MPTA resulta un equivalente
cierto de 4,25 MPTA, luego:
U(4,25 MPTA) = 0,5 x U(0 MPTA) + 0,5 x
x U(10 MPTA) = ... = 0,5 x O + 0,5 x 15 = 7,5 U,
con lo que se determina el punto N.
Análogamente para 10 y 30 MPTA el equivalente
cierto es 18,50 MPTA, luego:
U(18,5 MPTA) = 0,5 x U(10 MPTA) +
que determina el punto P.
Una vez trazada la curva, conviene plantear
cuestiones de comprobación y retocarla, si fuera
preciso, hasta lograr que represente razonable-
mente la actitud del decisor ante el riego.
4.4. Estimación de probabilidades
En el análisis de valor esperado y, en general, en
el estudio de situaciones de riesgo, es necesario
conocer las probabilidades de los acontecimientos
que puedan producirse y afecten a los resultados
de las decisiones. Se plantea, en consecuencia, el
problema de su estimación o determinación.
Se recuerdan en primer lugar, las tres interpreta-
ciones posibles de la probabilidad:
A.- Clásica (a priori o deductiva): Si un
fenómeno puede ocurrir de N formas y N,
de ellas poseen un atributo A, la probabili-
dad P(A) se define como N,/N. Esta interpreta-
ción es la adecuada cuando es posible predecir
P(A) matemáticamente con los métodos del
Cálculo de Probabilidades.
B.- Empírica (inductiva o de frecuencia): Si
un experimento se realiza N veces y conduce
N, veces a un tipo de resultado A, se define:
P(A) = lim (NdN).
N 4 m
Se utiliza cuando existe información experimental
suficiente, con la ayuda de la Estadística.
C.- Subjetiva (o proyectiva): Existen situacio-
nes en que no puede aplicarse ninguna de las dos
interpretaciones anteriores, generalmente por falta
de información suficiente, o de los elementos
necesarios para establecer un modelo matemático
idóneo. En tales casos P(A) es una medida del
"grado de creencia" en una cierta proposi-
ción A. Esta es la probabilidad que, como se verá
hay que manejar corrientemente en análisis de
decisiones.
Toda persona suele tener una idea bastante clara
del significado que atribuye a "seguro", "casi
seguro", "muy probable", "probable", etc ..., aun-
que le resulte sumamente difícil transmitirla con rigor
y precisión a los demás. En el mundo de la empresa,
es indispensable la transmisión y comprensión de las
ideas acerca de la probabilidad estimada de aconte-
cimientos futuros, ya que el manejo racional y
coherente de estas apreciaciones es necesario en
todo proceso de toma de decisiones.
Es posible convertir las impresiones personales,
basadas en la formación y la experiencia, en
probabilidades subjetivas, no deducible5 matemáti-
camente. Es más, ante una misma situación
de riesgo, las personas con formación, experien-
cia y madurez similares suelen asignar proba-
bilidades subjetivas muy parecidas. Por otra
parte, la capacidad individual de asignación de
probabilidades se perfecciona y gana coherencia
al ejercitarse sistemáticamente en su utilización.
Resulta muy alentador que, enlos casos susceptibles
de un análisis matemático o estadístico, suele ser
notable la concordancia entre los resultados de tales
análisis y los de la asignación de probabilidades
subjetivas.
En la práctica, mediante el empleo combinado de la
Estadística, el Cálculo de Probabilidades y las proba-
bilidades subjetivas, se logra una determinación
satisfactoria para el Análisis de Decisiones. A lo largo
de este capítulo se irá ilustrando como se procede
en la evaluación de proyectos en stiuaciones de
riesgo.
5. Análisis de valor esperado
Una vez que se han desarrollado sus elementos
fundamentales, pueden verse como se aplica el
Análisis de Valor Esperado a la evaluación de proyec-
tos.
5.1. Proceso de cálculo
Los flujos de fondos anuales originados por un
proyecto de inversión dependerán, en general, de
los estados de naturaleza que se produzcan. Si se
estructuran adecuadamente los estados de natura-
leza posibles y se les asignan probabilidades,
pueden determinarse los flujos de fondos
esperados, que se toman como base para el
análisis económico, aplicando el criterio o criterios
que se deseen. El criterio más utilizado suele ser
el VAN, que en este caso se denomina VAN
esperado, que se puede interpretar como el valor
medio del VAN que resultaría si se realizasen
muchos proyectos idénticos. Es evidente que, si se
seleccionan sistemáticamente proyectos con VAN
esperado positivo y se dispone de capital
suficiente, se producirá un enriquecimiento
progresivo de la empresa a largo plazo.
A pesar de que un proyecto tenga un VAN
esperado fuertemente positivo, puede que sea
arriesgado, esto es que exista una probabilidad
apreciable de que resulte en un quebranto impor-
tante. La repetición de tales fallos podría ser fatal
para la empresa. Por ello, además del valor
esperado, hay que apreciar siempre el riesgo. La
condición de VAN esperado positivo es
necesaria, pero no suficiente para que un
proyecto sea satisfactorio. Esto no menoscaba
en absoluto este criterio, que es uno de los más
útiles de la evaluación de proyectos.
Para poner de manifiesto los rasgos esenciales del
análisis, se va a estudiar un primer ejemplo
sumamente simplificado, en el que no se realiza
actualización. Se considera la inversión de 500
MPTA en un proyecto de exploración petrolera
que se estima tiene una probabilidad 0,6 de ser
improductivo, una probabilidad 0,3 de descubrir
unas reservas tales que podrían venderse inmedia-
tamente en 2.000 MPTA y una probabilidad 0,1
de un descubrimiento menor, que podría venderse
en 1.O00 MPTA. Como elemento para la decisión,
se desea conocer el valor esperado (simple, sin
actualizar) de este proyecto.
El cálculo es inmediato:
+ 0,1 x (1.O00 - 500) = 200 MPTA.
Resulta un valor positivo, luego el proyecto puede
ser interesante. A la larga, la e'eci~ciónrepetida
1
de proyectos como éste será avorable para la
empresa. Hay que notar que la probabilidad de
fracaso es bastante elevada y la empresa debe
juzgar si puede permitirse un riesgo del 60 por
100 de perder 500 MPTA.
Se plantea finalmente otro ejemplo, también muy
simple, que requiere el empleo de actualización. El
desarrollo de un nuevo proceso de concentración de
menas requiere una inversión de 360 MPTA y tiene
una probabilidad 0,4 de producir un flujo de fondos
neto anual de 200 MPTA por cesión de tecnología
durante cinco años. Su valor residual es nulo y la
RMA de la empresa el 10 por 100. ¿Es aceptable
económicamente el proyecto?.
En la fi ura 13-a se dibuja el diagrama de flujos
de fonc?os de este proyecto. El VAN esperado se
calcula muy fácilmente:
E(VAN)= 0.4 x 200 x PIA,,, - 360 = - 56,72 MPTA
Como se llega a un VAN esperado negativo, el
proyecto no es aceptable. '
A partir de los valores esperados de inversión
(360 MPTA) y de flujos de fondos anual (0,4 x
200 = 80 MPTA) puede calcularse la TRI corresp-
ondiente al diagrama de flujos de fondos espera-
dos de la figura 13-b. Se obtiene una TRI de 3,61
por 100, menor que la RMA, resultado que
confirma que el proyecto no es aceptable.
+ZW M PTA +24) M PTA
Figura 13.- Flujos de fondos esperados.
5.2. Arboles de decisión
Muchas situaciones plantean un problema de
decisiones secuenciales o decisiones condicio-
nales, que vendrán determinadas por la aparición
de estados de naturaleza en el futuro. Tales
situaciones no se prestan a una visualización clara
medi~ntematrices de pagos. Afortunadamente, su
representación y análisis se pueden realizar cómo-
damente con la ayuda de los árboles de decisión.
El árbol de decisión está constituido por una suce-
sión progresiva de ramificaciones. Cada una de éstas
puede deberse a una de las siguientes causas:
- Elección de estrategia entre varias opcio-
nes. Se distingue mediante un cuadrado y se
denomina punto de decisión.
- Aparición de un estado de naturaleza
entre varios posibles. Se representa median-
te un círculo y recibe el nombre de punto de
riesgo.
En el análisis de decisiones de inversión en condi-
ciones de riesgo, el árbol de decisión es una
herramienta siempre útil, pero singularmente
adecuada cuando se hayan de tomar decisiones
escalonadas en el tiempo, conforme se produzcan
unos u otros acontecimientos. con su ayuda se
consigue representar gráficamente:
- La estructura global del problema.
- La sucesión de decisiones necesarias.
- Las situaciones de riesgo que con éstas se en-
cuentran.
Esta representación gráfica constituye, además, un
excelente medio de comunicación entre los diver-
sos implicados en el proceso de la toma de
decisión, al facilitar la percepción y comprensión
de la estructura lógica del problema y el consenso
sobre su alcance y significado.
Como elemento cuantitativo de análisis, con este
modelo se pueden emplear indistintamente valores
monetarios actualizados o sin actualizar, así como
utilidades o preferencias, según se considere conve-
niente en cada circunstancia. Por otra parte, gracias
a un sencillo algoritmo de cálculo de valores espera-
dos, permite identificar la estrategia óptima.
Para facilitar la comprensión de este método de
análisis, se desarrollará sobre dos ejemplos. En
primer lugar se va a estudiar un problema de
decisión de un fabricante que suministra bajo
contrato un componente especial a un constructor
de bienes de equipo. Tiene que decidir si lanza
un proyecto de reducción de costes de dicho
componente. Su fabricación se realiza para aten-
der un contrato de ventas de 3 años, al que le
queda un año para expirar. El proyecto requeriría
un desembolso de 100 MPTA y se estima que
existe una probabilidad del 60 por 100 de que el
contrato se renueve por 3 años más, sin posibili-
dad de ulterior renovación,debido a la evolución
tecnológica del equipo a que está destinado el
componente en cuestión. La producción contrata-
da es de 5.000 unidadeslaño, a un precio unitario
de 100.000 PTA. El coste unitario actual es
80.000 PTA y el proyecto considerado ocasionaría
una reducción de 15.000 PTA.
El proceso de análisis consta, en general, de las
siguientes etapas:
1) ldentificar los puntos de decisión y las opciones
disponibles en cada uno de ellos.
2) ldentificar los puntos de riesgo y los estados de
naturaleza que pueden darse en cada uno de
ellos.
3) Estimar los datos necesarios, especialmente las
probabilidades de los diversos estados de naturale-
za y los flujos de fondos motivados por las deci-
siones y estados de naturaleza.
4) Valorar los cursos de acción posibles y seleccio-
nar el óptimo.
En la figura 14 se desarrolla el árbol de decisión
representativo de la situación planteada. En el
punto 1 hay que decidir entre dos estrategias:
A) Reducir costes.
B) No reducir costes.
A esto se reduce la situación de decisión inicial.
Ahora bien, si se decide no reducir costes y al
cabo de un año se renueva el contrato, nos
encontaríamos en el punto 2, en el que de nuevo
se podría decidir si reducen o no los costes. Si se
Nuevo contrato ( P=O,
No más ventas (P=0,40)
Figura 14.-
adopta la estrategia "reducir costes", se llega al
punto de riesgo A, en el que puede producirse o
no la renovación del contrato. Si se adoptó la
estrategia B y no se renueva el contrato, se llega
al punto 3, en el que se obvio que se descarta el
proyecto de reducción de costes.
Una vez completado el árbol de decisión, se.
dispone de la estructura de decisiones y aconteci-
mientos del problema. El paso siguiente consiste
en complementarla con los datos cuantitativos, de
carácter económico y probabilístico, necesarios
para el análisis. En la tabla 11 se resumen los
cálculos de flujos de fondos incrementales anuales
esperados.
A continuación hay que calcular los flujos de
fondos acumulados. Aunque, en general, este
cálculo se hace con actualización, se realizará una
primera determinación sin ella, para simplificar al
máximo las operaciones. De esta manera, median-
te simples sumas algebraicas sobre cada rama del
árbol de decisión, se llega a los flujos de fondos
acumulados que se indican en los recuadros de la
derecha de la figura 14 en los seis terminales
del árbol. El valor esperado de la estrategia A se
determina inmediatamente y resulta ser E,(A) =
110 MPTA, que se anota en un óvalo sobre el
punto A.
El cálculo del valor esperado de la estrategia B no
es tan simple, ya que dicho valor dependerá de
las decisiones futuras que se tomen en los puntos
2 y 3. Para realizar el cálculo, se procede de
derecha a izquierda, a partir de los terminales a
que pueda conducir cada decisión, mediante el
algoritmo que se llama "de marcha atrás" o "roll-
back". En el punto de decisión 2, la estrategia
preferible es la de reducir costes, ya que su flujo
de fondos acumulado es mayor (125 MPTA) que el
Arbol de decisión
 Tabla 11

