DECISIONES BAJO CONDICIONES DE INCERTIDUMBRE

ANLISIS DE RIESGO Y SIMULACIN DE MONTECARLO 1

Autor: Ing. Antonio Sottile Bordallo
Ctedra: Titular Computacin

Introduccin
Es una tarea muy importante comparar varios cursos de accin y finalmente
seleccionar la mejor alternativa que se va a realizar. En determinados casos, esta tarea
puede resultar excesivamente desafiante y puede implicar en mayor o menor medida,
asumir determinados riesgos. Las dificultades de la toma de decisiones estn
representadas por la complejidad asociada a las distintas alternativas del proceso de
Toma de

decisin. La capacidad que tiene un Decisor de procesar informacin no es

ilimitada es un factor de exigencia ya sea cuando se consideran las implicancias de un

solo curso de accin, o en el caso en el que

se deben visualizar y comparar las

implicancias de varios cursos de accin originados en las posibles alternativas. Adems,

hay factores desconocidos

que tambin influyen

en la situacin problemtica

complicando an ms la toma de decisin; . La mayora de las veces, el resultado es

subjetivo y depende de las reacciones de otras personas. No es de sorprender entonces
que a veces los Decisores demoren la eleccin lo ms posible y frente a la misma
situacin problemtica no opten por la misma alternativa y que a veces

tomen una

decisin sin haber evaluado todas las implicancias de la misma.

Un hombre de negocios no necesita ser un economista, pero debe tener un cierto
grado de formacin que le permita solucionar los problemas que pudiera llegar a presentar
la empresa, y en algunas ocasiones estas nociones lo ayudarn a tomar decisiones no
slo de la empresa si no de la vida cotidiana, de manera acertada.
Algunas decisiones comerciales son tan difciles e importantes como para justificar
el uso, no slo del anlisis terico correspondiente, si no tambin que requieran el estudio
experimental que reflejen el comportamiento de un Sistema Real mediante la utilizacin
de Modelos Matemticos como se aplica en el proceso de Simulacin de Montecarlo, que
1

Proyecto Subsidiado por la Cooperadora de la Facultad de Ciencias Econmicas UNC

Pgina 1 de 1

nos permite experimentar en escenarios con incertidumbre y por lo tanto donde existe un
Riesgo asociado a la Toma de Decisin.

Decisiones
En la vida de las organizaciones o del individuo, siempre se presentan situaciones
problemticas que deben ser resueltas. Las formas de encarar una solucin son diversas
y debemos considerar los recursos necesarios que

disponemos para alcanzar este

objetivo. Al presentarse diversas alternativas de solucin, es razonable pensar en

seleccionar la mejor de ellas. Aqu el trmino mejor puede tener diversos significados,
segn los objetivos del decisor. La funcin de un gerente o decisor es tomar decisiones.
Se enfrenta a un problema y siempre tendr que elegir un curso de accin.
Un problema tiene seis componentes:
1. La persona que lo enfrenta, en general se llamar el Decisor. Esta puede ser o un
individuo o una organizacin.
2. Las variables controlables por el Decisor. Son aquellas sobre las cuales un Decisor
puede influir de manera efectiva.
3. Las variables no controlables o del entorno. Son aquellas sobre las cuales el Decisor
no tiene influencia alguna pero debe considerar aquellas que afecten su decisin.
4. Las alternativas. En el proceso de anlisis de la situacin para encontrar una
solucin, se encuentran alternativas que "resuelven" el problema. Estas alternativas
de solucin son los diferentes cursos de accin que pueden seleccionarse.
5. Las restricciones. Algunas variables o combinaciones de variables pueden tener una
o ms restricciones que deben satisfacerse. No hay que olvidar que la toma de
decisiones no es un ejercicio obvio, ni trivial, debido precisamente a que los recursos
no son ilimitados.

