Toma de Decisiones bajo Incertidumbre

Decisión y Análisis de Riesgo en Du Pont

Análisis de decisiones formales de cara a la incertidumbre ocurre frecuentemente en la mayoría de
los niveles estratégicos del proceso de planeación de una compañía. Este es ciertamente el caso
con Du Pont, como es reportado por dos internos expertos en análisis de decisiones, Krumm y
Rolle (1992), en su artículo “Gerencia y Aplicación de Decisiones y Análisis de Riesgo en Du Pont”.
El uso formal de análisis de decisiones en Du Pont inicio en la década de los 60s, pero debido a
falta de poder de cómputo y la desconfianza del método por la gerencia de nivel sénior, nunca
tuvo un punto de apoyo. Sin embargo, a mediados de los 80s las cosas cambiaron
considerablemente. La compañía estaba involucrada en un ambiente más rápido, y más incierto,
más gente en la compañía tenía la potestad de tomar decisiones y estas decisiones tenían que ser
tomadas con rapidez. Además, el poder de cómputo había llegado para hacer factible el análisis
cuantitativo a mayor escala. Desde ese tiempo, Du Pont adopto el análisis formal de toma de
decisiones en todos sus negocios, y la tendencia es casi seguro que continúe.

El artículo describe un ejemplo típico de análisis de decisión dentro de la empresa. Uno de los
negocios de Du Pont, Negocio Z (llamado así por razones de confidencialidad), se estaba
estancando. No estaba creado para responder rápidamente a las demandas de los clientes, y su
posición financiera estaba declinando debido a precios más bajos y participación de mercado. Un
comité de decisión y un equipo de proyecto estaban facultados para revertir las cosas. El equipo
de proyecto desarrollo un calendario detallado para cumplir tres pasos básicos: enmarcar el
problema, evaluar la incertidumbre y ejecutar el análisis, e implementar la decisión recomendada.
El primer paso involucraba establecer una “tabla de estrategias” para listar las posibles estrategias
y los factores que afectarían o serian afectados por ellas. Las tres estrategias básicas fueron 1) una
estrategia de caso-base (continuar la operación como estaba), 2) una estrategia de diferenciación
de producto (desarrollar nuevos productos), y 3) una estrategia de liderazgo de costos (cerrar la
planta y simplificar la línea de productos).

En el segundo paso, el equipo pidió a una variedad de expertos de la compañía asesoría en la

posibilidad de eventos claves inciertos. En el paso de análisis ellos usaron toda la información
ganada para determinar la estrategia con el mayor valor actual neto esperado. Dos aspectos
importantes de este paso del análisis fueron el uso extensivo de análisis de sensibilidad (muchas
preguntas que pasaría si?) y la emergencia de nuevas estrategias “hibridas” que dominaban las
estrategias que habían sido consideradas hasta este punto. En particular, el equipo finalmente se
decidió en una estrategia de diferenciación de producto que también bajaba costos cerrando
algunas facilidades en cada planta.

Para el momento del tercer paso, la implementación, el comité de decisión necesitaba poco
convencimiento. Ya que todo el personal clave había tenido la oportunidad de proveer entrada al
proceso, todos estaban convencidos que la estrategia correcta había sido seleccionada. Todo lo
que quedaba era poner el plan en movimiento y monitorear sus resultados. Los resultados fueron
impresionantes. El Negocio Z hizo un giro de 180 grados, y su valor presente neto aumento por
cerca de $200 millones. Además de este beneficio tangible, hubieron definidos beneficios
intangibles del proceso completo. Como el vice-presidente de Finanzas de Du Pont lo dijo, “El
proceso D&RA (decisión y análisis de riesgo) mejoro la comunicación dentro del equipo de
negocios también como entre el equipo y la gerencia corporativa, resultando en rápida aprobación
y ejecución. Como un tomador de decisiones, yo valoro grandemente tal método claro y lógico de
tomar decisiones bajo incertidumbre y continuare usando D&RA cuando sea posible”.

Introducción
En esta sección proveeremos un marco formal para analizar problemas de decisiones bajo
incertidumbre. Discutiremos los criterios más frecuentemente usados para escoger entre
decisiones alternativas, como las probabilidades son usadas en el proceso de toma de decisiones,
como las decisiones que son tomadas en una etapa temprana afectas las decisiones hechas en una
etapa posterior, como un tomador de decisiones puede cuantificar el valor de la información, y
como las actitudes hacia el riesgo pueden afectar el análisis.