Años
o 1 2 3 4

Estrategia A: Reducir costes

Contrato renovado (P = 60%)
Unidades vendidas - 5.000 5.000 5.000 5.000
Red. coste unit., KPTA - 15 15 15 15
Desembolso, KPTA 100.000 - - - -
F.F. neto, KPTA (1) - 100.000 + 75.000 + 75.000 + 75.000 + 75.000
Contrato no renovado (P = 40%)
Unidades vendidas - 5.000 O O O
Red. coste unit., KPTA - 15 - -
Desembolso, KPTA 100.000 - - - -
F.F. neto, KPTA (2) -100.000 + 75.000 O O O

F.F. neto esperado, KPTA (3)

(3) = 0,6 x (1) + 0,4 x (2) - 100.000 + 75.000 + 45.000 + 45.000 + 45.000
Estrategia B: No reducir costes
Contrato renovado (P = 60%)
Unidades vendidas - 5.000 5.000 5.000 5.000
Red. coste unit., KPTA - O 15 15 15
Desembolso, KPTA O 100.000 - - -
F.F. neto,KPTA (1) O - 100.000 + 75.000 + 75.000 + 75.000
Contrato no renovado (P = 40%)
Unidades vendidas - 5.000 O O o
Red. coste unit., KPTA - O - - -
Desembolso, KPTA O O - - -
F.F. neto, KPTA (2) O O O O O

F.F. neto esperado, KPTA (3)

(3) = 0,6 x (1) + 0,4 x (2) O - 60.000 + 45.000 + 45.000 + 45.000

de la de no reducirlos (O MPTA). Entonces se Hay que destacar que, en el momento de tomar

descarta esta última opción y se traslada a un
óvalo sobre el punto 2 el valor de la estrategia
óptima, cuya rama se regruesa para identificarla
sobre el árbol. Como se ha advertido anterior-
mente, en el punto 3 es evidente que se adopta-
ría la decisión de no reducir costes, con un valor
de O MPTA, que se recoge en el óvalo correspon-
diente. Ahora se puede calcular, sin más, el valor
esperado de la estrategia B, que es Ec(B) = 75
MPTA. Como E,(A) > Ec(B), la estrategia preferible
es la de reducir costes. Conviene observar que,
sin embargo, si no se renovase el contrato, la
estrategia A daría un flujo de fondos acumulado
de -25 MPTA, mientras que el de la B habría sido
O MPTA. En cambio, si se renovase, la A produci-
ría 200 MPTA la B 125 MPTA. Una vez más, se
y
pone de mani iesto la necesidad de ponderar el
riesgo, además del valor esperado.
la decisión 1, no hay que comprometer ni prejuz-
gar la 2. En rigor, ni tan siquiera se sabe si se
presentará la ocasión de planteársela. Ahora bien,
si llegáramos a encontrarnos en el punto 2, con
los mismos datos de ahora, se elegiría la
estrategia de reducir costes, que sería la óptima
a la vista de la información existente en este
momento. Por lo tanto, el algoritmo utilizado
señala la sucesión de estrategias óptimas desde
cualquier punto de decisión hasta el fin.
Todo el análisis realizado hasta el momento se ha
hecho sin actu~lizarlos flujos de fondos anuales.
El proceso de actualización no es difícil, ya
que basta con aplicar los correspondientes
coeficientes (1 + i y a los flujos de fondos
anuales esperados, antes obtenidos. Los resul-
tados se representan gráficamente en la figura
15. En ella se observa que, mientras la RMA sea
inferior al 35 por 100, la estrategia A es la
preferible. La situación es del mismo tipo que la
representada en la figura 10 del capítulo 8, por lo
que le son aplicables las consideraciones que se
hicieron a su respecto en dicho capítulo. La
estrategia A es más sensible que la B a la tasa de
actualización, de modo que, si la RMA excediese
el 35 por 100, se invertiría la decisión.
Figura 15.- Curvas de VAN en función de la t a s a de
actualización.
uede realizarse análisis de TRI sin
También cf
mayores ificultades, basándose en los mismos
flujos de fondos anuales esperados. Como se trata
de opciones mutuamente excluyentes, hay que
realizar análisis incremental. La estrategia que
requiere menor inversión es la B. cuya TRI es el
54,7 por 100. Si se sigue suponiendo que, como
es normal, la RMA es menor que el 35 por 100,
esta estrategia es aceptable. Ahora hay que
investigar si merece la pena pasar al nivel de
inversión superior, requerido por la estrategia A.
Para ello es preciso hallar la TRI del proyecto
ficticio A-B, cuyos flujos de fondos esperados se
determinan a continuación, Tabla 12.
Tabla 12
Años
Proyecto
o 1 2 3 4 puntos de riesgo M o N, en los que pueden darse
A - 100.000 75.000 45.000 45.000 45.000
B O - 60.000 45.000 45.000 45.000
A-B - 100.000 +135.000 O O
La TRI de A-B resulta ser el 35 por 100, como era
de esperar, ya que ha de corresponder a la
intersección de las curvas de VAN de los proyec-
tos A y B. Dado que la TRI incremental es mayor
que la RMA, se confirma que la estrategia A es la
mejor.
Con estas últimas consideraciones queda de
manifiesto que las determinaciones de VAN y TRI
sobre árboles de decisión no presentan ninguna
dificultad singular. Por este motivo, en el segundo
ejemplo que se va a exponer no se hará uso de
la actualización, para concentrar la atención
exclusivamente en la estructura del árbol de
decisión y el proceso de cálculo de los valores
esperados.
Una empresa de exploración petrolera está consi-
derando la conveniencia de realizar un sondeo
sobre una estructura favorable, de la que se
dispone de buena información geológica.
Son posibles las tres decisiones siguientes:
A) Ejecutar el sondeo inmediatamente, con la
información geológica disponible.
13) Realizar una prospección sísmica antes de
tomar la decisión de perforar.
C) Abandonar el proyecto.
Los flujos de fondos previstos son los siguientes:
Coste del sondeo 500 MPTA
Coste de la prospección sísmica 13 MPTA
Ingresos en caso de éxito 2.200 MPTA
Gracias a la información geológica disponible, se
estima que la probabilidad de éxito es el 50 por
100. Si la prospección sísmica confirmase el
tamaño de la estructura estimado por el estudio
geológico, la probabilidad de éxito se elevaría
hasta un 85 por 100. Por el contrario, si la
sísmica delimitase una estructura menor, dicha
probabilidad descendería hasta un 10 por 100. La
experiencia previa existente en la zona indica que
la sísmica ha confirmado las predicciones geológi-
cas en un 60 por 100 de los casos.
En la figura 16 se ha dibujado el árbol de decisión
correspondiente a este caso. La estrategia A puede
tener dos resultados igualmente probables, según
que el sondeo tenga o no éxito, reflejados en los
dos primeros terminales. La estrategia B también
puede tener dos resultados, en correspondencia con
el tamaño de estructura indicado por la prospección
sísmica. Cualquiera que sea éste, se plantea la
decisión de perforar o abandonar (puntos de deci-
sión 2 y 3). Si se decide perforar, se llega a los
dos estados de naturaleza (sondeo seco o producti-
vo) con probabilidades conocidas. Se determinan
mu fácilmente los flujos de fondos acumulados de
¿'
ca a terminal.
O El valor esperado de la estrategia A es, evidente-
mente, 0,5 x (-500) + 0,s x 1.700 = 600 MPTA.
A continuación se determinan los valores espera-
dos de la estrategia "perforar", que lleva de los
puntos de decisión 2 y 3 a los de riesgo M y N.
El valor esperado en M es 0,15 x (- 630) + 0,85
x 1.S70 = 1.240 MPTA.
 Seco ( P=0,50)
Exito ( P=0,50)
Figura 16.-
Análogamente se obtiene el valor - 410 MPTA.
De las dos estrategias posibles en el punto de
decisión 2, la de perforar es la de mayor valor
esperado. En el 3, en cambio, lo es la de abando-
nar. Se trasladan, por tanto, los valores esperados
de M a 2 y de N a 3, con lo que se dispone de
los datos necesarios para calcular el valor espera-
do de la estrategia B, que resulta ser 692 MPTA.
Con estos resultados a la vista, si se aplica el
criterio del valor esperado, la estrategia óptima es
la B, consistente en realizar una prospección
sísmica antes de tomar la decisión de perforar.
5.3. Crítica del análisis de valor espe-
rado
Los métodos de análisis de valor esperado consti-
tuyen un elemento valiosísimo de ayuda a la toma
de decisiones en situaciones de riesgo. Se ha visto
que los problemas pueden representarse en forma
de matriz de pagos o de árbol de decisión.
Conviene reparar en que, si se desea, toda matriz
de pagos se puede sustituir por un árbol de
decisión equivalente, con sólo un punto de
decisión y tantos de riesgo como estrategias
posibles, tal como se indica en la figura 17.
Se pueden destacar las siguientes cualidades:
- 5 0 0 MPTA
t 1700 M PTA
2 2 0 0 MPTA
Arbol de decisión.
- El hecho de construir la matriz de pagos o el
árbol decisión obliga a realizar un análisis
profundo y cuidadoso del problema.
- En situaciones de decisiones secuenciales, el
árbol de decisión se establece antes de tomar la
decisión inicial. Si posteriormente cambian las cir-
cunstancias, puede ponerse al día y revisar las
decisiones ulteriores.
- Pueden realizarse cómodamente análisis de
sensibilidad para apreciar el efecto de los
cambios, tanto de factores económicos como
probabilísticos.
También existen limitaciones o inconvenientes:
- Los resultados se expresan en forma de valores
esperados, sin resaltar suficientemente los diver-
sos resultados posibles y sus probabilidades
respectivas. Por tanto, puede preferirse una
estrategia de riesgo elevado y alto valor esperado,
frente a otra menos arriesgada y de menor valor
esperado.
- Los cálculos pueden complicarse mucho al
aumentar el número de puntos de decisión y de
riesgo, ya que el número total de terminales se
eleva extraordinariamente. Esto puede invitar a
reducir el número de ramas originadas en los
puntos de riesgo, lo que resultaría en una repre-
sentación deficiente del problema.
 b) ARBOL DE DEClSlON