Pgina 2 de 2

6. La decisin. Se trata de escoger una alternativa que sea eficiente, que produzca
resultados satisfactorios, en relacin con lo que el Decisor valora o aprecia. Aqu
eficiencia se entiende por una alta relacin entre los resultados obtenidos y los
recursos empleados. Entre estas soluciones o alternativas satisfactorias habr una
que es la mejor y se llama ptima. Si se busca la mejor, se est optimizando. Se
puede tratar de encontrar una solucin o alternativa que produzca resultados
satisfactorios y no ptimos.
Se tratar de explicar lo relacionado con la toma de decisiones en escenarios con
incertidumbre para as poder tener una mejor visin del riesgo que se corre por parte de
una empresa u organizacin
La toma de decisiones pueden dividirse en dos clases:
a) Decisiones programadas que hacen al funcionamiento de las distintas reas de
una empresa, esto debido a que las decisiones diarias son rutinarias porque los
gerentes suelen usar algunos procedimientos estndar para tomarlas. Algn
ejemplo de este tipo de decisiones son las que se toman en el rea de control de
inventarios, control de costos, control de calidad, control de produccin y algunas
compras.
Por ejemplo dentro del control de inventarios de una empresa puede ser a travs
de procedimientos rutinarios, como el clculo peridico de las cantidades
econmicas del periodo.
b) Decisiones no programadas que son especiales para una situacin dada.
Puesto que cada decisin implica un nuevo conjunto de alternativas que pueden
ser difciles de analizar, aqu los gerentes o los encargados de un negocio o
empresa tienden a aplicar su criterio, experiencia, intuicin y reglas empricas
para las decisiones no programadas como por ejemplo la ubicacin de un nuevo
producto o de un nuevo servicio, o la implementacin de un nuevo proceso, la
introduccin de un equipo automtico, etc.
Las variables comprendidas en las decisiones no programadas, por lo general son
un poco ms complejas que en las decisiones programadas.
Pgina 3 de 3

Las decisiones programadas tradicionalmente se han tomado sobre la base de

procedimientos estndar, confianza en los hbitos administrativos, uso de unas cuantas
tcnicas cuantitativas tradicionales y el paso por los canales adecuados de la
organizacin.
El desarrollo de estos procedimientos, hbitos, tcnicas y canales ha sido
principalmente el resultado de la experiencia obtenida del mtodo de prueba y error para
la toma de decisiones; tales decisiones aunque son efectivas, rara vez representan la
mejor opcin.
Los desarrollos recientes en el rea de las decisiones programadas han permitido a
los gerentes moverse en direccin a las decisiones ptimas, uno de estos desarrollos se
ve reflejado en el uso de la computadora que permite tener un fcil acceso a datos
estadsticos o tambin una tcnica que cada vez es ms utilizada, que es la Simulacin.
La simulacin es una tcnica numrica que facilita la manipulacin de una o ms
variables y parmetros que se encuentran asociadas a un problema determinado.
Cuando se hacen necesarios miles de clculos, resulta muy til el Computador para
procesar los datos, la simulacin proporciona experimentos mediante los cuales se
prueban los cursos de accin alternativos.
An cuando se ha empleado la simulacin para resolver algunos casos de
produccin, tambin se pueden ver cules son las partes de la misma produccin que se
vern afectados

facilitando la percepcin de problemas aunados a la de decisiones

respecto a la misma produccin y atacando as las posibles consecuencias de una

decisin.
La mejor ventaja de usar simulacin para el tomador de decisiones es que los
resultados de una decisin pueden determinarse antes de su aplicacin en el mundo real,
esto mejora significativamente el enfoque de prueba y error, en el que la ejecucin es un
pre-requisito para descubrir sus resultados.
Otra tendencia reciente implica el uso de las tcnicas

de investigacin de

operaciones, tales como la programacin lineal, la teora de las colas (lneas en espera),
as como la programacin dinmica. Pero obviamente la mejor decisin es, desde luego,
Pgina 4 de 4

la mejor en trminos de la variables, las constantes, los parmetros y la metodologa,

asociadas a determinadas tcnicas de investigacin de operaciones.

Modelos en la Toma de Decisiones

Los modelos son abstracciones de la vida real. Son muy tiles en la toma de
decisiones por dos motivos:
a) Reducen problemas complejos a ms sencillos y ms fciles de manejar
b) Proporcionan un medio para predecir cual ser el resultado de una decisin.
Existen varios tipos de modelos que se utilizan para la toma de decisiones en el comercio
y, especialmente en la produccin como por ejemplo:
modelos matemticos los cuales se clasifican a su vez en:
determinsticos
probabilsticos o estocsticos cuyo comportamiento lo podemos observar en la
figura 1.