Existen muchos ejemplos de toma de decisiones bajo incertidumbre en el mundo de los negocios.
Aquí hay varios ejemplos:

• Las empresas colocan ofertas para contratos para completar un cierto proyecto dentro de
un tiempo fijado. A menudo estas son ofertas selladas, donde cada una de las compañías
presentan en un sobre sellado una oferta para completar el proyecto, luego los sobres se
abren, y la oferta más baja es premiada con el monto de la oferta para completar el
proyecto. Cualquier compañía particular en la competencia debe tratar con la posible
incertidumbre de su costo real de completar el proyecto (si gana la oferta), también como
la incertidumbre relacionada en lo que las otras compañías ofertaran. La compensación
esta entre ofertar bajo para ganar la oferta y ofertar alto para obtener ganancias.
• Cuando una empresa contempla introducir un nuevo producto al mercado, hay un número
de incertidumbres que afectan la decisión, probablemente la más importante sea la
reacción de los clientes al producto. Si el producto genera alta demanda, entonces la
empresa hará una gran ganancia. Pero si la demanda es baja (y, después de todo, la vasta
mayoría de nuevos productos ejecutan pobremente), entonces la empresa podría ni
siquiera recuperar sus costos de desarrollo. Debido a que el nivel de la demanda es crítico,
la empresa podría tratar de medir este nivel haciendo pruebas en una muestra selecta de
la población en una región del país. Si este mercado de prueba es un éxito, la empresa
puede entonces ser más optimista que una campaña nacional completa del producto
también será exitosa. Pero si el mercado de prueba es un fracaso, la empresa puede
disminuir sus pérdidas abandonando el producto.
• Borison (1995) describe una aplicación de análisis de decisión formales por Oglethorpe
Power Corporation (OPC), un proveedor de electricidad residente en Georgia. La decisión
básica que OPC encaraba era si construir una nueva línea de transmisión para suplir
grandes cantidades de electricidad a partes de Florida y, si ellos decidían construirla, como
financiar este proyecto. OPC tenía que tratar con varias fuentes de incertidumbre: el costo
 de construir nuevas facilidades, la demanda de energía en Florida, y varias condiciones del
mercado como el precio de contado de la electricidad.
• Ulvila (1997) describe el análisis de decisión realizado por el servicio postal de U.S.A.
respecto a la compra de equipo de automatización. Una de las decisiones de inversión era
cual tipo de equipo OCR (reconocimiento óptico de caracteres) el Servicio Postal debía
comprar (o convertir) para leer direcciones simples y/o múltiples en los paquetes. Un
factor importante en esta decisión era el nivel de uso por los negocios del “zip+4” (códigos
zip de 9 dígitos). El uso de Zip+4 había sido recomendado por algún tiempo pero era usado
solo esporádicamente. El Servicio Postal estaba inseguro sobre el nivel futuro del uso del
zip+4. Si los negocios usaban los códigos de 9 dígitos intensivamente en el futuro,
entonces un cierto tipo (caro) de equipo OCR sería más económico. Si el uso del zip+4 no
incrementaba, entonces comprar este equipo sería un desperdicio de dinero. La decisión
era extremadamente importante, dado el gasto del equipo propuesto y el hecho que el
Servicio Postal tendría que vivir con el equipo adquirido por un buen número de años.
• Las empresas de servicios públicos deben tomar decisiones que tienen consecuencias
ambientales y económicas significativas. Balson (1992) provee una buena discusión de
tales consecuencias. Para estas empresas no es necesariamente suficiente ajustarse a
regulaciones ambientales estatales. Las decisiones de cortes han encontrado a las
compañías responsables por enormes pagos cuando ocurren accidentes, aunque las
empresas siguieron todas las regulaciones existentes. Por lo tanto, cuando las empresas
de servicios públicos deciden, digamos, si reemplazar equipo o mitigar los efectos de
contaminación ambiental, deben tomar en cuenta las posibles consecuencias ambientales
(tales como lesiones a personas) tan bien como las consecuencias económicas (tales como
demandas). Un aspecto de estas situaciones que hacen el análisis de decisiones
particularmente difícil es que los potenciales “desastres” son a menudo extremadamente
improbables, por lo tanto, su probabilidad es muy difícil de evaluar con exactitud.

Elementos de un Análisis de Decisión

Aunque la toma de decisiones bajo incertidumbre ocurre en una amplia variedad de contextos,
todos los problemas tienen tres elementos en común: 1) el conjunto de decisiones (o estrategias)
disponibles al tomador de decisiones, 2) el conjunto de posibles resultados y las probabilidades de
estos resultados, y 3) un modelo de valor que prescribe resultados, usualmente valores
monetarios, para las varias combinaciones de decisiones y resultados. Una vez que estos
elementos son conocidos, el tomador de decisiones puede encontrar una decisión “optima”,
dependiendo del criterio de “optimalidad” escogido. En vez de discutir estos elementos en lo
abstracto, los introduciremos en el contexto del siguiente ejemplo.