a) MATRIZ DE PAGOS

Estados de naturaleza
2 3
v> A Rii
.-
O
CT
a8
t
8 R2i R23 R24
O
L
C

m C
u R33 R3,

Figura 17.- Matriz de pagos y árbol de decisión equivalente

6. Análisis de supervivencia coste unitario medio de 60 MPTA y con una

Como ya se ha advertido, el valor esperado
positivo es una condición necesaria, pero no
suficiente, para que una inversión sea satis-
factoria. Hay que tener presente que muchas
veces es posible una pérdida, con una probabili-
dad más o menos pequeña, pero apreciable. Si la
cuantía de la pérdida posible fuera suficiente para
ocasionar la insolvencia de la empresa, podría ser
una temeridad afrontar ese riesgo. Es preciso, por
tanto, investigar dicho riesgo para determinar la
probabilidad de supervivencia. Se trata de un
problema típico en la exploración minera o petro-
lera, o en I+D, cuando se dispone de un capital
limitado para invertir, como es lo usual.
Puede enunciarse la siguiente definición: Probabi-
lidad de,supervivencia es la probabilidad de
no perder el capital total invertido en un
conjunto de proyectos con probabilidades de
éxito conocidas.
Antes de abordar un desarrollo más general, se
aplicarán estas ideas a un caso muy simple. El
director técnico de una empresa minera tiene que
decidir acerca de la conveniencia de invertir 300
MPTA en 5 proyectos de exploración minera, a un
probabilidad del 20 por 100 de lograr un cash-
flow total de 1.500 MPTA en cada uno de ellos.
Si no se tuviera éxito por lo menos en un proyec-
to, podría provocarse la suspensión de pagos de
la empresa. Se pretende investigar la probabilidad
de que tal situación no se produzca.
Para cada proyecto se verifica
E(V) = 0,2 x 1.500 - 0,8 x 60 = + 252 MPTA.
El valor esperado es positivo y se satisface, por
tanto, la condición necesaria de aceptabilidad.
Queda por investigar cuál es la probabilidad de
tener por lo menos un éxito entre los 5 proyec-
tos. Es evidente que
P(> éxito) = 1 - P(0 éxitos).
Como es razonable suponer que el éxito o fracaso
de un proyecto es independiente de lo que ocurra
con los demás, la probabilidad de fracaso total es
igual al producto de las probabilidades de fracaso
de los diversos proyectos:
P(0 éxitos) = 0,85 = 0,33
y la probabilidad de supervivencia es 1 - 0,33 =
0,67, o sea el 67 por 100.
Este ejemplo constituye un caso particular del tipo
de situaciones que pueden analizarse de un modo hecho del que se hizo uso en el ejemplo anterior.
más completo con el modelo binomial. En la
teoría de probabilidades se investigan, entre otras, Con la ayuda del modelo binomial es posible
aquellas situaciones en que se repite n veces una controlar el riesgo en aquellas situaciones en que
operación, o intento, con las siguientes caracte- sea aplicable el mismo. Supóngase que se desea
rísticas: que la probabilidad P, de no obtener ningún
éxito no exceda de un cierto valor.,,P, Entonces
a) Cada intento puede tener sólo dos resultados, se cumplirá.
que suelen denominarse éxito o fracaso.
b) La probabilidad de éxito es la misma para cada
intento.
c) Los intentos son estadísticamente independien- de la cual se deduce que
tes.
Se trata de obtener la probabilidad P,, de obtener
x éxitos en n intentos, sabiendo que la probabili-
dad de éxito en cada intento es p y la de fraca-
so, por tanto, es q = 1-p. La teoría conduce al
siguiente resultado:
expresión que determina el número mínimo n de
intentos de probabilidad individual de éxito p que
n! han de realizarse para que la probabilidad P,, de
p"1 - p)n-x, fracaso total no supere. , ,P A continuación se
x! (n-x)! resumen los resultados para valores de p com-
prendidos entre el 1 por 100 y el 50 por 100 y
que se denomina ley o distribución binominal. P,, igual al 10 por 100, 5 por 100 y 1 por 100,
En el ejemplo anterior se investigaba precisamente (Tabla 13).
la probabilidad de O éxitos en 5 intentos, o sea n
= 5 y x = O. En la tabla que sigue se consideran
ahora todos los casos posibles. Tabla 13

Modelo binomial para n = 5 y p = 0,2

5.4.3.
3 P, = - .(0,2)3.(0,8)2= Se puede aplicar esta tabla al ejemplo estudiado,
3.2 que corresponde a p = 20°h, para investigar la
forma de elevar la probabilidad de supervivencia al
5.4.3.2. 90 por 100. En ella se observa que, para P,, 5 1O%,
4 P,, = -.(0,2)4.(0,8)1= 0,640
4.3.2. ha de ser n > 11. Por lo tanto, para lograr el 90 por
100 sería preciso disponer de capital suficiente para
financiar 11 proyectos en lugar de 5.
En este hecho tiene uno de sus fundamentos el
Total: 100,000 atractivo de las actuaciones conjuntas en
proyectos de exploración minera o petrolera, o de
Se comprueba que la suma de las probabilidades es desarrollo y aplicación de nuevas tecnologías. Así
el 100 por 100, ya que hay certeza de que, en 5 se dispone de más capital y se puede abordar un
intentos, se producirán 0, 1, 2, 3, 4 ó 5 éxitos. En número suficiente de proyectos para lograr una
consecuencia. probabilidad de supervivencia mayor que la que
podría asegurarse por separado cada una de las
empresas intervinientes. En el ejemplo anterior, si
se dispusiera de 600 MPTA y existieran 10 proyec-
tos análogos, la probabilidad de supervivencia se ya que existe la certeza de que X tomará alguno
elevaría a 1 - 0,81° = 0,89. Con 900 MPTA se de los valores posibles. También se la puede
llegaría a 0,96. Las actuaciones conjuntas pueden caracterizar por su función de distribución Fx
llevar la probabilidad de supervivencia a niveles (x), que se define como la probabilidad de que
aceptables cuando existe un número de proyectos tome un valor menor o igual que x:
suficiente con información geológica y geofísica
previa bastante como para permitir una
estimación fiable de sus probabilidades de
éxito. Fx C px (x,)
(x) = P(X5 x) =VXISX

La función de probabilidad se representa gráfica-

mente mediante un histograma (figura 18-a). La
7. Análisis de riesgo función de distribución toma la forma de una
línea escalonada, tal como se aprecia en la figura
Es un hecho sabido que muchos de los datos que 18-b, que arranca de la ordenada p=O y termina
se manejan en la evaluación de proyectos -sin- en la ordenada p = 1, sin tramo decreciente
gularmente los mineros- son estimaciones o predic- alguno.
ciones afectadas de incertidumbre, en mayor o
menor grado. El Análisis de Riesgo toma en conside-
ración este hecho con el mayor rigor cuantitativo
posible, mediante las distribuciones de probabilidad
estimadas para los datos, para obtener las distribu-
ciones de probabilidad de los indicadores económi-
cos y financieros utilizados en la evaluación.
El Análisis de Riesgo se basa en el empleo del
método de Montecarlo, que es una técnica de
simulación conceptualmente muy simple y fácil de
comprender y aplicar. Requiere, como se verá un
número elevado de cálculos repetitivos, que se
realizan cómodamente mediante ordenador.
Antes de entrar propiamente en el tema, se van
a recordar brevemente algunos conceptos esta-
dísticos indispensables para el planteamiento y
formulación del Análisis de Riesgo.

7.1. Variables aleatorias

En el análisis económico de proyprtos aparecen b) FUNCION DE DlSTRlBUClON
con frecuencia cantidades que pueden tomar
diversos valores, sin que sea posible precisar con Figura 18.- Variable aleatoria discreta.
certeza cuáles de ellos tomarán, sino sólo las
respectivas probabilidades de ocurrencia. Así
ocurre, por ejemplo, con las reservas de un Una variable aleatoria continua se determina
yacimiento, el importe de una inversión, los costes mediante su función de densidad de probabili-
de explotación, el número de máquinas en servi- dad fx (x), tal que fx (x)dx expresa la probabilidad
cio, etc ... Una magnitud de este tipo puede de que X tome un valor del intervalo (x, x + dx],
medirse mediante una variable aleatoria X, que o sea x < X ( x+dx. Por lo tanto, se verifica para
representa un conjunto de valores posibles, con un intervalo (a, b] cualquiera.
las respectivas probabilidades.
Una variable aleatoria puede ser discreta o
continua, según que sus valores posibles formen
un conjunto numerable o puedan tomar cualquier y también, análogamente a (l),
valor real en un cierto intervalo. Toda variable
aleatoria discreta se puede describir mediante su
función de probabilidad p,(x,), que asigna una
probabilidad px (x,) a cada valor x, posible. Se ha
de verificar, evidentemente.
que obliga a que el área subtendida por f,(x) sea
igual a la unidad. La función de distribución de
una variable aleatoria continua se determina
inmediatamente si se hace uso de (2) y (3):
En la figura 19, se dibujan las funciones de
densidad de probabilidad y de distribución de una
variable aleatoria continua típica. La función de
distribución es continua y monótona creciente. A
consecuencia de (5),
Este resultado tiene, entre otras, la consecuencia
de que la función de distribución presente un
punto de inflexión para aquellos valores de X que
hagan máxima o mínima la densidad de probabili-
dad.
Figura 19.- Variable aleatoria continua
Toda variable aleatoria queda completamente
determinada por su función de probabilidad, o de
densidad de probabilidad, o por su función de
distribución. Cuando dichas funciones son expre-
sables analíticamente, la variable aleatoria puede
definirse mediante los parámetros de sus corres-
pondientes expresiones matemáticas. Cuando no
existe expresión analítica, hay que recurrir a
representaciones tabulares o gráficas, sin la
posibilidad de determinar la variable mediante
unos pocos parámetros. A partir de dichas repre-
sentaciones se pueden calcular ciertos valores
característicos, o descriptores, que no determi-
nan completamente la variable aleatoria, pero
proporcionan información muy valiosa sobre sus
rasgos fundamentales. De entre los muchos
posibles, se van a considerar sólo los más impor-
tantes, que se manejarán con frecuencia en lo
sucesivo. Son éstos la media, o valor esperado,
la varianza, la moda y la mediana.
El valor esperado de una variable aleatoria es la
media ponderada de sus valores posibles. Repre-
senta la tendencia central de la variable. En el
caso de una variable aleatoria discreta, su expre-
sión es inmediata:
Para una variable aleatoria continua, la expresión
precedente se sustituye por
E(X) = j.1 xf, (x)dx
El valor esperado E(X) se suele representar tam-
bién por p,.
Se puede extender el concepto de valor espera-
do a una función cualquiera g(X) de una variable
aleatoria X. Las fórmulas (7) y (8) precedentes
quedan entonces sustituidas por otras más gene-
rales:
El resultado E[g(X)] obtenido se denomina valor
esperado o esperanza matemática de g(X).
Para complementar la información que aporta el
valor esperado, interesa disponer de una medida
de la dispersión de la variable aleatoria respecto
de su tendencia central. Esto se logra con la
varianza, que se define como el valor esperado
de los cuadrados de las desviaciones respecto de
la media:
Se puede operar sobre esta expresión como sigue,
teniendo en cuenta (9) y (10):

que suele ser muy útil para el cálculo de la
varianza.
La raiz cuadrada de la varianza es también una
buena medida de la dispersión, más conveniente
desde el punto de vista dimensional. Se denomina
desviación típica o, y verifica, por definición:
b) Triangular. En la figura 21 se dibuja la función
de densidad de probabilidad correspondiente, que
sigue un perfil triangular en el intervalo (a,b) con el
vértice sobre la abscisa "x,". La función es nula
fuera del intervalo citado. La función de densidad
queda completamente determinada por los tres
valores "a", " b " y "x," . A consecuencia de (4), la
f(x,) = h ha de ser igual 2/(b-a). La función de
distribución está compuesta por dos arcos de pará-
bola de eje vertical, tangentes en el punto de abscisa
"x,", dando lugar así a un punto de inflexión. En la
Tabla 14 se reproducen las expresiones analíticas de
las funciones de densidad y de distribución. Obsérve-
se que "a", " b u y "x," son los parámetros de
dichas expresiones.