Pgina 5 de 5

Un modelo matemticos determinstico es un enunciado expresado como

ecuaciones de relaciones entre las variables y constantes asociadas con un problema. Un
modelo determinstico predecir los resultados exactos bajo ciertos hechos y
suposiciones.
Por ejemplo: la ecuacin de una lnea recta Y=a+bx es un modelo matemtico
determinstico que puede bien aplicarse a la proyeccin lineal de predicciones, las
intersecciones de parmetros en programacin lineal y la interseccin del costo total y el
ingreso total en el anlisis del punto de equilibrio.
Al insertar el o los nmeros apropiados para las letras a (interseccin en y) y b (la
pendiente), se puede expresar como una lnea recta algebraicamente para encontrar los
puntos de interseccin, las expresiones que representan una lnea se igualan con la otra
y se resuelven con certeza obteniendo un resultado.

Un modelo probabilstico o estocstico es un enunciado de las relaciones entre

variables y constantes a las que se asocia probabilidades estadsticas. Dicho de otra
manera existe la probabilidad de ocurrencia asociadas al comportamiento de las variables
y se describe como Incertidumbre, la salida del modelo estar expresada en n
resultados.

Naturaleza del Proceso Decisorio

La Decisin determina la eleccin de una forma de actuar frente a un nmero finito
de alternativas posibles (A1, A2, ..., Ai) y con el objetivo de alcanzar en el futuro una
situacin deseable.
La variable tiempo es un elemento ms en la Toma de Decisiones ya que la
decisin que tomamos en el momento presente con los datos disponibles, generar un
resultado en el futuro (F1, F2,...Fi). que pueden presentarse, es decir que cada uno de
estos estados deseables tendr una probabilidad de ocurrencia asociada (P1, P2, ...P3)

Clasificacin del los Problemas de Decisin

Pgina 6 de 6

Decisiones en Condiciones de:

Caractersticas
Un

nico

futuro

posible

cuya

probabilidadad asociada es P =1

CERTEZA
Riesgo

Varios

futuros

Fi

posibles

cuyas

probabilidades Pi son conocidas

Incertidumbre Varios
ALEATORIEDAD

futuros

Fi

posibles

cuyas

probabilidades no son conocidas

En nuestro estudio abordaremos al rea correspondiente a las Decisiones en condiciones

de Aleatoriedad.

Incertidumbre en el Anlisis de Riesgo

La incertidumbre puede ser definida como la falta de conocimiento preciso o
desconocimiento de las causas que determinan el comportamiento de un sistema real o
las variable que definen el modelo respectivo, sea sta cualitativa o cuantitativa.
Esto genera los siguientes inconvenientes:
1. No podemos describir con certeza el comportamiento parcial o total de un
sistema.
2. Debemos realizar el Anlisis de Riesgo y tomar decisiones en ese contexto de
incertidumbre.
Objetivo de hacer un Anlisis de Incertidumbre es mejorar sustancialmente la calidad
y el resultado del proceso de toma de decisiones.
Para esto necesitamos herramientas que nos posibiliten determinar y cuantificar las
fuentes de incertidumbre permitiendo de esta manera la construccin de estimadores de
riesgo ms confiables en un rango de probabilidades.
Para ello describiremos a continuacin los distintos tipos de Incertidumbre que
debemos tener en cuenta para considerar su efecto y poder construir de esta manera los
estimadores de riesgo respectivos.
Pgina 7 de 7

TIPOS DE INCERTIDUMBRE
1. Incertidumbre relativa a los escenarios considerados.
2. Incertidumbre en lo que respecta a los parmetros.
3. Incertidumbre en el Modelo.
Incertidumbre en los Escenarios
Es la falta de informacin requerida para definir en forma completa el Anlisis que
est expresada por:

Errores de agregacin al combinar la diferentes aproximaciones.

Errores de juicio profesional al definir las caractersticas de los escenarios.

Anlisis incompleto. Esta es una las causas ms difciles de subsanar ya que no

es esencialmente cuantificable ya que no podemos cuantificar aquello que no
hemos considerado y por lo tanto es una de las causales mas significativas.