Licitación para un contrato del gobierno en SciTools

SciTools Incorporated, una empresa que se especializa en instrumentos científicos, ha sido
invitada para hacer una oferta por un contrato del gobierno. El contrato demanda por un número
específico de estos instrumentos a ser entregados el año próximo. Las ofertas deben ser selladas
(de modo que ninguna empresa sepa lo que los otros están ofertando), y la oferta más baja gana
el contrato. SciTools estima que le costara $5,000 preparar una oferta y $95,000 suministrar los
instrumentos si gana el contrato. En base de contratos pasados de este tipo, SciTools cree que las
ofertas bajas posibles de la competencia, si hay alguna competencia, y las probabilidades
asociadas son aquellas mostradas en la tabla siguiente. Además, SciTools cree que hay un 30% de
chance que no habrá ningún competidor.

Oferta Probabilidad
Menos de $115,000 0.2
Entre $115,000 y $120,000 0.4
Entre $120,000 y $125,000 0.3
Mayor que $125,000 0.1

Solución
Discutamos los tres elementos del problema de SciTools. Primero, SciTools tiene dos estrategias
básicas: enviar una oferta o no enviar una oferta. Si SciTools envía una oferta, entonces debe
decidir cuánto ofertar. Basado en el costo de SciTools de preparar una oferta y los costos de suplir
los instrumentos obviamente no hay ninguna razón en pedir menos de $100,000, SciTools no
tendría ninguna ganancia aun si ganara la licitación. Aunque cualquier cantidad pedida por encima
de $100,000 podría ser considerada, los datos en la tabla podrían persuadir a SciTools a limitar su
elección a $115,000, $120,000 y $125,000.

El siguiente elemento del problema involucra los resultados inciertos y sus probabilidades. Hemos
asumido que SciTools sabe exactamente cuánto costara preparar una oferta y cuanto costara
suplir los instrumentos si gana la licitación. (En realidad, estos son estimados probables de los
costos reales). Por lo tanto, la única fuente de incertidumbre es el comportamiento de los
competidores- participaran en la licitación y si es así, cuánto? De la perspectiva de SciTools, esta es
una información difícil de obtener. El comportamiento de los competidores depende de 1) cuantos
competidores participaran y 2) como dichos competidores evalúan sus costos para suplir los
instrumentos. Sin embargo, asumiremos que SciTools ha estado involucrado en licitaciones
similares en el pasado y puede, por lo tanto, predecir el comportamiento de los competidores del
comportamiento pasado. El resultado de tal predicción es la distribución de probabilidad de la
tabla anterior y el 30% de la probabilidad estimada que no haya competencia.

El último elemento del problema es el modelo de valor que transforma las decisiones y resultados
en valores monetarios para SciTools. El modelo de valor es simple y directo en este ejemplo, pero
puede volverse bastante complejo en otras aplicaciones, especialmente cuando el valor del dinero
en el tiempo es involucrado y algunas cantidades (tales como los costos de la contaminación
ambiental) son difíciles de cuantificar. Si SciTools decide ahora no participar, entonces su valor
monetario es $0 – ninguna ganancia, ninguna perdida. Si hace una oferta y es mejorada por un
competidor, entonces pierde $5,000, el costo de preparar la oferta. Si oferta B dólares y gana el
contrato, entonces obtiene una ganancia de B - $100,000, B dólares por ganar la licitación, menos
$5,000 por prepararla, menos $95,000 por suplir los instrumentos. Por ejemplo, si oferta $115,000
y la competencia si hay es superior a $115,000, entonces SciTools ganaría $15,000.
A menudo es conveniente listar los resultados monetarios en una tabla de pagos, como la
mostrada abajo. Para cada posible decisión y cada posible resultado, la tabla de pagos muestra el
valor monetario para SciTools, donde un valor positivo representa una ganancia y un valor
negativo representa una pérdida. Al final de la tabla, listamos las probabilidades de los varios
resultados. Por ejemplo, la probabilidad que la oferta de los competidores sea menor que
$115,000 es 0.7 (la probabilidad de al menos una oferta de la competencia) multiplicada por 0.2
(la probabilidad que la oferta de la competencia sea menor que $115,000, dado que hay al menos
un competidor).