Además del valor esperado, o media, pueden

utilizarse otras cantidades características de la
zona central de una variable aleatoria. Son éstas
la moda y la mediana. La moda x, es el valor
más probable de la variable aleatoria. La mediana
x, es aquel valor por encima o por debajo del
cual es igualmente probable que se encuentre la
variable aleatoria. A consecuencia de (2), se
cumple:

Figura 21 .- Variable aleatoria triangular.

En general, la media, la mediana y la moda de
una misma variable aleatoria son diferentes, pero
si la función de densidad de probabilidad es Tabla 14
simétrica y unimodal, las tres cantidades serán
iguales. Variable aleatoria triangular
Para terminar este repaso, se van a revisar breve-
mente los tipos de variables aleatorias que se x f 00 Fod
manejan más frecuentemente en Análisis de
Riesgo: X<a O O

2 x-a (~-a)~
a) Equiprobable. La función de densidad de a-áx, --
probabilidad es constante en un cierto intervalo b-a ~,-a (b-a) (x, -a)
(a,b) y nula fuera de él (figura 20). Bastan los dos
2 b-x xM-a ( b - ~ -) ~(b-x,)'
valores "a" y " b" para determina1la. El valor de xdXsb -- --
la densidad de probabilidad en el intervalo (a,b) b-a b-x, b-a (b-a)(b-x,)
se determina inmediatamente con la ayuda de la
b<X O 1
condición (4) y resulta ser igual a ll(b-a). La
función de distribución, de acuerdo con (S), tiene 2 x,-a
forma rectilínea entre los puntos (a,O) y (b,l). x=x, - -
b-a b-a

C) Normal, o de Gauss. Es probablemente la

distribución de probabilidad más conocida. Obede-
ce a la Ley de Gauss:

1 1 x-p
f(x) =- exp[---)21, (14)
G0 2 o

en donde los parámetros "p" y "a",que la

determinan por completo, son precisamente la
media y la desviación típica de la variable en
Figura 20.- Variable aleatoria equiprobable cuestión. La variable aleatoria normal de paráme-
 fi
tros "p"y " o " , se representa simbólicamente por
N(p,o). Tiene la forma de campana típica simétri-
ca respecto de x=p, tal como se dibuja en la Al diferenciar resulta:
figura 22. dx = ods,
luego de (14) se infiere que:
1
f(x)dx = - exp (-s2/2)dx = ...
4%

... -
- - exp (-s2/2)ds = f(s)ds ,
&
Gracias a esta relación se puede utilizar @(S)para
calcular, por ejemplo, P(a<Xgb):

en donde "S1 " y "5," son los valores de " S " que
corresponden respectivamente a "a " y " b " . Esta
probabilidad viene representada también por el
área rayada en la figura 22.
Figura 22.- Variable aleatoria normal.
d) Lognormal. Una variable aleatoria es lognor-
mal cuando su logaritmo neperiano sigue una
La distribución N(0,1), con p = O y o = 1, se distribución normal. Dada una variable aleatoria
denomina distribución normal reducida. La normal Y, de 'media "h" y desviación típica "c",
expresión (14) se reduce en este caso a: la variable X = exp(Y) será lognormal. En conse-
cuencia se verifica:
1
f(s) = -exp (- s2/2). (1 5)

La función de distribución F(s) de N(0,1), de

empleo muy frecuente, se representa por @(S)y
está tabulada en muchos textos y manuales. Dado Como
que f(s) es simétrica respecto del eje de ordena- x = exp (Y),
das s=O, se verifica que @(-S) = l-@(s),tal como
se aprecia en la figura 23, por ello basta tabular al diferenciar se obtiene:
@(S)para valores positivos de " S " .

Cuando X está contenida en el intervalo (x, x+dxl,

y lo está en el (y, y+dy]. Por lo tanto, las probabi-
lidades de ambos sucesos han de ser iguales:

dx
fx (x)dx = fy (y)dy = f, (y) -x

luego

Figura 23.- Distribución normal reducida

La función de densidad de probabilidad fy(y) se

Con la ayuda de las tablas de @(S)se pueden escribe fácilmente a partir de (14):
determinar fácilmente valores de probabilidad para
una distribución normal N(p,o) cualquiera. Basta 1 1 y-h
fY(y)= exp [- - (-)2] (-<y<+..)
hacer el cambio de variable. &l, 2 c
y, al aplicar (17) r(z) = (z-l)!. (z natural)

si " q " y " r " son números naturales, se verifica:

que es la función de densidad buscada. En la

figura 24 se da un ejemplo típico, en el que se (q-1) ! (r-l)!
observa que, a consecuencia de (16), X es siem- B(q, r) = (q,r naturales)
(q+r-1 )!
pre positiva y que la distribución no es simétrica.
La forma de la distribución varía con los paráme-
tros q y r. En la figura 25 se dibuja un ejemplo
para a=2, b=12, q=2 y r=6. La curva es tanto
más asimétrica cuanto más diferentes sean " q " y
" r " . Si son iguales resulta simétrica, con x, =
(a+b)/2.

Figura 24.- Variable aleatoria lognormal

Para las determinaciones de probabilidades puede

emplearse también la función @(S)de distribución
normal reducida. Para ello se hace el cambio de
variable
s = (inx- h)/L

y, en consecuencia.
dx = xcds

Por lo tanto, Figura 25.- Variable aleatoria beta.

1
f,(x)dx = exp (-s2/2) dx =
cx,

- 1
-- exp (-s2/2)ds = f(s)ds
y es aplicable la distribución N(0,l).
e) Beta. Análogamente a la distribución triangu-
lar, la variable aleatoria beta sólo puede tomar
valores en el intervalo (a,b). La función de densi-
dad de probabilidad es:
en donde " q " y " r " son dos parámetros que
determinan su forma y B(q,r) es la función beta,
que suele estar tabulada o puede determinarse
como si ue, a partir de la función gamma, que
?
es más ácil encontrar tabulada:
Como
7.2. Método de Montecarlo
La incertidumbre que presentan muchos de los
factores que determinan el valor económico de un
proyecto se puede cuantificar fielmente si se les
representa mediante variables aleatorias. El Análi-
sis de Riesgo tiene el objeto de expresar los
resultados de la evaluación en forma de variables
aleatorias, conocidas las funciones de distribución
de las que figuran entre los datos. En lugar de
proceder de una forma puramente analítica, en
busca de la formulación matemática de los indica-
dores económicos como funciones de las variables
aleatorias y otros datos, se recurre al método de
Montecarlo, que permite determinar dichos
resultados por muestre0 simulado. Este método
tiene, entre otras, las siguientes cualidades:
- Proporciona la información económica y de
riesgo más completa posible.
- Puede manejar datos empíricos, sin necesidad
de formularlos analíticamente.
- Conceptualmente es muy simple e intuitivo.

378
Para realizar el Análisis de Riesgo se requieren
básicamente los dos elementos siguientes:
a) Un modelo económico que determine el in-
dicador de rentabilidad deseado en función de los
datos que hagan al caso, unos conocidos con
certeza y otros afectados de incertidumbre.
b) Las funciones de distribución de todos los
datos sujetos a incertidumbre, los cuales se
representan como variables aleatorias, reflejando
además las posibles interdependencia5 y correla-
ciones.
En las simulaciones de Montecarlo, los factores
ciertos tienen el carácter de parámetros constan-
tes, a los que se asignan valores fijos, que sólo se
modificarán en eventuales análisis de sensibilidad.
El proceso consta de cuatro operaciones básicas:
1) Se genera al azar un valor de cada variable
aleatoria, de acuerdo con su función de
distribución, realizando de esta manera un mues-
treo simulado.
2) Se introduce en el modelo económico el
conjunto de valores así producido, se determina
el indicador de rentabilidad X y se registra.
3) Se repiten los pasos 1 y 2 hasta ejecutar el
número de simulaciones deseado.
4) Se clasifican por intervalos los valores del
indicador de rentabilidad X obtenidos en las
sucesivas simulaciones, y se calculan, tabulan y
representan gráficamente las frecuencias relativas
y las probabilidades acumuladas. Se calculan
también el valor medio y la varianza (o la desvia-
ción típica), así como cualesquiera otros descripto-
res de la distribución de X que se deseen.
El resultado X se puede representar mediante su
función de densidad de probabilidad f,(x), o su
función de distribución Fx(x). En el Análisis de
Riesgo se suele utilizar el llamado perfil de
riesgo Rx(x), que expresa la probabilidad de que
el indicador X supere el valor genérico X:
R, (x) = P(X>x).
A consecuencia de (5), se verifica
que relaciona el perfil de riesgo con la función de
distribución.
Supóngase que se ha efectuado el análisis de
riesgo de un cierto proyecto, utilizando la TRI
como indicador económico X. Se han realizado
250 simulaciones, con los resultados que se
indican en la Tabla 15.
En la figura 26 se representan ráficamente el histo-
2
grama de frecuencias y el pe 11 de riesgo de la TRI
del proyecto analizado. Se comprende que, cuanto
más a la derecha se encuentre el perfil, tanto más
rentable será el proyecto. Por otra parte, cuanto más
escarpado sea el perfil, tanto menor será la disper-
sión de los valores posibles de la rentabilidad y, en
consecuencia, menor es el riesgo.
La velocidad de cálculo de los ordenadores ac-
tuales permite realizar varios miles de simulaciones
en tiempos muy breves, incluso al analizar mode-
los bastante complejos. Corrientemente basta con
unos cientos de simulaciones para obtener resulta-
dos satisfactorios.