La definicin de escenarios debe ser fundamentada cualitativamente para validar las

conclusiones en lo que se refiere a considerar o descartar escenarios que representen la
realidad.
Ejemplos de este tipo se pueden presentar como:

Anlisis incompleto: el mismo genera un riesgo mayor que el real por ejemplo
no considerar el efecto de la competencia interna o externa en un estudio de
mercado realizado para lanzar un producto al mismo.

Error de agregacin: por ejemplo si consideramos a toda la poblacin

homognea cuando pueden existir subconjuntos o subpoblaciones ms sensibles.

Incertidumbre en los Parmetros

Errores de medicin: son bastante significativos ya que ningn proceso de

medicin es perfecto y podemos encontrar los siguientes tipos de errores:
Pgina 8 de 8

Aleatorios: los mismos tienden a cero con ms y mejores mediciones.

Sistemticos: son la consecuencia de la calibracin imprecisa de los
instrumentos de medida, y determinan el sesgo con respecto al valor
verdadero.

Errores de Muestreo
Se producen al analizar una muestra de la poblacin para inferir datos acerca
de la poblacin total, disminuyen a medida que aumentamos el tamao de la
muestra.

Uso de Datos genricos

Se producen cuando al no tener datos reales se toman de otros Anlisis
similares.

Desacuerdo
Si el conocimiento no es perfecto como ocurre en campos de innovacin y
desarrollo, no siempre existir entre los cientficos concordancia en el cual esa
la Verdad.

Incertidumbre en el Modelo
La misma esta relacionada a las variables que caracterizan el modelo y la
cuantificacin de las interacciones entre las mismas.
Las variables que caracterizan el Modelo son de distinto tipo en consecuencia la
determinacin de la Incertidumbre ser en funcin del tipo de variable que definiremos
como:

Constantes: en este caso por definicin no es incierto.

Pgina 9 de 9

Cantidades Empricas: Son aquellos atributos medibles y a los cuales se les

puede asociar un valor de distribucin de probabilidad.

Variables de Decisin:

Son aquellas sobre las que tenemos un control

directo sobre lo que debemos realizar, el mejor valor es el resultante del

Anlisis.

Parmetros de Valor: Son aquellos que representan las preferencias del

Tomador de Decisiones

y son

los que introducen el mayor grado de

incertidumbre.

Resultado: El mismo ser probabilstico o determinstico en funcin de la

naturaleza de las entradas.

Tipo de Variable

Ejemplo

Tratamiento de la
Incertidumbre

Constante

Nmero atmico

Cierto por definicin

Productividad de un proceso Probabilstico o paramtrico

Cantidades Empricas

Peso del Pescado

Precio de un combustible
Tamao de planta

Variable de Decisin

Nmero

de

piscinas

Paramtrico
de

crianza
Resultado

Valor Actualizado Neto

Determinada

Tasa Interna de Retorno

Entradas

por

las

Incertidumbre versus Variabilidad

En la prctica ambos trminos se utilizan en forma intercambiable, sin embargo
conceptualmente son distintos.

Pgina 10 de 10

La incertidumbre puede ser representada por distribuciones de probabilidad, la

variabilidad por distribuciones de frecuencia. Aunque desde el punto de vista operacional
son similares, representan fenmenos distintos ya que:
La incertidumbre proviene del desconocimiento o errores de medicin.
La variabilidad se genera en diferencias espaciales, temporales del parmetro de
inters.
La incertidumbre se puede disminuir con un buen Anlisis y con ms y mejores
mediciones.
La variabilidad exige concentrarse en la naturaleza de fenmenos especficos.
Un ejemplo de ello puede ser determinar las concentraciones de contaminantes
atmosfricos en una ciudad.
La variabilidad estar reflejada en la variacin temporal (diaria, estacional ) y
geogrfica y
La incertidumbre en lo que respecta a la medicin de la concentracin de
contaminantes.

