Ingeniería Económica y Análisis de

Riesgos. Fernando Guzmán Castro.

2018.

11. Toma de decisiones bajo riesgo e

incertidumbre
En los capítulos anteriores, con excepción del análisis de sensibilidad, se han utilizado estimaciones en
condiciones de certidumbre. Las variables financieras tales como ingresos y costos, valor de
recuperación y la vida útil de las alternativas se han tomado como un valor único; lo que conduce a
expresiones de medidas de valor que son también únicas y que son la base de la toma de decisiones.
Visto de otra manera, se consideran estimaciones determinísticas o con una posibilidad de ocurrencia
del 100%.
Cuando se introduce la variación en la estimación de un parámetro se manejan los conceptos de riesgo e
incertidumbre. En el caso en que se prevén dos o más valores de una variable y se pueden estimar la
probabilidad de ocurrencia de cada valor, se habla de riesgo. Cuando se prevén dos o más valores de una
variable y no se pueden estimar las probabilidades de la ocurrencia de cada valor, se hace referencia a
incertidumbre.

A. TOMA DE DECISIONES BAJO INCERTIDUMBRE

Para la toma de decisiones bajo condiciones de incertidumbre se han desarrollado unos criterios que
constituyen una primera aproximación al análisis, los cuales se ilustran en el ejemplo11.1. Los valores
observados de las variables o parámetros se conocen como estados de la naturaleza.

Ejemplo 11.1
Una empresa está analizando los resultados esperados de ventas en un
proyecto de lanzamiento de un producto innovador y ha diseñado cuatro
estrategias de mercado. Se cuenta con la estimación de las ventas
potenciales por mes para cuatro niveles de ventas, pero por la naturaleza
de innovación del producto, no dispone de estimaciones de probabilidad. La
matriz de decisión siguiente presenta los datos y se requiere tener criterios
para la toma de decisión.
 Nivel de ventas Millones $/mes
Estrategias
N1 N2 N3 N4
R1 18 25 36 45
R2 24 40 26 34
R3 40 45 -10 16
R4 42 40 35 22
Solución
En la situación del ejemplo no se cuenta con la información necesaria para
asignar probabilidades o no se está en disposición de asignar
probabilidades, la situación clasifica como la toma de decisiones bajo
incertidumbre. Los criterios de decisión que se han desarrollado en ésta
condicion se presentan en los puntos siguientes.

11.1.1 Criterio Laplace

11.1.2 Considera que cada posible estado de la naturaleza es tan probable

como cualquier otro. Por lo cual la posibilidad de ocurrencia de cada
estado futuro de la naturaleza es 1/n, siendo n el número de
posibles estados de la naturaleza. Los resultados con el criterio son:
11.1.3 Al
te
rn 11.1.4 Ventas
a Millones $
ti
va
11.1.5 R 11.1.9 (18+25+36+45)
1 /4= 31
11.1.6 R 11.1.10 (24+40+26+34)
2 /4= 31
11.1.7 R 11.1.11 (40+45-
3 10+16)/4=
11.1.8 R 22,75
4 11.1.12 (42+40+35+22)
= 34,75

11.1.13 La alternativa R4 tiene el mayor nivel de ventas promedio, por lo

tanto se selecciona con este criterio.

11.1.14

11.1.15
Criterio Maxi {minj Rij}
Se selecciona el menor valor de cada alternativa y entre los resultados
obtenidos se escoge la alternativa que presenta el mayor valor de las
cantidades seleccionadas. La matriz para la selección por Maximin es:
Alternativa Min Rij
R1 18
R2 24
R3 -10
R4 22

La selección de la alternativa R2 asegura unas ventas de al menos 24 MM$

11.1.19 Criterio Maximax

 11.2 Criterio Maxi { (maxi Rij) + (1-) (mini Rij)}
11.3 Como ejemplo se toma un valor de =0,2.
11.4 Alte
rna 11.5 Criterio
tiva
11.6 R1 11.10 0.2*45 +
11.7 R2 0.8*18 = 23.4
11.8 R3 11.11 0.2*40 +
11.9 R4 0.8*24 = 27.2
11.12 0.2*45 + 0.8*-
10 = 1.0
11.13 0.2+42 +
0.8*22 = 26

B. TOMA DE DECISIONES BAJO RIESGO

La evaluación de los riesgos financieros presenta dos métodos: Valor Esperado y Simulación, a
continuación se realiza una descripción de cada uno de ellos ellos y se muestran los elementos
estadísticos que permiten realizar una simulación para la toma de decisiones.