Tabla 15
Ejemplo con 250 simulaciones

Intervalo Frecuencia Frecuencia Perfil

% absoluta relativa de riesgo

X<12 o 0,000 P(X212) = 1,000

12<X<13 8 0,032 P(X>12) = 1,000
13<Xc14 16 0,064 P(X>13) = 0,968
14<X< 15 34 O, 136 P(X>14) = 0,904
15<X<16 39 O, 156 P(X>15) = 0,768
16<X<17 46 0,184 P(X>16) = 0,612
17<X<18 53 0,212 P(X>17) = 0,428
18<X<19 38 O, 152 P(X>18) = 0,216
19<X<20 12 0,048 P(X>19) = 0,064
20eXc2 1 4 0,016 P(X>20) = 0,016
21<X O 0,000 P(X>2 1) = 0,000

Totales 250 1,000

 Figura 26.- Perfil de riesgo
7.3. Muestreo aleatorio
Para la aplicación práctica del método de Montecarlo
es indispensable poder generar automáticamente
valores de una variable aleatoria cualquiera. Con el
ordenador se pueden generar números aleatorios
equiprobables en el intervalo (0, l), que corresponden
a la variable aleatoria equiprobable R. Mediante una
simple transformación lineal se pueden obtener
valores de una variable aleatoria equiprobable
cualquiera X, en un intervalo dado (a,b):
Existe un procedimiento muy simple para generar
valores de una variable aleatoria cualquiera X, no
equiprobable, conocida su función de distribución
Fx(x). En la figura 27 se representa la función de
distribución de dicha variable aleatoria. Considérese
un intervalo elemental dx sobre el eje de abscisas, al
que le corresponderá el intervalo dF,(x) sobre el de
ordenadas. Si se generan valores de la variable
aleatoria equiprobable R en el intervalo (0,l)del eje
de ordenadas, se verificará:
pero
dF,(x) = f,(x)dx = P(x < X Ix + dx).
Por tanto, los valores de X obtenidos sobre el eje
de abscisas, en correspondencia con los de R
generados sobre el de ordenadas, siguen precisa-
mente la función de densidad de probabilidad
f,(x) deseada.
El modo de operar es, en consecuencia, muy
sencillo: Para obtener valores de una variable
aleatoria X cualquiera, cuya función de distri-
bución F,(x) se conoce, se generan valores de una
variable aleatoria equiprobable R en el interva-
lo (0,l). El resultado de aplicar la función
Figura 27.- Generación de valores de una variable aleatoria.
inversa de F, a cada valor r generado es un valor
x = F-',(r) de la variable aleatoria X.
En principio se tiende a generar independiente-
mente las diversas variables aleatorias que intervie-
nen en el análisis de riesgo de un proyecto. Así
se simplifica el desarrollo y manejo del modelo y,
además, es frecuente que se obtenga una repre-
sentación razonablemente fiel de la realidad.
Ahora bien, no es raro que existan correlaciones
entre ciertas variables. Dichas correlaciones pue-
den ser difíciles de cuantificar, pero pasarlas por
alto puede conducir a errores graves en las
conclusiones del análisis.
Puede clasificarse en tres niveles la dependencia
entre dos variables aleatorias X e Y:
a) Nula. Las variables X e Y son mutuamente
independientes.
b) Total. Existe una relación funcional Y = cp (X)
entre las variables.
c) Parcial. Hay una correlación estadística más o
menos marcada entre X e Y.
El caso a es el más frecuente y conduce a la
generación independiente de las variables. En el
caso b, si se conoce X, queda determinada Y
automáticamente (o viceversa); por tanto sólo es
preciso generar una de ellas, habitualmente la
más fácil de obtener. Así ocurre, por ejemplo, con
la ley de un mineral y la recuperación mineralúrgi-
ca, tal como indica la figura 28. Otro ejemplo
típico de interdependencia entre variables de un
proyecto minero es la que existe entre las reservas
de mineral y las leyes de éstas. Como se ha
indicado anteriormente, la ley del mineral (para
una ley de corte dada) y las reservas constituyen
dos de las componentes principales en el proceso
iterativo de la evaluación de una inversión minera.
Debido a la influencia de esa relación sobre el
proceso de análisis y toma de decisión, la deter-
minación de la ley de corte ha sido un tema muy
estudiado y debatido en el mundo de la minería.

LEY M ALIYENTACW ( K p l L I
Figura 28.- Relación entre la ley de alimentación en planta
de varios minerales y las recuperaciones minera-
Iúrgicas.
El caso c, de dependencia parcial, es el que
precisa un tratamiento más complicado. En la
figura 29 se representa una situación típica. A
cada valor de X le corresponde una distribución
de valores de Y, caracterizada por una función
condicional de densidad de probabilidad, cuya
forma dependerá del valor que tome X. La gene-
ración de valores se realiza de la forma siguien-
te:
1) Se genera un valor de X de la forma habitual.
2) Se establece la función F, que corresponda al
valor de X obtenido.
3) Se genera un valor de Y utilizando la función
inversa de F.,
u x
l =2
Figura 29.- Correlación entre variables.
En la práctica se empieza por adoptar una F,
normalizada reducida, que se ajuste bien a la
dependencia existente entre X e Y. Se establecen
a partir de ella las funciones condicionales de
densidad de probabilidad, generalmente expresan-
do sus parámetros como funciones sencillas de X.
Supóngase, por ejemplo, que se adopta la distri-
bución equiprobable, que suele ser una de las
preferidas en tales situaciones. La función norma-
lizada será la variable aleatoria equiprobable R en
el intervalo (0,l). Los valores y, e ,,y, se expre-
san en función de x:
= Ymn
l (x)
Ymin
1
~max = ymax (x) 1
Se pasa de R a Y(x) mediante la transformación
lineal que se vio antes:
El proceso se programa fácilmente.
Por desgracia, es frecuente que no se disponga
de información suficiente para formular las corre-
laciones de una forma precisa. De ser así, son
posibles dos líneas de acción:
a) Pasar por alto la correlación. Puede ocurrir
que el error introducido no tenga entidad sufi-
ciente para justificar el esfuerzo y coste adiciona-
les necesarios para determinarla e introducirla en
los cálculos. Hay que ponderar cada caso para no
tomar posturas demasiado simplistas.
b) Planteamiento optimista-pesimista. Si se
sospecha que una posible correlación puede
afectar sensiblemente a los resultados del análisis,
pero es difícil investigarla, puede realizarse un
primer tanteo sin correlación. A continuación se
explora el efecto que podría tener la correlación.
Si éste fuera favorable, no sería preciso introducir-
la, ya que la hipótesis de independencia sería
pesimista. En caso contrario, habría que
considerarla.
A título de ejemplo y con el fin de ilustrar cómo
puede investigarse la correlación entre variables,
en la Tabla 16 se recopilan las cotizaciones
medias anuales de algunos metales no férreos
desde 1933 hasta 1984. Se ha tomado como
referencia el cobre, aunque en cada proyecto
concreto se deberá tomar como variable indepen-
diente la cotización del metal que tenga el mayor
valor en el mineral polimetálico. Los ratios medios
.
3
o coeficientes de correlación que resultan para el
período indicado son los de la Tabla 17.
 Tabla 16
Cotizaciones anuales de metales y ratios entre ellas

Cobre Plomo Cinc Estaño Mercurio Aluminio Plata PbICu Zn/Cu Sn/Cu AI/Cu
Año C$/Lb C$/Lb C$/Lb C$/Lb $/FRC C$lLb C/Oz

1933 6,71 3.87 4.03 39.1 1 59,23 23,30 34,73 0,58 0,60 5,83 3,47
1934 7.27 3.87 4,16 52,19 73,87 23.30 47,97 0,53 0.57 7,18 3,20
1935 7,54 4,07 4.33 50.42 3 1,99 20,OO 64,27 0,54 0,57 6,69 2,65
1936 9,23 4.71 4.90 46,44 79,92 20,OO 45,09 0,51 0,53 5.03 2,17
1937 13,02 6,Ol 6.52 54.34 90,18 19.92 44,89 0.46 0,50 4,17 1,53
1938 9,70 4,74 4.61 42.30 75,47 20.00 43,23 0,49 0,48 4,36 2,06
1939 10.73 5,05 5.1 1 50,32 103,94 20,03 39,08 0,47 0.48 4,69 1.86
1940 10,77 5.18 6,34 49.83 176.96 18.69 34,77 0.48 0.59 4.63 1,74
1941 10.90 5,79 7.47 52.02 185.02 16.50 34.78 0,53 0,69 4,77 1.51
1942 11,68 6,48 8.25 52.00 196.35 15.00 38.55 0,55 0.71 4,45 1,28
1943 11,70 6,50 8.25 52.00 195,21 15,OO 44,75 0,56 0.71 4,44 1,28
1944 11,70 6,50 8,25 52.00 118,36 15,OO 44.75 0,56 0,71 4.44 1,28
1945 11,70 6,50 8.25 52,OO 134,89 15,OO 59,93 0,56 0.71 4.44 1,28
1946 14,79 8,l 1 8,73 54,54 98,24 1 5,OO 80.1 5 0,55 0.59 3.69 1,Ol
1947 21,62 14,67 10,50 77.95 83,74 15,OO 71,82 0,68 0,49 3,60 0,69
1948 22.35 18,04 13,59 99,25 76,49 15,73 74,36 0,81 0,61 4,44 0,70
1949 19.42 15.36 12.14 99,34 79.46 17,OO 71,93 0.79 0,63 5,l 1 0.88
1950 21.55 13.30 13.87 95.54 81.26 17,71 74,17 0,62 0.64 4.43 0.82
1951 26,26 17,50 18,OO 127.08 210,13 19,OO 89.37 0,67 0.69 4,84 0.72
1952 31.75 16,47 16,22 120.47 199,lO 19,41 84,94 0.52 0,51 3,79 0.61
1953 30.85 13,49 10,86 95,85 193,03 20.93 85,19 0.44 0,35 3,l 1 0,68
1954 29.90 14.05 10.68 91.84 264,39 21,78 85,25 0.47 0.36 3.07 0,73
1955 39,12 15,14 12.30 94.74 290.35 23,67 89,lO 0,39 0.3 1 2,42 0.61
1956 40.43 16,Ol 13.49 101,41 259,92 24,03 90,83 0.40 0,33 2.51 0,59
1957 27,16 14.66 1 1,40 96,26 246,98 25.42 90,82 0,54 0,42 3,54 0,94
1958 24.12 12.11 10,31 95.13 229,06 24,79 89.04 0,50 0,43 3.94 1,03
1959 28.89 12.21 11.45 102,05 227,48 24,74 91.20 0,42 0,40 3,53 0,86
1960 29,89 11,95 12.95 101.44 210,76 26.00 91.38 0,40 0,43 3,39 0.87
1961 27,92 10.87 11,54 113,31 197.61 25.61 92,45 0.39 0,41 4.06 0,91
1962 28,51 9,63 11.63 114,65 191,21 23,87 108,52 0.34 0,41 4,02 0,84
1963 28.41 1 1.14 12.00 1 16.65 189,45 22,62 127.91 0.39 0,42 4,11 0,80
1964 30,99 13.60 13,57 157.60 314,79 23,74 129.30 0.44 0,44 5,09 0.77
1965 35,60 16.00 14,50 178.20 570,75 74,51 129.30 0.45 0,41 5.01 0,69
1966 49,51 15.12 14,50 164,07 441,72 24,50 129.30 0,31 0,29 3,31 0,49
1967 47,19 14.00 13,84 153,43 469.36 24.98 154,97 0.30 0,29 3,25 0,53
1968 50.29 13.21 13.50 148.15 535.56 25,58 214.46 0,26 0,27 2,95 0.51
1969 61,97 14.90 14.60 164.50 505.04 27,19 179,07 0,24 0,24 2.65 0,44
1970 62.75 15.62 15,32 174.21 407.77 28,72 177.08 0.25 0,24 2.78 0,46
1971 47.87 13,80 16.13 167.35 292.41 29,OO 154,56 0.29 0.34 3,50 0,61
1972 46,52 15,03 17.75 177,47 218.28 26,41 168,46 0.32 0,38 3,82 0,57
1973 78,76 16.29 20.66 227.56 286,23 25.00 255.76 0.21 0.26 2,89 0.32
1974 90.41 22.53 35.95 396.27 281.69 34.13 470.80 0,25 0.40 4,38 0.38
1975 53.25 21,53 38,96 339,82 158.12 39.79 441.85 0.40 0,73 6,38 0.75
1976 60.89 23.10 37.01 379.82 121,30 44.34 435.35 0.38 0,61 6,24 0.73
1977 56.70 30.70 34.39 534,60 135.71 51,34 462.30 0,54 0.61 9,43 0.91
1978 59,20 33.65 30.97 629.58 153.32 53,07 540,09 0,57 0.52 10,63 0,90
1979 86.90 52,64 37,30 753.89 281,lO 59,39 . 1.109.42 0.61 0,43 8,68 0,68
1980 95.28 42,56 37.43 846,OO 389.45 69,57 2.063,16 0.45 0.39 8,88 0.73
1981 74,84 35.53 44,56 733.05 413,86 76.00 1 051,84 0.47 0,60 9,80 1,02
1982 62.97 25,54 38,47 653.92 370,93 76,OO 794.73 0,41 0.61 10,38 1,21
1983 58.01 21.67 41.38 654,78 322.44 77.67 1.144.13 0.32 0,61 9,63 1,14
1984 58,30 25.55 48.60 567,80 314.38 61.05 814.07 0.44 0,83 9,74 1,05

