Você está na página 1de 42

Universidade Federal de Campina Grande

Centro de Humanidades
Unidade Acadêmica de Administração e Contabilidade
Profª Cláudia Gomes de Farias
Engenharia Econômica – Turma 03 (TER 16h00/SEX 14h00)

ANÁLISE E COMPORTAMENTO DOS PROJETOS DE


INVESTIMENTOS DE CAPITAL FRENTE À ALEATORIEDADE
E À INCERTEZA

Elioenai Lincon Guedes Alves Luis Fernando Nunes Marques Torres


115210810 – elioenai.alves@ee.ufcg.edu.br 117211412 – luis.torres@ee.ufcg.edu.br

Hélvio Rubens Reis de Albuquerque Maura Lucia Rodriguez Alexandre


117110783 – helvio.albuquerque@ee.ufcg.edu.br 117111750 – maura.alexandre@ee.ufcg.edu.br
SUMÁRIO

1. Introdução
2. Técnicas de análise frente à aleatoriedade e à incerteza
2.1 Análise de sensibilidade
2.2 Análise de cenários
2.3 Simulação de Monte Carlo
2.4 Árvores de decisão
3. Conclusão
4. Referências Bibliográficas

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 2
incerteza
-1-
INTRODUÇÃO

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 3
incerteza
INTRODUÇÃO

As escolhas financeiras não é possível ser realizada em um âmbito de total


certeza com relação a seus resultados. Contudo, por serem essas alternativas
baseadas em estimativas para o futuro, é indispensável que se realize uma
explanação sobre a variável incerteza conforme uma das mais relevantes
circunstâncias de estudo das pecúnias colegiadas.

(Autoria própria)

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 4
incerteza
-2-
TÉCNICAS DE ANÁLISE FRENTE À
ALEATORIEDADE E À INCERTEZA

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 5
incerteza
-2.1-
ANÁLISE DE SENSIBILIDADE

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 6
incerteza
ANÁLISE DE SENSIBILIDADE

• Permite identificar as variáveis críticas no processo e determinação do


fluxo de caixa.
• São consideradas diversas hipóteses para o comportamento dessas
variáveis.
• Isola-se os fatores para enquanto mantém os demais constantes, induzem
mudança significativa no VPL do projeto e na decisão de investimento.
- Análise unidimensional: caso os efeitos de cada variável sejam
medidos separadamente.
- Análise multidimensional: caso os efeitos sejam analisados ao
mesmo tempo.
(Adaptado de LAPPONI, 2007)
Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à
10/03/2018 7
incerteza
ANÁLISE DE SENSIBILIDADE

• Uma empresa pretende iniciar a venda de painéis solares na região de


Campina Grande. A empresa conhece seus custos de operação, preços de
venda e tem um estoque de 600 unidades disponíveis. Para uma TMA de
12% e imposto de renda 34%. (Autoria própria)

Investimento 1 2 3 4 5 6 7 8 9 10

-R$100.000,00

Receita 180000 180000 180000 180000 180000 180000 180000 180000 180000 180000

Custos 27000 27000 27000 27000 27000 27000 27000 27000 27000 27000

FC -R$100.000,00 153000 153000 153000 153000 153000 153000 153000 153000 153000 153000

FC Livre 100980 100980 100980 100980 100980 100980 100980 100980 100980 100980

VPL R$ 470.559,52

10/03/2018 Método de Avaliação com Valor Presente Líquido 8


ANÁLISE DE SENSIBILIDADE
Custo Inicial R$ 100.000,00

Alíquota IR 34%

Prazo de Análise 10

Unidades 600 Pontos de Reversão , VPL = 0

R$
Preço Unitário R$ 89,70 Mínimo -70,10%
300,00

Custos R$ 27.000,00 R$ 153.171,00 467,30%

TMA 12% 101% Máximo 740%

VPL R$ 470.559,52

(Autoria própria)

10/03/2018 Método de Avaliação com Valor Presente Líquido 9


-2.2-
ANÁLISE DE CENÁRIOS

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 10
incerteza
ANÁLISE DE CENÁRIOS

Segundo SAMANEZ, 2009:


A análise de cenários surgiu para minimizar um problema
comum na análise de sensibilidade, que é a correlação entre as
variáveis. Nessa análise, em vez da variação apenas de um
parâmetro de cada vez, tem-se a variação de um conjunto de
parâmetros que formam cada cenário.
Por meio de várias análises de sensibilidade podem ser
identificadas as variáveis-chave que, em cada cenário,
determinam o sucesso ou o insucesso do projeto.

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 11
incerteza
ANÁLISE DE CENÁRIOS

Na preparação do projeto as estimativas são definidas com um


intervalo possível de variação do qual é escolhido o valor que
forma o cenário mais provável do projeto.

Ainda, com as informações do intervalo das estimativas se


formam mais dois cenários, o cenário pessimista e o cenário
otimista. Dessa maneira, as estimativas dos três cenários geram
três respectivos VPL, se variarmos apenas uma estimativa.