Tabla de Pagos
Oferta más baja de la competencia ($1,000s)
Ninguna < 115 >115, <120 >120, <125 >125
Ninguna 0 0 0 0 0
Oferta de
115 15 -5 15 15 15
SciTools
120 20 -5 -5 20 20
($1,000s)
125 25 -5 -5 -5 25
Probabilidad 0.3 0.7(0.2) 0.7(0.4) 0.7(0.3) 0.7(0.1)

A veces es posible simplificar las tablas de pago para entender mejor la esencia del problema. En
el presente ejemplo, si SciTools hace una oferta, entonces la única información necesaria sobre las
ofertas de los competidores es si es más baja o más alta que la de SciTools. Es decir, a SciTools solo
le interesa si gana el contrato o no. Por lo tanto, una manera alternativa de presentar la tabla de
pagos se muestra a continuación.

Valor Monetario Probabilidad que

SciTools Gana SciTools Pierde SciTools gane
Ninguna NA 0 0.00
Oferta de
115 15 -5 0.86
SciTools
120 20 -5 0.58
($1,000s)
125 25 -5 0.37

La tercera y cuarta columnas de esta tabla indican los pagos a SciTools, dependiendo si gana o
pierde la licitación. La columna del extremo derecho muestra la probabilidad que SciTools gane la
licitación para cada posible decisión. Por ejemplo, si SciTools oferta $120,000, entonces gana la
licitación si no hay competencia (probabilidad de 0.3) o si hay competencia pero la más baja es
inferior a $120,000 (probabilidad de 0.3+0.1). En este caso la probabilidad total que SciTools gane
la oferta es de 0.3 + 0.28 = 0.58.
Perfiles de Riesgo. De la tabla anterior podemos obtener perfiles de riesgo para cada decisión de
SciTools. Un perfil de riesgo simplemente lista todos los posibles valores monetarios y sus
correspondientes probabilidades. Por ejemplo, si SciTools hace una oferta de $120,000, hay dos
valores monetarios posibles una ganancia de $20,000 o una pérdida de $5,000, y sus
probabilidades son 0.58 y 0.42 respectivamente. Por otra parte, si SciTools decide no hacer
ninguna oferta, hay un valor monetario seguro de $0- no hay ganancia ni tampoco perdida.

Un perfil de riesgo también puede ser ilustrado gráficamente como un gráfico de barra. Hay una
barra por encima de cada valor monetario posible con altura proporcional a la probabilidad de ese
valor. Por ejemplo, el perfil de riesgo para una decisión de oferta de $120,000 es un gráfico con
dos barras, uno por encima de -$5,000 con altura 0.42 y uno por encima de $20,000 con altura
0.58. El perfil de riesgo para la decisión “ninguna oferta” es aún más simple. Tiene una barra única
encima de $0 con altura de 1. No dibujamos estos gráficos para este ejemplo por ser muy simples,
pero en ejemplos más complejos ellos pueden proveer valiosa información.

Valor Monetario Esperado (VME). De la información que hemos discutido hasta ahora, no es del
todo obvio que decisión deba SciTools hacer. La decisión “ninguna oferta” es ciertamente segura,
pero haría cero ganancia. Si SciTools decide hacer una oferta, la probabilidad que pierda $5,000 es
la más baja con la oferta de $115,000, pero esta oferta tiene el potencial más bajo de ganancia.
Por supuesto, si SciTools supiera lo que los competidores fueran a hacer, su decisión sería más
fácil. Sin embargo, esta incertidumbre es el aspecto principal de este tema. La decisión debe ser
hecha antes que la incertidumbre es resuelta.

La manera más común para hacer la elección es calcular el Valor Monetario Esperado (VME) de
cada alternativa y luego escoger la alternativa con el mayor VME. El VME es un promedio
ponderado de los posibles valores monetarios, pesados por sus probabilidades. Formalmente, si vi
es el valor monetario correspondiente al resultado i y pi es su probabilidad, entonces el VME está
definido como

𝐸𝑀𝑉 = ∑ 𝑣𝑖 𝑝𝑖

En palabras, VME es la media de la distribución de probabilidad de los posibles resultados

monetarios.