0.46 0.50 5,04 1,05

 Tabla 17

RATlO Pb/Cu

Con todos estos datos se han obtenido los histo-

gramas de ratios que se dibujan en la figura 30.
Para realizar una simulación de Montecarlo, se
sigue un proceso parecido al de la figura 29:

o's 0'2s o's o's8 o* 0'4s o's 03s o's o- 0'7 o'm 0'0 0'0s
1) Se genera aleatoriamente la cotización del
metal que se ha tomado como base, de acuerdo RATlO Zn/Cu
con una función de distribución conveniente.

2) Se genera aleatoriamente un ratio "cotización

de metal 2lcotización de metal 1 ", que permite
obtener un valor para la cotización del metal 2.

Por último, se van a realizar unas consideraciones

breves acerca de la correlación de las variables del
proyecto con el tiempo. Es frecuente que los
valores generados de las diversas variables aleato- 0'28 0'5 d 7 8 1'0 1'25 1'6 1'75 2 0 2'25 2'8 2'78 SO 3'25 3'5
rias se consideren los mismos a lo largo de la vida
del proyecto en cada una de las simulaciones, de RATlO AI/Cu
modo que cada variable se muestrea una sola vez
en cada simulación. Esta conducta es a todas
luces poco realista. Un procedimiento más apro-
piado consiste en generar cada año los valores de
las variables aleatorias pertinentes. Suele ser
necesario establecer ciertas restricciones, que
reflejen la posible influencia del valor de una
variable aleatoria en un momento dado sobre los
de etapas ulteriores. Por ejemplo, si los costes de
explotación son muy elevados durante un cierto
período, es poco probable que sean muy bajos en
el período siguiente. Consecuentemente, la
función de distribución de una variable para
un cierto período puede hacerse depender del
valor tomado por dicha variable en el período 2'0 2'8 3'0 3'5 4'0 4'5 6'0 6'8 6'0 6'8 7
'
0 7'8 8'0
precedente. Con este mismo recurso pueden
RATlO Sn/Cu
introducirse tendencias a corto y largo plazo.
Todo esto conduce a modelos razonablemente
realistas. Figura 30.- Histogramas de ratios de cotimjones.
7.4. Determinación de las funciones
de distribución
En el análisis económico de un proyecto minero
hay muchos datos que tienen el carácter de
variables aleatorias:
- Reservas.
- Leyes.
- Recuperación mineralúrgica.
- Costes de explotación.
- Precios de venta.
- Producción anual.
- Ventas anuales.
- Inversión.
- Vida de las instalaciones.
- Valores residuales, etc.
En muchos casos no es preciso simular aleatoria-
mente todas las variables que, en rigor, tengan
ese carácter, sino sólo aquéllas que un análisis de
sensibilidad previo haya demostrado que influyen
significativamente sobre la rentabilidad. Las demás
variables pueden manejarse como datos ciertos,
con sus mejores estimaciones.
Para definir la distribución que sigue cada una de
las variables aleatorias se pueden dar las siguien-
tes directrices generales:
a) Las distribuciones pueden basarse en el conoci-
miento de que ciertas variables siguen un tipo
determinado, en datos estadísticos preexistentes o
en estimaciones subjetivas.
b) Las apreciaciones acerca de la ley seguida por
cada variable deben ser realizadas por el experto
o expertos idóneos, asistidos por un analista.
c) No hay que limitarse, como norma, a elegir
entre unos pocos tipos de variables aleatorias. En
cada caso se utilizará la que resulte más adecua-
da. Si existen correlaciones significativas, se
reflejarán convenientemente en el modelo.
Es muy frecuente que una variable aleatoria determi-
nada se pueda representar satisfactoriamente con
alguna distribución muy conocida, como las revisadas
en 7.1. En bastantes casos lo único que puede
hacerse es acotar la variable en un cierto intervalo,
sin que haya motivos para considerar unos valores
más o menos probables dentro del intervalo. En tales
circunstancias se hace uso de una distribución
equiprobable. A veces se puede distinguir un valor
más probable que los demás, lo cual permite adop-
tar una distribución triangular. Muchas variables
aleatorias siguen una distribución normal, sobre todo
cuando sus fluctuaciones pueden deberse al efecto
combinado de muchas causas diferentes. Hay varia-
bles aleatorias inherentemente positivas, que se
ajustan bastante bien a una ley lognormal. Existen
variables aleatorias acotadas asimétricas que siguen
mejor la distribución beta que la triangular, aunque
en la mayoría de los casos esta última suele propor-
cionar una aproximación suficiente.
Pueden presentarse variables aleatorias que no
tengan por qué obedecer a ninguna distribución
típica. Si se dispone de información estadística
sobre ellas, se podrán construir sus histo ramas y
9
funciones de distribución sin dificultad a guna. Si
no existen datos estadísticos, hay que recurrir a la
estimación de probabilidades subjetivas. En gene-
ral, mediante la combinación de datos históricos
y estimaciones de expertos, se puede llegar a una
determinación fiable de estas variables aleatorias.
Nunca se insistirá bastante en que es mucho
mejor conocer las probabilidades de variación de
un dato, aunque sea precariamente, que limitarse
a emplear un único valor estimado.
Existen varios métodos para la estimación pura-
mente subjetiva de variables aleatorias. En la
práctica del análisis de proyectos mineros esos
métodos tienen muy poca aplicación. La experien-
cia indica que lo más razonable suele ser adoptar,
de acuerdo con los especialistas pertinentes, una
distribución equiprobable, normal o triangular.
Una vez elegido el tipo de distribución, basta con
estimar dos o tres parámetros para dejarla com-
pletamente definida.
7.5. Explotación de los resultados
El Análisis de Riesgo permite medir los siguientes
atributos de un proyecto de inversión:
- Rentabilidad esperada.
- Variabilidad de la rentabilidad.
- Riesgo.
Se dispone, pues, de una información mucho más
rica para la toma de decisiones que la aportada
por una evaluación determinística tradicional.
Se ilustrará esto sobre un ejemplo, consistente en
la comparación de dos proyectos A y B, que
requieren la misma inversión y tienen vidas igua-
les. En la figura 31 se dibujan sus perfiles de
riesgo respectivos. De su examen se despren-
den las siguientes conclusiones:
a) El proyecto B tiene una TRI esperada mayor
que el A (el 14,6% frente al 12,5%).
b) La rentabilidad del proyecto B es sensiblemente
más imprecisa que la del A. La TRI del proyecto
B tiene una probabilidad del 31 por 100 de
superar el 20 por 100, pero también tiene una
probabilidad del 22 por 100 de no rebasar el 5
por 100. La rentabilidad del proyecto A, por el
contrario, tiene una probabilidad del 96 Dor 100
de estar comprendida entre el 7.5 por i 0 0 y el
17,5 por 100.
,
c) El proyecto B es bastante más arriesgado que
el A, ya que existe certeza de que la TRI de éste
no caerá por debajo del 5 por 100, mientras que
el B se ha visto que tiene una probabilidad del 22
por 100 de que le ocurra, e incluso una probabili-
dad del 10 por 100 de que su TRI sea negativa.