(Lapponi, 2007)

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 12
incerteza
ANÁLISE DE CENÁRIOS

É importante verificar a quantidade de VPLs que deverão ser


calculados. Por exemplo, no caso de duas estimativas com três
cenários cada uma, a quantidade de combinações e cálculos de
VPL é nove.

A análise de risco do projeto é realizada com todas as


combinações possíveis com três valores de cada estimativa, é um
procedimento útil e oferece mais informações.

(Lapponi, 2007)

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 13
incerteza
ANÁLISE DE CENÁRIOS

1º Passo: selecionar as estimativas mais sensíveis do projeto.


2º Passo: encontrar a quantidade de VPLs que serão gerados com
os três cenários (pessimista, esperado e otimista).
3º Passo: verificar o intervalo possível de variação das estimativas.
4º Passo: calcular os VPLs das combinações.
5º Passo: tomada de decisão

(Lapponi, 2007)

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 14
incerteza
ANÁLISE DE CENÁRIOS

• A mesma empresa do exemplo anterior pretende analisar a venda de painéis solares na


região de Campina Grande, sob a perspectiva de três cenários: pessimista, realista e
otimista, como mostrado na tabela abaixo.

Pessimista Realista Otimista -65% 0% 65%

Custo Inicial R$ 100.000,00 R$ 100.000,00 R$ 100.000,00 210 600 990


Alíquota IR 34% 34% 34%
Prazo de Análise 10 10 10 -R$ R$ R$
44550 65%
Unidades 210 600 990 31.197,23 405.112,99 841.423,21
Preço Unitário R$ 300,00 R$ 300,00 R$ 300,00
Custos R$ 9.450,00 R$ 27.000,00 R$ 44.550,00 R$ R$ R$
27000 0%
34.249,30 470.559,52 906.869,74
TMA 12% 12% 12%
VPL -R$ 31.197,23 R$ 470.559,52 R$ 972.316,28
R$ R$ R$
9450 -65%
Decisão Rejeitar Aceitar Aceitar 99.695,83 536.006,05 972.316,28

10/03/2018 Método de Avaliação com Valor Presente Líquido 15


ANÁLISE DE CENÁRIOS

• Uma forma de melhorar o resultado da combinação de cenários seria


utilizar mais do que três valores do intervalo de cada estimativa, porém a
geração de todas as combinações possíveis utilizando o procedimento
anterior nem sempre é possível.

• O procedimento equivalente quanto à geração de combinações que se


deve utilizar é a simulação Monte Carlo.

(Lapponi, 2007)

10/03/2018 Método de Avaliação com Valor Presente Líquido 16


-2.3-
SIMULAÇÃO DE MONTE CARLO

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 17
incerteza
SIMULAÇÃO DE MONTE CARLO

• “A Simulação de Monte Carlo permite simular situações incertas


a fim de determinar valores esperados para variáveis não
conhecidas que pode ser definida como um método de ensaios
estatísticos, em que os valores são estabelecidos por meio de
uma seleção aleatória.” (Samanez, 2010)
• “ O Método de Monte Carlo é uma técnica de amostragem
artificial empregada para operar numericamente sistemas
complexos que tenham componentes aleatórios.” (Costa e
Azevedo, 1996)

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 18
incerteza
SIMULAÇÃO DE MONTE CARLO

• Na SMC são realizadas diversas simulações onde, em cada uma delas, são
gerados valores aleatórios para o conjunto de variáveis de entrada e
parâmetros do modelo que estão sujeitos à incerteza. (Samanez, 2010)

• Tais valores aleatórios gerados seguem distribuições de probabilidade


especificadas que devem ser identificadas ou estimadas previamente.
(Costa e Azevedo, 1996)

• É útil na resolução de problemas multidimensionais, ou seja, à medida que


aumenta o número de variáveis das quais os resultados dependem, a SMC
mostra-se uma ferramenta poderosa. (Samanez, 2010)
Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à
10/03/2018 19
incerteza
SIMULAÇÃO DE MONTE CARLO
Os principais passos na simulação de uma alternativa de investimentos:

1. Estabelecer toda as variáveis e equações necessárias para modelar os fluxos


de caixa, devendo estas refletir as interdependências entre as variáveis.

2. Especificar as probabilidades de erro de previsão para cada parâmetro,


assim como a magnitude de cada erro de previsão.

3. Fazer combinações aleatórias entre valores das distribuições de erros de


previsão das variáveis; em seguida, calcular os fluxos de caixa resultantes.
Repetir isso um número muito grande de vezes até obter uma figura mais
precisa da distribuição dos resultados possíveis – por exemplo, do VPL ou
da TIR da alternativa de investimento.