VMEs
Alternativa Calculo del VME VME
Ninguna oferta 0(1) $ 0
Oferta $115,000 15,000(0.86) + (-5,000)(0.14) $12,200
Oferta $120,000 20,000(0.58) + (-5,000)(0.42) $ 9,500
Oferta $125,000 25,000(0.37) + (-5,000)(0.63) $ 6,100

Los VMEs para el problema de SciTools están listados en la tabla anterior. Ellos indican que si
SciTools usa el criterio del VME para hacer su decisión, debe hacer una oferta de $115,000, ya que
da el mayor VME.
Es muy importante entender lo que el VME implica y lo que no implica. Si SciTools hace una oferta
de $115,000, entonces su VME es de $12,200. Sin embargo, SciTools ciertamente no ganara
$12,200. Ganará $15,000 o perderá $5,000. Entonces que significa realmente el $12,200? Significa
que si SciTools pudiera hacer muchas “apuestas” como esta, donde en cada apuesta ganaría
$15,000 con probabilidad 0.86 o perdería $5,000 con probabilidad 0.14, entonces en promedio
ganaría $12,200 por apuesta. En otras palabras, el VME puede ser interpretado como un promedio
de largo plazo.

Podría parecer peculiar, entonces, basar una decisión única en el VME, el cual representa un
promedio de largo plazo. Hay dos maneras de explicar esta aparente inconsistencia. Primero, la
mayoría de las empresas hacen frecuentes decisiones bajo incertidumbre. Aunque cada decisión
podría tener sus propias características, parece razonable que si la empresa planea hacer muchas
de tales decisiones, debe estar dispuesta a “jugar los promedios”, como lo hace cuando usa el
VME como el criterio de decisión. Segundo, aun si esta es la única decisión que la empresa alguna
vez hará, los teóricos de decisiones han probado que bajo condiciones de certeza, maximizar el
VME es una base racional para hacer esta decisión. Estas “condiciones de certeza” se relacionan la
actitud del tomador de decisiones hacia el riesgo. Como discutiremos más tarde en este capítulo,
si el tomador de decisiones es adverso al riesgo y los posibles pagos monetarios son relativamente
grandes a su riqueza, entonces el VME no es el criterio de decisión apropiado a usar. Sin embargo,
el criterio del VME ha probado ser muy útil en la vasta mayoría de las aplicaciones de toma de
decisiones, así que lo usaremos nosotros también.
Introducción al Modelado con Simulación
Simulación de Procesamiento de llamadas en AT&T
La simulación es una herramienta muy versátil que permite a las empresas hacer muchas
preguntas del tipo “que pasaría si” sobre cambios en sus sistemas sin realmente cambiar los
sistemas mismos. Como se reportó en el artículo “Diseño operacional del Simulador de
Procesamiento de Llamadas de AT&T para centros de llamadas entrantes” por Brigandi (1994),
AT&T ha usado un modelo de simulación llamado CAPS para ayudar a sus clientes corporativos a
diseñar y operar sus centros de llamadas. Estos call centers son las localidades a las que los
clientes llaman, usualmente usando números 800, para servicio al cliente, compras por teléfono y
otros servicios. El sistema que es usado para manejar estas llamadas – la forma en que las
llamadas son ruteadas a los agentes, el número de líneas abiertas, los mensajes pregrabados
dados a los clientes, la forma en que las colas de clientes son manejadas y demás – puede ser
extremadamente complejas y difíciles de entender, ya no se diga de optimizar. Por lo tanto, AT&T
desarrollo la herramienta de simulación CAPS para simular una variedad de políticas operativas
para sus clientes corporativos. AT&T reporta que ha usado esta herramienta para recuperar más
de $1 billón de su base de clientes de aproximadamente 2,000 clientes corporativos por año. La
herramienta CAPS ha aumentado las operaciones del call center de los clientes dramáticamente y
ha ayudado a vender a estos clientes otros servicios de AT&T.

Como un ejemplo, un sistema de reservación de una gran aerolínea estaba soportado por 19
distintos call centers ubicados cerca de aeropuertos nacionales e internacionales. En 1992, la
aerolínea decidió consolidar sus centros de reservaciones. AT&T ayudo a la aerolínea ejecutando
una serie de estudios CAPS para determinar las características de call centers eficientes, con
balanceo de carga que cumplirían los objetivos de la aerolínea. La aerolínea estaba
particularmente interesada en reducir su tasa de llamadas-bloqueadas de 10% mientras usaba sus
recursos más eficientemente. Los resultados del estudio CAPS fueron ahorros de $25 millones en
los costos operativos de los call centers de reservaciones de la aerolínea y la habilidad de manejar
aproximadamente 3,000 más ventas de reservaciones por día. Al mismo tiempo, AT&T fortaleció
su posición como el portador del servicio de comunicaciones de numero 800 de elección de la
aerolínea. Su factura anual de servicios de red aumento un 5% con una base de $49 millones.