i. Métodos de Evaluación del Riesgo

Se utilizan dos métodos de evaluar el riesgo en un análisis de alternativas:

 Análisis de Valor Esperado: como se estudió en el capítulo 10, con las estimaciones de un
parámetro y los datos de probabilidad asociados a cada estimación se calcula el Valor Esperado
de ese parámetro:
n
E ( X ) =∑ X∗P ( X )
i=1
De forma similar se calcula el Valor Esperado de una Medida de Valor
n
E ( MV ) =∑ MV ∗P ( MV )
i=1
Con los valores Esperados para varias alternativas se selecciona el valor más favorable, teniendo
en cuenta el objetivo de disminución de costos o de aumento de ingresos.

 Análisis con el uso de simulación: Con la estimación de las variables o parámetros y los datos de
probabilidad se utilizan los conceptos de muestreo aleatorio y la relación probabilística del
parámetro con la medida de valor que se emplea para soportar la toma de decisiones.

ii. Elementos estadísticos para la toma de decisiones bajo riesgo

Para el análisis de toma de decisiones bajo riesgo se requieren los conceptos de variable aleatoria,
distribuciones de probabilidad y medidas estadísticas.
Una variable aleatoria es una variable o parámetro que puede tomar un valor entre diversos valores, las
variables aleatorias pueden ser discretas o continúas.
Una variable discreta toma valores específicos y aislados, tales como la vida estimada de un equipo, con
valores de 5, 8 y 10 años, por ejemplo.
Una variable continua puede tomar valores en un rango, dentro de unos límites específicos, como es el
caso de los ingresos en un proyecto.
La probabilidad es una medida que expresa la posibilidad de que una variable tome un valor y se expresa
como un porcentaje entre 0% y 100% o como un tanto por uno entre 0 y 1,00. La probabilidad se
describe como P(X) o P(X=X), la probabilidad que la variable tome el valor X. En el caso de una variable
continua la probabilidad de tomar un solo valor es cero.
Una distribución de probabilidad describe la forma como se distribuye la probabilidad entre los
diferentes valores de una variable. Una distribución se puede describir como una probabilidad para cada
valor de la variable o una expresión matemática que describe la probabilidad par los posibles valores de
la variable.
Una distribución de probabilidad acumulada o distribución acumulada es la suma de las probabilidades
de los valores de una variable hasta un valor específico, incluyéndolo y se denota F(X).
En la Figura 11 .1 se representa la distribución de probabilidad y la distribución acumulada de la variable
discreta vida útil de un equipo descrita a continuación

Figura 11.1. Probabilidad en la vida útil de un equipo

La distribución de probabilidad para una variable continua se expresa como una función matemática y se
utiliza f(X) en vez de P(X) y F(X) en vez de F(X), las cuales son curvas continuas. Ejemplos de
distribuciones continuas son la distribución uniforme, la distribución triangular y la distribución continua.

Ejemplo 11.2
Las ventas de un producto se estiman en un valor bajo de $10.000 y un valor
alto de $20.000. Se pide calcular y representar gráficamente la distribución
de probabilidad y la distribución acumulada y estimar la probabilidad de
obtener unas ventas de no más de $16.000 la probabilidad es igual para
cualquier valor de ventas.
Solución
La distribución de ventas define una distribución uniforme, se identifica la
variable con el símbolo V
Cálculo de la distribución de probabilidad:
1 11.1
f (V )= A<V < B
A−B
Siendo A el valor más alto y B el valor más bajo.
Probabilidad acumulada:
V −B 11.2
F (V )= A<V < B
A−B
Tomando los valores en miles, los valores, de acuerdo a las ecuaciones ( 11 .
1) y ( 11 .2)
f ( V ) =0.1
V −10
F (V )=
20−10
La Figura 11.2. es la gráfica de f(V) y de F(V)

Figura 11.2. Probabilidad para el ejemplo 11.2

La probabilidad de ventas iguales o inferiores a $16.000 se puede leer en la Figura o se calcula con la
ecuación 11.2 y su valor es F($16) = P(V < 16) = 0.6