Pgina 11 de 11

Fases del Anlisis de Riesgo

En la siguiente figura podemos observar los pasos a seguir en anlisis de proyectos bajo
riesgo e incertidumbre.
Identificar el Riesgo

Cuantificar el
Riesgo

Anlisis de
Riesgo

Presentar los
Resultados

Modelo preliminar

Identificar el Riesgo: es el conjunto de tcnicas utilizadas para determinar el Riesgo y

la seleccin del modelo apropiado.
Cuantificar el Riesgo:

en funcin de las caractersticas del problema debemos

seleccionar la distribucin de probabilidad apropiada.

Anlisis de Riesgo: para realizar el anlisis, podemos utilizar la tcnica de Simulacin
de Monte Carlo para evaluar el comportamiento del modelo en el tiempo.
Presentacin

de

los

Resultados:

recabar

las

estadsticas

que

reflejen

el

comportamiento del Modelo y su representacin grfica que permite su sencilla

evaluacin para la toma de decisin.

Pgina 12 de 12

Primera Presentacin: evaluar las salidas del modelo para determinar la conveniencia o
no de su implementacin (business decisin).
Incertidumbre y Anlisis de Riesgo son herramientas muy tiles en el proceso de
decisin por ejemplo al evaluar un proyecto de inversin que tiene dos alternativas con el
mismo valor esperado pero diferente grado de incertidumbre la eleccin de uno u otro
depender del menor factor de Riesgo.

Mtodos para Modelar la Incertidumbre

Entre los mtodos podemos encontrar los siguientes:
Mtodos para calcular el efecto que producen cambios en los parmetros en el
resultado final: Anlisis de Sensibilidad.
Mtodos para calcular la incertidumbre en los resultados del Modelo debido a la
incertidumbre de los parmetros: Propagacin de la Incertidumbre
Mtodos para estimar la contribucin de ala incertidumbre de los parmetros de
entrada en la incertidumbre de los resultados: Anlisis de Incertidumbre
En nuestro caso nos ocuparemos de la incertidumbre que produce cambios en el Modelo
y en los posibles resultados.

Propagacin de la Incertidumbre
Podemos utilizar herramientas como:
Mtodos Analticos: Anlisis de Sensibilidad y Anlisis de Escenarios.
Tcnicas de Simulacin : especficamente la Simulacin de Montecarlo.

Pgina 13 de 13

SIMULACIN DE MONTECARLO
Esta mtodo se caracteriza por lo siguiente:
Una extensin del anlisis de sensibilidad y de escenarios.
Simultneamente

toma

en

cuenta

las

diferentes

distribuciones

de

probabilidades y los diferentes rangos de los valores para las variables claves
del proyecto.
Permite la correlacin entre variables.
Anlisis de tipo dinmico. Escenarios aleatorios consistentes.
Genera una distribucin de probabilidad de resultados del proyecto (VAN) en
vez de un solo estimado. Perfil denominado de riesgo/rendimiento.
La distribucin de probabilidad del proyecto facilita la toma de decisiones pero
existen problemas de interpretacin y uso.
Facilita el mejoramiento del Modelo y por consiguiente su aproximacin al
Sistema Real.
Permite evaluar la informacin requerida para reducir la Incertidumbre.
Facilita la toma de decisiones en un contexto de Incertidumbre al comprender
el efecto de sta sobre el resto de los componente considerados.
Es importante no solo mostrar el valor esperado para una variable, sino
tambin el rango de variacin ya que puede ocurrir que dos proyectos tengan
el mismo valor esperado pero diferente factor de riesgo.
Por lo tanto si debemos realizar Anlisis de Riesgo en escenarios con Incertidumbre
es fundamental la determinacin de estimadores de riesgo con un rango de
probabilidades que reflejen el comportamiento del sistema real y no simplemente como
un conjunto de nmeros elegidos subjetivamente.
PASOS PARA EJECUTAR EL MTODO DE SIMULACIN DE MONTECARLO
Modelo Matemtico: disear un modelo Matemtico que represente el sistema real
en funcin del objetivo de estudio para ello se puede utilizar el Excel o un software
especfico para Anlisis de Riesgo (@risk, Crystall Ball )