Figura 31 .- Comparación de perfiles de riesgo
El perfil de riesgo despliega ante el decisor toda
la información cuantitativa posible sobre el valor
económico de un proyecto y su variabilidad.
Queda pendiente, no obstante, el desarrollo de
metodologías adecuadas para su manejo. Al ser
una información mucho más amplia, se complican
los criterios y reglas de decisión. En el análisis
determinístico se aplican sólo criterios económicos,
tal como se vio en el capítulo 9. El análisis proba-
bilístico aporta medidas del riesgo, lo cual da
lugar a una familia nueva de criterios para su
eventual incorporación a la política de inversiones
de la empresa.
En primera instancia, el objeto de toda política de
inversiones es el filtrado de propuestas, esto es
el establecimiento de criterios para decidir si un
proyecto es o no aceptable. Al tomar en consi-
deración el riesgo, hay que aplicar al menos dos
criterios, uno económico y otro de riesgo. Es
evidente que un nivel de riesgo suficientemente
elevado puede hacer inaceptable un proyecto de
alto valor económico esperado. En general se
plantea el problema de conjugar rentabilidad y
riesgo. Todo esto conduce a normas de filtrado
como, por ejemplo la siguiente:
" 1. Se utilizará la TRI nominal como medida de la
rentabilidad, estimando los flujos de fondos netos
en pesetas corrientes, después de impuestos, y supo-
niendo financiación íntegra con capitales propios.
2. Se aceptarán, en principio, las propuestas que
satisfagan las siguientes condiciones:
a) TRI esperada igual o mayor que el 14 por 100.
b) Probabilidad igual o mayor que el 10 por 100
de que la TRI supere el 18 por 100.
c) Probabilidad igual o mayor que el 90 por 100
de que la TRI supere el 7 por 100".
Una vez superado el filtro preliminar, hay que
disponer de reglas para comparar unos proyectos
con otros. Para esta tarea es muy útil utilizar el
VAN, como criterio económico y determinar,
mediante análisis de riesgo, el VAN esperado "p"
y su desviación típica " o " . De esta manera, cada
proyecto queda identificado por un par (p,o), que
puede ser representado por un punto en el
correspondiente diagrama, figura 32. Como " o "
es inherentemente positiva, todos los puntos
representativos de proyectos se encontrarán en el
semiplano superior. Por lo general, sólo suelen
considerarse los proyectos del primer cuadrante,
ya que los del segundo tendrían VAN esperado
negativo y no serían aceptables.
DESVlAClON
NORMAL
I (r,d - MAS RENTABILIDAD
1
O
-
IJ
VAN ESPERADO
Figura 32.- Diagrama ~ , o .
En el plano p,o pueden realizarse diversas cons-
trucciones muy útiles. Para desarrollarlas, en lo
que sigue se supondrá que el VAN es una varia-
ble aleatoria normal N(p,o), hipótesis que se
satisface muy frecuentemente con más o menos
aproximación. En primer lugar se va a investigar
la probabilidad de que el VAN de un proyecto sea
negativo. Si se representa por X la variable aleato-
ria VAN y se hace el cambio de variable s = (x -
p)/o para aplicar la distribución normal reducida
(1 5), se verifica:
1
P(X<O) = 13 fX (x)dx = I:? - exp (-s2/2)ds = @(-No)
iz
Este resultado indica que, si Ci/o es constante, P(Xc0)
lo es también (y viceversa). En consecuencia, el lugar
geométrico de los puntos representativos de los
proyectos con igual probabilidad de VAN negativo es
una recta que pasa por el origen, figura 33. En la
Tabla 18 se reseñan los valores del ángulo 6 para
varios niveles de probabilidad.
 Tabla 18
Rectas de igual probabilidad de VAN<O
Figura 33.- Rectas de igual probabilidad de VANIO.
Las rectas de P(X<O) < 0,5 se encuentran en el
primer cuadrante y las de P(X<O) > 0,5 en el
segundo. Eso se debe a que No tiene el mismo
signo que p. así que según que sea p SO es
P(X<O)s0,5, figura 34.
Figura 34.- Probabilidades de VAN negativo.
Otra cuestión que puede plantearse es la siguien-
te: 'de ser negativo el VAN, cuál sería su valor
esperado?. Con la misma notación anterior y
aplicando el resultado obtenido para P(X<O), se
trata de hallar
Al desarrollar el último miembro y operar, resulta
en donde ~ ( s representa
) la función de densi-
dad normal reducida. Dado el par (p,o), esta
expresión permite calcular Z. Si se fija Z, la misma
fórmula se convierte en la ecuación del lugar
geométrico de los puntos @,o) de igual Z. Resulta
una curva de la forma dibujada en la figura 35,
que presenta evidentemente la raíz p = Z.
A continuación se ve una forma posible de utilizar
el diagrama p, o para la toma de decisiones en
relación con proyectos de explotación minera.
En la figura 35 se ha representado la recta P
(VAN<O) = 10 por 100. Si el punto (p, o) repre-
sentativo del proyecto queda por debajo de ella,
la probabilidad de que se produzca pérdida es
inferior al 10 por 100. También se ha representa-
do la curva correspondiente a una esperanza de
pérdida prefijada (igual al segmento 06). Todo
punto (p,o) situado debajo de ella indica que, de
producirse pérdida, su valor esperado sería inferior
a 06.
Figura 35.- Construcciones geométricas en el diagrama.
Si el decisor quiere limitar la pérdida esperada,
con las dos curvas precedentes puede delimitar
una zona en la que la probabilidad de VAN o u#dl use. m
-.
...
. fu(u1 Primo d. riesqo o
negativo no exceda del 10 por 100 y, en el caso u A
en que lo fuera, su valor esperado respetaría un
límite que se señalase. Todo yacimiento cuyo
proyecto de desarrollo estuviera en esa zona sería
explotable, figura 36.

EXPLOTABLES
It MPTA

/
Figura 37.- Determinación de la utilidad de un VAN aleato-
rio.
Figura 36.- Delimitación de la región de proyectos
explotables. Con la ayuda de dichas curvas se conoce inmediata-
mente la utilidad esperada de cualquier proyecto
Las consideraciones precedentes han mostrado representado en el diagrama. Es muy fácil medir
cómo se puede delimitar en el plano p,o una sobre éste el equivalente cierto y la prima de riesgo
región de proyectos aceptables, sin llegar a o penalización del VAN de un proyecto. El equivalen-
establecer todavía una comparación entre proyec- te cierto, por ejemplo, de un proyecto A es la
tos. Para esto último es evidente que habrá que abscisa del punto M, ya que dicho punto correspon-
hacer intervenir la actitud del decisor ante el de al valor monetario cierto de utilidad U.,
riesgo, lo cual puede lo rarse mediante su fun-
9
ción de utilidad o pre erencia. En la figura 37
se representa la función de densidad de probabili-
En la figura 38 se ha marcado la zona de proyectos
aceptables análogamente a la figura 36. Compáren-
dad f, (x) del VAN de un proyecto, que sigue una se por ejemplo dos proyectos mutuamente excluyen-
ley normal N(300, 100), de valor esperado p = tes A y B, ambos aceptables en principio. Aunque el
300 MPTA y desviación típica o = 100 MPTA. VAN esperado del proyecto A es mayor que el del B,
También se dibuja la función de utilidad U(x) del U,<U, y por tanto es preferible el B, cuyo equivalen-
decisor. Como la función de utilidad recoge ya la te cierto es el mayor.
aversión al riesgo, el valor del proyecto para el
decisor vendrá medido por su utilidad esperada.
Con la ayuda de f,(x) y U(x) se obtiene la función
de densidad de probabilidad fu(u), que se ha dibuja-
do referida al eje de ordenadas. Debido a la curvatu-
ra de la función de utilidad, fu(u) resulta asimétrica
y sesgada hacia los valores bajos. Mediante ello se
determina la utilidad esperada E(U), que resulta ser
150, a la cual corresponde un equivalente cierto
de 275 MPTA. La prima de riesgo del proyecto
analizado será, por tanto, 300 - 275 = 25 MPTA.
Puede decirse en otras palabras que debido al riesgo,
el decisor aplica una penalización de 25 MPTA al
VAN esperado del proyecto. Si fuera o = 200 MPTA,
se comprueba por este mismo procedimiento que
E(U) = 136, el equivalente cierto bajaría a 230 MPTA
y la prima de riesgo o penalización del VAN se
elevaría a 70 MPTA.
Con este procedimiento se logra el objetivo de
asignar un valor de utilidad o preferencia a cada
proyecto, resolviendo así el problema de la com-
paración de proyectos. Para facilitar la toma de
decisiones, se puede dibujar un haz de curvas de
igual utilidad esperada sobre el plano p,o como se
indica en la figura 38. Figura 38.- Diagrama p,o con curvas de igual utilidad.
Todas las construcciones que se han descrito no
son más que ejemplos del manejo del Análisis de
Riesgo en la evaluación de proyectos. Son posibles
otras muchas formas de utilización metódica del
Análisis de Riesgo en la política de inversiones de
una empresa.
7.6. Método R.S.C.
Se puede pretender determinar la función de
densidad de probabilidad de la TRI de un proyec-
to sin recurrir al muestre0 aleatorio, sino de una
forma analítica a partir de ciertas características
de las variables aleatorias de que dependa. Entre
los diversos métodos existentes destaca el R.S.C.,
o de la raíz cuadrada de la suma de los cuadra-
dos, debido a O'HARA (1982) y desarrollado
precisamente para el análisis de riesgo de proyec-
tos mineros.
El punto de partida de este método es la repre-
sentación de cada variable aleatoria X del proyec-
to mediante una distribución asimétrica, que se
define por tres parámetros: la moda E y dos
desviaciones características d, y d,, respectivamen-
te a la izquierda y la derecha de E. Cuando d, =
d,, la distribución se convierte en normal, de
media E y desviación típica d, = d,.
Cuando d, cd,, la distribución es asimétrica
positiva y tiene la siguiente función de densidad
de probabilidad:
1
1[
log 1+- ( X - : ~ T " ~ ] ~
en donde
r = d2/dl
Se comprueba fácilmente que, para x=E-d, y
x=E+d,, f+(x) toma un valor igual al máximo f(E)
multiplicado por e-ln = 0,6065. Por lo tanto,
puede afirmarse que d, y d, representan las
desviaciones de X, por debajo o por encima de E,
para las cuales la densidad de probabilidad resulta
igual a 0,6065 veces la máxima posible.
Análogamente, cuando d,>d,, la distribución es
asimétrica negativa tiene la siguiente función
i
de densidad de proba ilidad:
[
log 1+ -
(x-;;~I~~
1
iogr
en donde
r = d,/d,
En ambos casos, como en el argumento de la
exponencial aparece un cociente de logaritmos, es
indiferente la base y pueden ser tanto decimales
-lo que aparece en las fórmulas- como neperia-
nos.
Cuando d, = d, = d, mediante paso al límite en
f+(x) o en f.(x), se llega al mismo resultado si-
guiente:
que corresponde a una distribución normal N(E,d).
Se ve, por tanto, que las distribuciones asimétricas
que se han definido constituyen extensiones de la
normal, con d, y d, en papeles análogos a la
desviación típica d.
En la figura 39 se dibuja una distribución asimétri-
ca positiva. En ella se aprecia un sesgo positivo,
tanto más pronunciado cuanto mayor sea d,
frente a d,. El valor medio o esperado de X se
encuentra a la derecha de la moda E (en el caso
concreto representado en la figura, muy próximo
a E+d,). La función de densidad presenta una raíz
a la izquierda de E-d, y tiende asintóticamente a
cero cuando X += . En las distribuciones asim6-
00
tricas negativas ocurre, natualmente, lo contrario.
Figura 39.- Distribución asimétrica positiva
La distribución asimétrica queda completamente
determinada por E, d, y d,. En las variables
aleatorias que intervienen en el análisis de riesgo,
se asigna a E el valor estimado para el análisis
determinístico previo. En cuanto a d, y d,, es
preferible obtenerlos indirectamente, a partir de
otros parámetros más fáciles de estimar. Son
éstos las desviaciones X, ,y X, que se definen a
continuación. X, es la desviación inferior que abarca
el 90 por 100 de los valores de XcE. Análogamente,
X, es la desviación superior que comprende el 90
por 100 de los valores de X>E. En consecuencia,
entre E-X, y E+X, se encuentra el 90 por 100 de
todos los valores posibles de X. Una vez estimados
X, y X, se pueden determinar los valores de d, y
 d, mediante las siguientes relaciones aproxima-
das:
1 a) Distribución asimétrica positiva:
l b) Distribución asimétrica negativa:
Se pueden describir ahora los pasos que se dan
al aplicar el método R.S.C.
7.6.1. Definición de las variables aleato-
rias
Para cada variable aleatoria que interviene, se
toma como valor más probable E el estimado
para los cálculos determinísticos. De ahí que se le
reconozca como valor estimado de la variable X
en cuestión. A continuación se estiman las desvia-
ciones X, y X, que acotan el intervalo que contie-
ne el 90 por 100 de los valores posibles de X.
Así, por ejemplo, ,si se han estimado unas reservas
de mineral de 3,O Mt, con una probabilidad del 90
por 100 de que dichas reservas no sean menores de
2,6 Mt ni mayores que 5,O Mt, se verifica que X, =
3,O - 2,6 = 0,4 Mt y X, = 5,O - 3,O = 2,O Mt. Al
aplicar las fórmulas precedentes, se obtienen los
valores de reservas correspondientes a d, y-d,, que
se denominan, respectivamente, tonelaje inferior
TI y tonelaje superior TS:
La densidad de probabilidad de estos valores es el
60,65 por 100 de la correspondiente al valor
estimado E = 3,O Mt.
7.6.2. Cálculo de las desviaciones de TRI
Con el conjunto de los valores estimados de las
variables se calcula la TRI estimada del proyecto.
A continuación, se repite el cálculo de TRI dando
a cada variable sus valores inferior y superior,
mientras que las demás se mantienen en sus
valores estimados. De esta manera se determina
el efecto individual de las fluctuaciones de cada
variable sobre la TRI del proyecto.
Supóngase en el ejemplo anterior, que la TRI que se
obtiene con las reservas estimadas de 3,O Mt es el
15,51 por 100 que, al repetir el cálculo con 2,67
i:
y 3,37 Mt, se o tiene respectivamente el 14,42 por
100 y el 16,96 por 100. Se concluirá entonces que,
si sólo varían las reservas, la TRI es una variable
aleatoria asimétrica positiva, con un valor estimado
E=15,51 por 100 y desviaciones d, = 15,51 - 14,42
= 1,09 por 100 y d, = 16,96 - 15,51 = 1,45 por
1OO.
Se repiten los cálculos para todas las variables, de
manera que se obtienen las variaciones (adversas
o favorables) de la TRI del proyecto, causadas por
las desviaciones d, y d, de cada variable.
7.6.3. Composición de efectos
No se pueden sumar simplemente las variaciones
(adversas o favorables) individuales para obtener
la variación resultante de la TRI del proyecto,
porque esto sería equivalente a considerar que los
cambios (adversos o favorables) debidos a todas
las variables se producen simultáneamente, lo cual
no es realista. Cuando las variaciones individuales
son completamente independientes (no son
afectadas por las debidas a las demás variables),
se obtiene la variación (adversa o favorable)
resultante de la TRI hallando la raíz cuadrada de
la suma de los cuadrados de todas las variaciones
de cada tipo (adversas o favorables).
Sin embargo, en muchos proyectos mineros,
existen ciertas interdependencias entre variables.
Ahora se van a investigar los tipos de interdepen-
dencia posibles entre pares de variables. La figura
40 ilustra el efecto sobre la TRI de las variaciones
simultáneas de dos variables A y 0, que son
independientes una de otra. Se observa que el
número de puntos en los cuadrantes W e Y es
aproximadamente igual al número de puntos en
los cuadrantes X y Z. Para mayor sencillez, se han
supuesto normales las distribuciones de TRI a que
da lugar cada una de las variables (d, = d,).
DISMINUYE
_ _ AUMENTA
_ ,
VARIACION DE L A TRI CON A
Figura 40.- Variables aleatorias A y B independientes
Si los valores altos y bajos debidos a las variacio-
nes de A tienden a darse juntos respectivamente
con los altos y bajos originados por B, se produci-
rá una cantidad mayor de puntos en los cuadran-
tes X y Z que en Y y W. Este efecto se traduce
en un valor mayor que la unidad para la relación
entre los números de puntos en X+Z e Y+W, tal
como se aprecia en la figura 41. Se dice entonces
que las variables A y B tienen efectos acumulati-
vos sobre la TRI. Inversamente, si las variaciones
producidas por A y B tienden a compensarse, la
relación entre los números de puntos en X+Z e
Y+W es menor que la unidad, figura 42.