11.2.3. Muestreo aleatorio

En la toma de decisiones en condiciones de certidumbre se utiliza un solo valor de cada parámetro, que
corresponde al valor más probable, para obtener la medida de valor de una alternativa y tomar una
decisión o compararla con otras alternativas para decidir. Por ejemplo, en una alternativa de aumento de
ingreso se estima un único valor de inversiones, un valor de flujo de ingresos netos, un valor de
recuperación y una vida útil para hallar una medida de valor como el Valor Presente y concluir si el
proyecto es factible. En el proyecto se está tomando una muestra de tamaño uno para cada parámetro,
pero si uno de ellos puede tomar valores dentro de una distribución de probabilidad y no es posible
conocer todos los valores de la población, tomar una muestra permite tomar una decisión.
El muestreo aleatorio de tamaño n consiste en el proceso de seleccionar valores de forma aleatoria de
una población de valores de un parámetro con una distribución de probabilidad, de forma que todos los
valores del parámetro tengan la misma probabilidad de hacer parte de la muestra, como se cumple en la
población
Para realizar el muestreo se utiliza una tabla de números aleatorios obtenidos de una distribución de
probabilidad uniforme, números que se pueden agrupar en el número de dígitos que se requieran en el
análisis.
El procedimiento para hallar una muestra aleatoria de tamaño n de una distribución discreta F(X) o de
una distribución continua f(X) se compone de los pasos siguientes:
1. Calcular la distribución acumulada F(X) y representarla gráficamente

2. Asignar los valores de los números aleatorios a la escala de variable dependiente en la gráfica de
la distribución acumulada

3. En la tabla de números aleatorios se utiliza consistentemente una forma de selección

4. Con los números de la tabla de números aleatorios se entra a la escala Y de F(X) y se determina
la variable hasta completar los n números de la muestra aleatoria

5. Con las variables obtenidas en la muestra se pueden realizar los análisis requeridos en la
alternativa y tomar decisiones y realizar análisis de simulación

6. El tamaño mínimo de una muestra para contar con un grado de confiabilidad en los resultados es
de 30, pero con la ayuda de herramientas computacionales se pueden utilizar tamaños de
muestres altos, de cientos o miles de datos.

Ejemplo 11.3
El período de servicio de un equipo es un parámetro que se estima sigue
una distribución de probabilidad discreta
N Probabilidad P(n)
años
4 0,2
5 0,5
6 0,5
Se pide elaborar una muestra aleatoria de tamaño 10 para corroborar la
distribución de probabilidad supuesta
Solución
Se sigue la secuencia de pasos formulada anteriormente:
1. Se grafica la distribución de probabilidad y la distribución acumulada de
probabilidad de la variable en la Figura 11 .4
2. Se asignan valores de los números aleatorios a la escala de probabilidad,
con dos dígitos para el ejemplo; la probabilidad de período de servicio de 4
 7.

El tamaño mínimo de una muestra para contar con un grado de confiabilidad en los resultados es de 30,
pero con la ayuda de herramientas computacionales se pueden utilizar tamaños de muestres altos, de

Ejemplo 11.3
El período de servicio de un equipo es un parámetro que se estima sigue
una distribución de probabilidad discreta
N Probabilidad P(n)
años
4 0,2
5 0,5
6 0,3
Se pide elaborar una muestra aleatoria de tamaño 10 para corroborar la
distribución de probabilidad supuesta
Solución
Se sigue la secuencia de pasos formulada anteriormente:
1. Se grafica la distribución de probabilidad y la distribución acumulada de
probabilidad de la variable en la Figura 11 .4
2. Se asignan valores de los números aleatorios a la escala de probabilidad,
con dos dígitos para el ejemplo; la probabilidad de período de servicio de 4
años es de 0,2 y se asignan los números 00 a 19 a tomar de la tabla de
números aleatorios. La Figura 11 .5 muestra la asignación

Figura 11.4 Distribución de probabilidad en el ejemplo 11.3

cientos o miles de datos.