Introducción
Un modelo de simulación es un modelo de computadora que imita una situación de la vida real. Es
como otros modelos matemáticos, pero incorpora explícitamente la incertidumbre en una o más
variables de entrada. Cuando ejecutamos una simulación, permitimos a estas cantidades
aleatorias tomar varios valores, y llevamos registro de variables de salida de nuestro interés. De
esta forma, somos capaces de ver como varían las salidas como una función de variar las entradas.

La ventaja fundamental de un modelo de simulación es que nos muestra una distribución

completa de resultados, no simplemente un único resultado final. Por ejemplo, suponga que un
fabricante de automóviles está planeando desarrollar y mercadear un nuevo modelo de vehículo.
La empresa está interesada en última instancia en el valor actual neto (VAN) de las ganancias de
este auto en los próximos 10 años. Sin embargo, hay mucha incertidumbre sobre este auto,
incluyendo las demandas anuales de los clientes por el modelo y el costo de desarrollarlo.
Podríamos desarrollar un modelo de hoja de cálculo para el VAN de 10 años, usando nuestros
mejores supuestos para estas varias cantidades inciertas. Podríamos luego reportar el VAN basado
en estos mejores supuestos, con el implícito entendimiento que este mejor supuesto VAN va a
ocurrir. Sin embargo, esto brindaría un análisis muy incompleto. Es mucho mejor tratar la
incertidumbre explícitamente con un modelo de simulación. Esto involucra introducir
distribuciones de probabilidad para las cantidades inciertas y ver como varia el VAN cuando varían
las cantidades inciertas. Cada diferente set de valores para las cantidades inciertas puede ser
considerado un escenario. La simulación nos permite generar muchos escenarios, cada uno nos
lleva a un VAN diferente. Al final, vemos una distribución completa de VANs, no un único mejor
supuesto. Podemos cuanto será el VAN en promedio, y también podemos ver los peores y los
mejores resultados.

Los modelos de simulación también son extremadamente útiles para determinar cuan sensible es
un sistema a cambios en las condiciones de operación. Por ejemplo, podríamos simular las
operaciones de un supermercado. Una vez que el modelo de simulación ha sido desarrollado,
podemos ejecutarlo y hacer preguntas “que pasaría si”. Por ejemplo, si el supermercado
experimenta un crecimiento del 20% en negocios, que pasara al tiempo promedio que sus clientes
deben esperar para ser atendidos?

Un gran beneficio de la simulación por computadora es que nos permite responder este tipo de
preguntas que pasaría si, sin cambiar en realidad (o construir) un sistema físico. Por ejemplo, el
supermercado podría querer experimentar con el número de cajas registradoras abiertas para ver
el efecto en los tiempos de espera de los clientes. La una manera que puede experimentar
físicamente con más cajas registradoras que las que posee actualmente es comprar más equipo.
Luego si determina que este equipo no es una buena inversión – la espera de los clientes no
disminuye apreciablemente – la compañía está atascada con equipo costoso que no necesita. La
simulación por computadora es una alternativa mucho menos costosa. Provee a la empresa con
una réplica electrónica de que pasaría si el nuevo equipo fuera adquirido. Luego, si la simulación
indica que el nuevo equipo vale la pena su costo, la empresa puede estar confiada que comprarlo
es la decisión correcta. De lo contrario, puede abandonar la idea del nuevo equipo antes que el
equipo sea comprado.

El modelado de simulación en una hoja de cálculo es bastante similar a las otras aplicaciones de
modelado en este libro. Empezamos con cantidades de entrada y luego relacionamos estas con
fórmulas apropiadas para producir salidas de interés. La diferencia principal es que la simulación
usa números aleatorios para conducir el proceso completo. Estos son generados con funciones
especiales que producen diferentes números aleatorios cada vez que son usadas. Cada vez que la
hoja de cálculo recalcula, todos los números aleatorios cambian. Esto nos da la habilidad de
modelar el proceso lógico una vez y luego usar el recalculo repetidamente para generar muchos
distintos escenarios. Al juntar los datos de estos escenarios, vemos cuales resultados son más
probables y vemos los mejores y los peores resultados.
Aplicaciones reales de simulación
Hay muchas aplicaciones publicadas de simulación. Estas cubren una amplia variedad de tópicos,
como discutimos brevemente en esta sección.

Burger King desarrollo un modelo de simulación para sus restaurantes (vea Swart y Donno 1981).
Este modelo fue usado para justificar las decisiones del negocio tales como las siguientes:

• Debe un restaurante abrir una segunda ventana para autoservicio?

• Cuanto aumentaría el tiempo de espera de los clientes si un nuevo sándwich es agregado
al menú?