Pgina 14 de 14

Identificar variables significativas o relevantes en funcin del objetivo de estudio,

que son sensibles e inciertas y asociarle una funcin de distribucin de probabilidad.
Definir el riesgo: Establecer un rango de opciones (mnimo y mximo) en funcin de
la naturaleza del problema y considerando las caractersticas probabilsticas de las
variables consideradas.
Identificar y definir

variables correlacionadas: Es muy importante definir la

interaccin existente entre las variables cuya modificacin generan un cambio en la

variable correlacionada, un ejemplo de ello puede ser el precio de un producto con la
posible demanda del mismo.
Disear el experimento de Simulacin
Anlisis de resultados
Resultados estadsticos
Distribuciones

Ejemplo :
Anlisis de Riesgo de un proyecto de Inversin analizando el VAN con respecto a la
distribucin acumulada de frecuencias graficados en los casos 1 , 2 y 3.
Vamos a suponer que aplicamos todos los pasos que requiere

el mtodo de

Montecarlo y debemos analizar los resultados de la simulacin que son graficados

utilizando un Histograma en donde se grafica la frecuencia de ocurrencia de los valores
de la variable estocstica considerada, luego en funcin del porcentaje de casos en el
cuadrante negativo o positivo se puede observar el Factor de Riesgo asociado a la toma
de decisin respectiva en cuanto a las distintas alternativas que se pueden presentar.
Los modelos de simulacin para proyectos de inversin utilizan algunos indicadores
o estimadores para analizar si un proyecto es econmicamente viable, y en qu medida.
Los que se consideran como los ms utilizados por los expertos son los siguientes:

Pgina 15 de 15

VAN (Valor actual neto): que consiste en actualizar a valor presente los flujos de
caja futuros que va a generar el proyecto, descontados a un cierto tipo de inters ("la
tasa de descuento"), y compararlos con el importe inicial de la inversin.

TIR (Tasa interna de retorno): que es la tasa de descuento que iguala el VAN a
cero.

Perodo de retorno: que es el perodo que se tarda en recuperar la inversin inicial

por medio de los flujos de caja generados por el proyecto.
Luego de aplicada la Tcnica de Simulacin de Montecarlo debemos analizar los n

resultados obtenidos, es decir la curva de respuesta del Modelo Probabilstico

analizando el comportamiento en este caso de uno de los estimadores, el

VAN, el

Decisor opta en funcin del resultado de la Simulacin por la conveniencia o no de

realizar el emprendimiento. El procedimiento se detalla a continuacin y nos ocuparemos
fundamentalmente de analizar la grfica de los posibles resultados considerando que la
misma est representada por la frecuencia acumulada de la variable simulada que en
nuestro caso particular es el VAN.
Anlisis de resultados
Distribucin de probabilidades de posibles resultados del proyecto.( valor esperado,
varianza)
Riesgo del proyecto representado en la posicin y forma de la distribucin de
probabilidades acumuladas de la variable considerada en nuestro caso el VAN.
Determinar el perfil de riesgo, decisin final subjetiva segn actitud del inversionista al
riesgo y las caractersticas particulares del proyecto.
En la figura siguiente se representa a travs de un Histograma, la respuesta o salida de la
aplicacin CRISTAL BALL, luego se representa en forma aproximada las posibles
respuestas del estimador VAN y la Toma de Decisin asociada.

Pgina 16 de 16

Simulacin de Monte Carlo (un ejemplo)

Aplicacin del Crystal Ball

Forecast: VPN al 20%

1,000 Trials

Cumulative Chart

7 Outliers

1.000

1000

.750

750

.500

500

.250

250

.000
-400,000.00

0
-200,000.00

0.00

200,000.00

400,000.00

Caso 1: Probabilidad de VAN Negativo = 0, es decir no existen valores en el cuadrante

negativo.

Distribucin Acumulada

Decisin:
Aceptar

VAN

El lmite menor de la distribucin acumulada est a la derecha del VAN con valor de cero.

Pgina 17 de 17

Caso 2: Probabilidad de VAN Positivo = 0, es decir no existen valores en el cuadrante

positivo.

Distribucin Acumulada

Decisin:
Rechazar

VAN

El lmite mayor de la distribucin acumulada est a la izquierda del VAN con valor de
cero.
Caso 3: La Probabilidad de un VAN de cero es mayor a 0 pero menor a 1, es decir que
los valores obtenidos se distribuyen en ambos cuadrantes.