1.1.1 Indicadores estadísticos de la población y de la muestra

Para el análisis de variables aleatorias se utilizan especialmente dos indicadores estadísticos: el valor
esperado y la desviación estándar, la desviación es una medida de dispersión de los valores del
parámetro alrededor de la medida central.
Si se tuvieran los datos para la población total, se estimarían los valores, pero ante la ausencia de esa
información se utiliza el muestreo para realizar la evaluación de alternativas en Ingeniería Económica
Las ecuaciones para la determinación de los indicadores mencionados en la población y para muestras
se presentan a continuación
I1.Figura 11.5 para
Indicadores Asignación de números a la escala de probabilidad
la población
Media verdadera
P3 y P4. En una M o Ede
tabla ( xnúmeros
) Valor Esperado
aleatorios se seleccionan diez valores y se
busca la correspondencia con los años de servicio en el Paso 4
Números aleatorios 45 6 79 29 81 15 6 70 24 82
5 6
Valores de n 5 5 6 5 6 4 5 6 5 6

P5. Con el resultado anterior se establecen las probabilidades de la muestra

 n
E ( x )= ∑ X i P ( X i ) 11.3
i=1
Desviación estándar
σ =√ σ 2= √ Var ( x ) 11.4
Varianza
2
Var ( x ) =∑ [ X i −E ( X ) ] P ( X i ) 11.5
I2. Indicadores para una muestra en una distribución discreta
Media muestral

X́ =
∑ Xi =∑ f i Xi 11.6
n n
Desviación estándar muestral
S= √ S2
Varianza muestral
2
2∑ ( X i− X́ ) ∑ f i X i n 11.7
S= = − X́ 2
n−1 n−1 n−1
I3. Indicadores para una muestra en una distribución continua
Valor esperado
❑
E ( x )=∫ x f ( x ) dx 11.8
R
Varianza
❑
2
Var ( x ) =∫ x2 f ( x ) dx−[ E ( x ) ] 11.9
R

1.1.2 Muestreo y simulación de Montecarlo

La metodología de muestreo y simulación de Montecarlo se emplea como una técnica que mejora la
toma de decisiones bajo condiciones de riesgo con una o varias alternativas en situaciones en las que
varían uno o varios parámetros de acuerdo a distribuciones de probabilidad. En el análisis se supone
independencia entre los parámetros y en los cálculos se toman los valores más probables de las variables
diferentes al o los parámetros que se están estudiando.
Las etapas que se siguen en el estudio de simulación son las siguientes:
Etapa 1: Formulación de la o las alternativas a analizar, selección de la medida de valor con la que se
tomará la decisión y determinación del modelo de interrelaciones con que se calcula la medida de valor.
Etapa 2: Determinación del o los parámetros que se tomarán como variables aleatorias.
Etapa 3: Selección de las distribuciones de probabilidad para los parámetros a variar y el tipo de variable
(discreta o continua) para cada uno.
Etapa 4: Realización del muestreo aleatorio de tamaño n para cada parámetro
Etapa 5: Cálculo de la medida de valor para lo n valores de la muestra aleatoria de acuerdo con el
modelo de interrelaciones de la Etapa 1.
Etapa 6: Determinación de la distribución de probabilidad de la medida de valor y calcular los
indicadores centrales y la varianza de la misma.
Etapa 7: Obtención de conclusiones del estudio y determinación de la factibilidad de la alternativa o la
selección de la mejor alternativa según el planteamiento del problema.

Ejemplo 11.4
Se requiere analizar la factibilidad de una alternativa de aumento de
ingresos con una variable aleatoria discreta mediante el método de
Montecarlo.
La alternativa consiste en un proyecto agroindustrial con los datos
Etapa1. El enunciado plantea una alternativa de aumento de ingresos para
la cual se busca determinar la factibilidad. La medida de valor a utilizar es el
Valor Presente y el modelo de interrelaciones en el proyecto es:
VP ( I )=−I + [ ( P∗Q−C )∗H ] ( P / A ,i , n )
Etapa 2 La variable aleatoria es el número de hectáreas H que asume los
valores discretos 49,52 o 55 hectáreas dependiendo del número de socios
que se logre atraer al proyecto
Etapa 3 Los formuladores del proyecto
Hectáreas H estiman una P(H)
Probabilidad distribución de
En la Tabla 11 .1. se muestran los números tomados de una tabla de
números aleatorios y su valor correspondiente en hectáreas basados en la
figura 11.5.
Tabla 11.1 Números aleatorios y variable H en Ejemplo 11.4
Número muestral 1 2 3 4 5
Números aleatorios 10 61 69 79 30
Hectáreas H 49 52 52 55 52

Con los resultados de la Tabla 11 .1 se estima la probabilidad muestral y se

compara con la distribución de probabilidad de partida y se muestra en la
Tabla 11 .2.
Tabla 11.2 Probabilidad muestral en Ejemplo 11.4
Hectáreas Número de veces Probabilidad Probabilidad