--
MSMINUYE AUMENTA
VARIACION DE L A TRI CON A
Figura 41 .- Variables aleatorias A y B parcialmente acumula-
tivas.
-
DISMINUYE AUMENTA
VARIACION DE L A TRI CON A
Figura 42.- Variables aleatorias A y B parcialmente compen-
sadas.
En la evaluación de proyectos mineros son fre-
cuentes las siguientes relaciones de compensación
o acumulación (parciales) entre pares de variables:
a) Efectos compensados sobre la TRI:
- ReservasILey del mineral.
- Recuperación mineralúrgica1Ley del concentra-
do.
- Precio de ventalcostes de operación.
b) Efectos acumulativos sobre la TRI.
- Ley del mineral1Recuperación.
- Coste de explotación por toneladalcoste de
tratamiento por tonelada.
-Inversión en plantafliempo de construcción.
En figura 43 se representa gráficamente una
sencilla construcción vectorial para combinar las
variaciones individuales de la TRI provocadas por
cada par de variables. Mediante la vectorización
puede cuantificarse el grado en que los cambios
debidos a un par de variables se compensan o
acumulan. Esto se hace combinando las variacio-
nes positivas (o negativas) de la TRI originadas por
cada variable y determinando la variación total en
la TRI mediante las siguientes expresiones:
C2 = A 2 + B2 + KAB
para variables acumulativas, y
C2 = + B2 - KAB
para variables compensadas. La constante K será
e,
o aproximadamente 1,4, cuando las variables
se compensan o acumulan parcialmente, según
que el ángulo entre sus vectores respectivos sea
45" ó 135". Esto corresponde a ratios de cuadran-
tes (X+Z)/(W+Y) de 0,5 a 2,O. Si la interdependen-
cia es más o menos marcada, K aumenta hasta
1,7 o disminuye hasta 1,O.
a 5 0 1 . VARIACON INDEPENDIENTE DE A y B
aSü 2. VARIACION PARCIALMENTE ADITIVA DE A y B
CASO 3 VARIACION PARCIALMENTE CCMPENSAM OE A Y 8
Figura 43.- Composición vectorial de dos variables aleatorias
A y B.
7.6.4. Determinación de la distribución de
TRI
Con este objeto hay que determinar los valores
resultantes de d, y d, para la TRI del proyecto, las
cuales corresponderán respectivamente a la
desviación adversa y favorable con densidad de
probabilidad igual al 60,65 por 100 de la relativa
a la TRI estimada. Se sigue el proceso que se
describe a continuación:
a) Sumar los cuadrados de las variaciones adversas
(o favorables) de la TRI debidas a los cambios de
cada variable.
b) Sustraer los productos binarios ponderados de
las variaciones adversas (o favorables) debidas a
todos los pares de variables cuyos efectos sobre
la TRI se compensan en mayor o menor grado.
c) Sumar los productos binarios ponderados de las
variaciones adversas (o favorables) debidas a todos
los pares de variables cuyos efectos sobre la TRI se
acumulan.
d) Calcular las raíces cuadradas de las variaciones
resultantes adversas (o favorables) de la TRI, obteni-
das mediante los pasos a), b) y c) precedentes.
Los resultados de la etapa d) son las desviaciones
resultantes d, y d, de la TRI del proyecto. Con el
valor estimado E de la TRI y las desviaciones d, y
d, se dispone de los elementos suficientes para
determinar la función de densidad de probabilidad
de la TRI. Si la desviación inferior d, es mayor que
la superior d,, la función será asimétrica negativa.
Si d, es mayor que d,, será asimétrica positiva.
Aunque las fórmulas correspondientes son compli-
cadas, su cálculo y representación gráfica median-
te ordenador no presentan dificultad alguna.
El método R.S.C. ofrece una forma sencilla de
realizar análisis de riego sin recurrir a simulaciones
de Montecarlo. Una vez realizado el análisis
económico determinístico, es bastante fácil ejecu-
tar un análisis de riesgo sin más que añadir a los
valores estimados E de las variables, sus corres-
pondientes desviaciones X, y X,. En particular,
este método identifica inmediatamente las varia-
bles más críticas para la TRI del proyecto, lo cual
permite un mejor conocimiento del riesgo y
facilita el control de éste.
En el Capítulo 12 se verá un ejemplo de aplica-
ción de este método de análisis de riesgo. Igual-
mente, en el paquete "EVALECO" se incluye el
programa R.S.C. que facilita el estudio de proyec-
tos de inversión mediante este método.
8. Bibliografía
- ALBERT, K.J. 1983: "The Strategic Manage-
ment Handbook". McGraw-Hill, Nueva York.
- ANG, A.H.S. y TANG, W.H. (1975): " Probability
Concepts in Engineering Planning and Design"
(2 vols.). Wiley, Nueva York.
- AZCARATE, J. E. (1988): "Características del
Riesgo Económico Actual. en la Explotación y
Búsqueda de Minerales Energéticos y No
Energéticos". II Congreso Mundial Vasco.
Gobierno Vasco, Vitoria.
- BAKER, A.J. (1981): "Business Decision Ma-
king ". Croom Helm. Londres.
- BARNES, M.P. (1980): "Computer Assisted
Mineral Appraisal and Feasibility". AIME.
- BROWN, R.V. (1970): "Do Managers Find
Decision Theoty Useful?". Harvard Business Re-
view. Vol 48. no 3. p. 78. Mayo-Junio.
- CIRUELOS, J. (1984): "Une approche pour la
gestion du risque dans I'analyse des projects
miniers" . Tesis doctoral. Escuela Nacional
Superior de Minas de París.
- COOPER, D. y CHAPMAN, C. (1987): " Risk
Analysis for Large Projects". Wiley, Nueva
York.
- COPLIN, W.D. y O'LEARY, M.K. (1983): "A
Systematic Approach to Political Risk Analysis
for Extractive Industries". CIM Bulletin. Octu-
bre.
- COZZOLINO, J. (1979): "A New Method for
Risk Analysis" . Sloan Management Review. Vol.
20, no 3, p. 53. Primavera.
- DUCHENE, M. (1979): "Estimations de la
rentabilité previsionelle aux différents stades
d'un project minier" . lndustrie Minérale, Enero.
- GENTRY, D.W. (1988): "Minerals Project
Evaluation An Overview". The lnstitution of
Mining and Metallurgy. Januaty.
- GOMEZ BEZARES, F. (1985): " Métodos cuanti-
tativos de gestión", Ibérico Europea de Edicio-
nes, Madrid.
- GOMEZ BEZARES, F. (1987): "Criterios de
selección de inversiones con riesgo". Boletín de
Estudios Económicos. Vol. 42, no 131, p. 287.
Agosto.
- HAMMOND, J.S. 111 (1987): " Better Decisions
with Preference Theory". Harvard Business
Review. Vol. 45, no 6, p. 123, Noviembre-
Diciembre.
- HERTZ, D.B. (1964): "Risk Analysis in Capital
Investment". Harvard Business Review, Vo. 42,
no 1, p. 95. Enero-Febrero.
- HERTZ, D.B. (1964): "Risk Analysis in Capital
Investment" . Harvard Business Review, Vo. 42,
no 1, p. 95. Enero-Febrero.
- HERTZ, D.B. (1968): "lnvestment Policies that
Pay off". Harvard Business Review. Vol. 46. no
1, p. 96. Enero-Febrero.
- HERTZ, D.B. y THOMAS, H. (1983): " Risk Analysis
and its Applications". Wiley, Nueva York.
- HERTZ, D.B. y THOMAS, H. (1984): " Practica1
Risk Analysis". Wiley, Nueva York.
- HOLLOWAY, C.A. (1979): " Decision Making
under Uncertainty: Models and Choices".
Prentice-Hall, Englewood Cliffs, N.J.
- HOWARD, R.A. (1880): "An Assessment of Deci-
sion Analysis". Operations Research. Vol. 28, p.4.