Distribucin Acumulada

Decisin:
Ambigua

VAN de cero atraviesa la distribucin acumulada.

Pgina 18 de 18

VAN

Conclusiones
El utilizar la Simulacin nos permite experimentar con las variables del modelo y en
funcin del anlisis del comportamiento de las variables significativas del Modelo
Estocstico, se puede obtener la curva de respuesta completa, no slo el valor esperado,
lo que nos permite precisar el Factor de Riesgo asociado a la Toma de Decisiones en
escenarios con Incertidumbre. Es fundamental en estos escenarios determinar el perfil de
riesgo, porque no siempre es suficiente con obtener el valor esperado de la variable
estocstica que puede ser el mismo para dos respuestas o alternativas diferentes, pero
en las cuales vara sustancialmente el perfil de riesgo asociado.
En sntesis las ventajas de la Simulacin son:
Nos permite identificar el Riesgo asociado a la Toma de Decisin
Mejora el entendimiento del proyecto como consecuencia de los ensayos
realizados.
Podemos realizar proyecciones bastantes confiables.
Nos permite experimentar en distintos escenarios y analizar el resultado de aplicar
diferentes estrategias.
Ahora recordaremos algunos estimadores utilizados para medir el Factor de Riesgo:

Medidas de Riesgo
Valor esperado = x i . P(x i)
La varianza es una medida del riesgo; por lo tanto, cuanto mayor sea la varianza, mayor
el riesgo
Varianza = [xi . x i . P(xi)] - (Valor esperado)2 ]

Pgina 19 de 19

Desviacin estndar.
Desviacin estndar = (Varianza) 1/2
Ambas, la varianza y la desviacin estndar, proporcionan la misma

informacin; siempre se puede obtener una de la otra. En otras palabras, el

proceso de calcular una desviacin estndar siempre involucra el clculo de una
varianza. Como la desviacin estndar es la raz cuadrada de la varianza, siempre
se expresa en las mismas unidades que el valor esperado.
Prdida esperada: Total de rendimientos negativos x probabilidad respectiva.
Ganancia esperada: Total de rendimientos positivos x probabilidad respectiva.
Razn de prdida esperada:
Prdida esperada
Ganancia esperada Prdida esperada

Coeficiente de Variacin

El Coeficiente de Variacin (C.V.) =(Desviacin estndar / Valor esperado)100 %

Observe que el C.V. es independiente de la medida de unidad delvalor esperado.

El coeficiente de variacin se usa para representar la relacin entre la desviacin
estndar y el valor esperado; expresa el riesgo como porcentaje del valor
esperado.

Pgina 20 de 20

Bibliografa
Mtodos Cuantitativos para los Negocios
Autor Anderson David R.
Editorial Thomson International
Edicin 1999
Investigacin de Operaciones
Autores: Kamlesh Mathur Daniel Solow
Editorial: Prentice Hall
Edicin 1996
Simulacin y Anlisis de Modelos Estocsticos
Autores: mamad r. Azarang Eduardo Garca Duna
Editorial: Ma Graw Hill
Edicin: 1996
Introduccin a los Modelos Cuantitativos en Administracin
Autor: Anderson David
Editorial Iberoamerica
Edicin 1993
Mtodos Cuantitativos para la Toma de Decisiones en Administracin
Charles A. Gallagher
Hugh Watson
Mc Graw Hill
Anlisis Cuantitativo para los Negocios
Bonini Asuman Bierman
Mc Graw Hill
1999
Tcnicas Cuantitativas
Dresdner Evelson Dreiyfus
Ediciones Universo
1998
Pgina 21 de 21

Articulo de la Dra. Karla Aguirre Torres

Riesgo e Incertidumbre en la Toma de Decisiones
http://elprisma.com

Sitios consultados en Internet:

http://ubmail.ubalt.edu/~harsham/
http://consulting.hord.com/finmodelling.html
http://csep1.phy.ornl.gov/mc/mc.html
http://www.palisade-europe.com/espanol/
http://www.decisioneering.com/
http://www.sra.org/
http://www.montecarlosimulations.org/

Pgina 22 de 22