Muchas empresas (Cummins Engine, Merck, Procter&Gamble, Kodak y United Airlines) han usado
simulación para determinar cuáles de varios posibles proyectos de inversión deben escoger. Esto
es a menudo referido como análisis de riesgo (vea Hertz 1964).

Como ejemplo, considere una situación donde una empresa debe escoger una única inversión. Si
el flujo de efectivo futuro para cada proyecto de inversión fuera conocido con certeza, entonces la
mayoría de compañías escogerían el proyecto con el mayor VAN. Sin embargo, si los flujos de
efectivo no son conocidos con certeza, entonces no es claro como escoger entre proyectos que
compiten entre sí. Usando simulación, podemos obtener un histograma del VAN para un proyecto.
Entonces podemos responder preguntas tales como:

• Que proyecto es el más riesgoso?

• Cuál es la probabilidad que una inversión de al menos un 20% de retorno?
• Cuál es la probabilidad que el VAN de una inversión sea menor que -$1 billón, es decir, una
perdida mayor que $1 billón?

Cuando varias inversiones son comparadas usando simulación, puede volverse aparente que
algunas son más riesgosas que otras. Por tanto, contrario a lo que muchos textos de finanzas
aconsejan, la inversión con el mayor VAN esperado puede no ser la mejor inversión, puede ser
demasiado riesgosa! En el próximo capítulo, desarrollaremos un modelo de simulación para una
sola oportunidad de inversión para medir su potencial de grandes ganancias tan bien como
grandes pérdidas.

Para ilustrar el uso de simulación en finanzas corporativas, nos referimos a Norton (1994). Este
artículo describe un modelo de simulación (llamado modelo Monte Carlo) que fue usado por
Merck, la compañía de fármacos más grande del mundo, para determinar si Merck debería pagar
$6.6 billones para adquirir Medco, una compañía de entregas de medicamentos a domicilios. El
modelo contenía entradas concernientes a:

• Posibles escenarios para el futuro del sistema de salud de EUA, tales como un sistema de
pagador único, cobertura universal y así sucesivamente
• Posibles cambios futuros en la mezcla de medicamentos genéricos y de marca
• Distribuciones de probabilidad de márgenes de ganancia para cada producto
 • Suposiciones sobre las reacciones de los competidores a una fusión con Medco

El modelo de Merck contenía miles de ecuaciones. Una simulación fue ejecutada para ver como la
fusión resultaría bajo varios posibles escenarios. Como el CFO de Merck, Judy Lewent, dijo, “las
técnicas de Monte Carlo son una herramienta muy, muy poderosa para obtener una visión más
inteligente de un rango de resultados. Casi nunca es de ayuda en este tipo de ambientes construir
una proyección única”. El modelo de Merck indicaba que la fusión con Medco beneficiaria a Merck
sin importar el tipo de plan de seguro de salud que el gobierno promulgara.

Otras aplicaciones de simulación incluyen las siguientes:

1. Las empresas deben constantemente hacer decisiones de órdenes de inventario de cara a

demanda desconocida. En casos especiales, los modelos analíticos (sin simulación) pueden
ser usados para ayudar a hacer decisiones. Sin embargo, cuando los problemas se vuelven
más complejos, la simulación a menudo provee el único método de solución factible.
2. Las empresas deben a menudo ofertar contra competidores para ganar un contrato. Si la
oferta de una empresa es muy baja, probablemente ganara el contrato, pero hará muy
poca ganancia. Por otra parte, si la empresa hace una oferta muy cara, probablemente no
ganara el contrato. La empresa debe decidir cuánto cobrar, aunque las ofertas de los
competidores son inciertas.
3. Uno de los desafíos más importantes de las empresas de manufactura es lograr un alto
nivel de calidad en sus productos. Deben cumplir las especificaciones cada vez más
exigentes de sus clientes. Quizás el defensor más visible de calidad, Edwards Deming,
estableció que muchas empresas gastan mucho tiempo “manipulando” sus procesos de
manufactura en vez de hacer los cambios fundamentales que son requeridos para
conseguir calidad duradera.
4. Los proyectos de grandes corporaciones pueden frecuentemente ser divididos en
actividades más pequeñas (un gran ejemplo es la misión espacial Apolo). Para crear la
programación del proyecto, la empresa debe estimar la longitud de tiempo requerida para
finalizar el proyecto. Podría también desear hacer más expeditas las actividades más
críticas para finalizar el proyecto para agilizar la programación.
5. Los inversionistas enfrentan una abrumadora cantidad de valores para escoger. Algunos
de estos, tales como las acciones y los bonos, son razonablemente simples y directos
(aunque aún riesgosos). Otros, particularmente derivados (como futuros y opciones de
acciones), pueden ser extremadamente complejos. La simulación es la herramienta
perfecta para analizar estos instrumentos de inversión.
Introducción a @RISK
El modelado de simulación con hoja de cálculo se ha vuelto extremadamente popular en los años
recientes, en las comunidades académicas y corporativas. Mucha de la razón de esta popularidad
es debido a paquetes de simulación como @RISK. Hay dos grandes ventajas de usar tales
paquetes. Primero, un paquete nos da fácil acceso a muchas distribuciones de probabilidad que
podríamos querer usar en nuestros modelos de simulación. Tenemos las funciones RISKDISCRETE,
RISKNORMAL y RISKTRIANG, entre otras, que son fáciles de usar y recordar. Segundo, un paquete
nos permite ejecutar simulaciones mucho más fácil que usando solamente Excel. Por ejemplo,
para replicar una simulación en Excel, típicamente necesitamos construir una tabla de datos.
Luego tenemos que calcular un resumen estadístico, tales como promedios, desviaciones
estándar, y percentiles con las funciones de Excel. Si queremos agregar gráficos para mejorar el
análisis, tenemos que crearlos. En pocas palabras, tenemos que ejecutar una serie de pasos que
consumen tiempo para cada simulación. Los paquetes de simulación como @RISK realizan mucho
de este trabajo para nosotros de forma automática.

Aunque nos concentraremos en @RISK, no es el único disponible para Excel. Un digno competidor
es Crystal Ball, desarrollado por Decisioneering (www.decisioneering.com). Crystal Ball tiene
mucha de la misma funcionalidad que @RISK.

Aquí hay un resumen de algunas de las características de @RISK.

1. @RISK contiene un número de funciones tales como RISKNORMAL y RISKDISCRETE que

hacen fácil generar observaciones de las más importantes distribuciones de probabilidad.
2. @RISK tiene una “galería” de distribuciones de probabilidad de entrada de las cuales
escoger. Esta galería le permite ver las formas de varias distribuciones (normal y triangular
por ejemplo), y le permite ajustar los parámetros de estas distribuciones de una forma
intuitiva de modo que pueda escoger la más apropiada para su modelo. Palisade también
ha desarrollado un paquete separado, BestFit, para ayudar a identificar distribuciones de
probabilidad que proveen un buen ajuste a datos históricos. Afortunadamente, la
funcionalidad BestFit ahora está integrada en @RISK.
3. Usted puede especificar cualquier celda o rangos de celda en el modelo de simulación
como celdas de salida. Cuando corra la simulación, @RISK automáticamente graba las
estadísticas (promedios, desviaciones estándar, percentiles y demás) de los valores
generados en estas celdas de salida con las replicaciones. También puede crear gráficos
como histogramas basados en estos valores.
4. @RISK tiene una función especial, la función RISKSIMTABLE, que le permite correr la
misma simulación varias veces, usando un valor distinto de alguna entrada clave cada vez.
Por ejemplo, suponga que le gustaría simular una política de pedidos de inventario. Su
último propósito es comparar las salidas de la simulación con un posible número de
cantidades de pedido tal como 100, 150, 200, 250, y 300. Si usted usa una fórmula
adecuada con la función RISKSIMTABLE, la simulación completa será ejecutada para cada
una de estas cantidades de pedido separadamente. Luego usted puede comparar sus
salidas cuando intente escoger la “mejor” cantidad de pedido.
Debe mantener una idea muy importante en mente. El desarrollo de un modelo de simulación es
básicamente un procedimiento de dos pasos. El primer paso es construir el modelo mismo. Este
paso requiere que usted construya toda la lógica que transforma entradas (incluyendo las
funciones @RISK como RISKDISCRETE) en salidas (como ganancia). Esto es donde la mayoría del
trabajo y análisis van, exactamente como otro tipo de modelos, y @RISK no puede hacer esto por
usted. Es su trabajo introducir las fórmulas que vinculan entradas con salidas apropiadamente. Sin
embargo, una vez que esta lógica ha sido incorporada, @RISK realiza el segundo paso.
Automáticamente replica su modelo, con diferentes números aleatorios en cada replica, y reporta
cualquier medida de resumen que usted solicito en forma tabular o gráfica. Por lo tanto, @RISK
puede disminuir casi totalmente la cantidad de “trabajo pesado” que usted tiene que hacer, pero
no es una bala mágica.