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 20
incerteza
SIMULAÇÃO DE MONTE CARLO
• Exemplo:
Um sistema de geração de energia solar para residências está sendo estudado por uma
empresa paraibana nova no ramo. Inicialmente este projeto será disponibilizado para
apenas uma cidade da Paraíba, Campina Grande ou João Pessoa. Para a escolha da cidade,
foi feito uma estimativa para fornecer os preços de venda da energia elétrica (em $/kWh)
adequados e a capacidade geradora a ser instalada em kW. Para realizar as estimativas,
considerou-se o que é feito por outras empresas que realizam o mesmo serviço para outras
cidades da mesma região.
Investimento: R$ 200000,00
Prazo: 24 anos
Taxa Requerida: 11%
Imposto de renda: 34%
Taxa de custo
anual: 25%

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 21
incerteza
SIMULAÇÃO DE MONTE CARLO

Projeto 1 Projeto 2
Potência Potência
Preço de Preço de
Probabilidade gerada mensal Probabilidade Probabilidade gerada mensal Probabilidade
venda($/kWh) venda($/kWh)
(kWh) (kWh)
0,6055 0,15 13000,00 0,20 0,7033 0,20 14555,00 0,25
0,4584 0,25 13641,00 0,10 0,5242 0,15 13700,00 0,30
0,5500 0,3 10250,00 0,25 0,6322 0,15 15678,00 0,15
0,6432 0,15 14222,00 0,30 0,6544 0,3 1500,00 0,20
0,5044 0,15 12400,00 0,15 0,5837 0,20 13590,00 0,10

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 22
incerteza
SIMULAÇÃO DE MONTE CARLO

• 1° PASSO: Consiste em montar as distribuições cumulativas das variáveis,


atribuindo-lhes faixas de números representativos entre 0 e 99. Essa
atribuição guarda a proporção com a distribuição cumulativa.

Probabilidade Cumulativa e faixa representativa para Probabilidade Cumulativa e faixa representativa para preço
preço de venda do projeto 1 de venda do projeto 2

Preço de Probabilidade Faixa Preço de Probabilidade Faixa


Probabilidade Probabilidade
venda($/kWh) cumulativa representativa venda($/kWh) cumulativa representativa

0,6055 0,15 0,15 0-14 0,7033 0,20 0,20 0-19


0,4584 0,25 0,40 15-39 0,5242 0,15 0,35 20-34
0,5500 0,3 0,70 40-69 0,6322 0,15 0,50 35-49
0,6432 0,15 0,85 70-84 0,6544 0,3 0,80 50-79
0,5044 0,15 1 85-99 0,5837 0,20 1 80-99

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 23
incerteza
SIMULAÇÃO DE MONTE CARLO

Probabilidade Cumulativa e faixa representativa para Probabilidade Cumulativa e faixa representativa para
potência gerada mensal do projeto 1 potência gerada mensal do projeto 2
Potência Potência
gerada Probabilidade Faixa gerada Probabilidade Faixa
Probabilidade Probabilidade
mensal cumulativa representativa mensal cumulativa representativa
(kWh) (kWh)
13000,00 0,20 0,20 0-19 14555,00 0,25 0,25 0-24
13641,00 0,10 0,30 20-29 13700,00 0,30 0,55 25-54
10250,00 0,25 0,55 30-54 15678,00 0,15 0,70 55-69
14222,00 0,30 0,85 55-84 15000,00 0,20 0,90 70-89
12400,00 0,15 1 85-99 13590,00 0,10 1 90-99

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 24
incerteza
SIMULAÇÃO DE MONTE CARLO
• 2° PASSO: Usar a tabela de números aleatórios criada no Excel.
Tabela de números aleatórios
Preço de venda
5 42 49 89 2 70 3 53 39 48
50 46 55 98 3 48 51 36 90 31
19 44 16 57 23 70 78 48 79 21
35 44 53 14 40 96 67 13 61 44
86 82 40 86 83 39 65 54 27 1
89 96 84 27 49 58 67 17 6 58
98 17 40 80 14 45 76 69 93 50
11 64 61 79 69 16 7 86 76 20
32 55 48 63 1 14 53 50 56 65
75 53 2 35 75 97 7 74 35 28
Potência gerada mensal
19 73 58 5 81 42 43 34 67 46
38 72 86 3 77 99 71 49 50 81
23 31 49 91 71 92 76 57 10 28
96 94 27 8 1 92 41 28 25 46
62 12 7 86 72 85 31 98 89 70
64 77 57 23 72 62 94 21 42 85
21 98 82 86 4 92 17 84 81 50
53 69 29 51 34 14 77 61 86 20
56 57 8 45 30 98 51 10 56 32
22 42 77 92 87 49 19 23 60 56

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 25
incerteza
SIMULAÇÃO DE MONTE CARLO

• 3° PASSO: Elaborar quadros de frequência que definam a distribuição de


probabilidades das variáveis. Para isso, criamos faixas representativas
capazes de abarcar as observações de preço e demanda do passo anterior.

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 26
incerteza
SIMULAÇÃO DE MONTE CARLO
Probabilidade
Fluxo representativo de preço 1 Faixa Observações Probabilidade
acumulada
0,6055-0,4583 0-14 15 0,15 0,15
0,4584-0,5499 15-39 18 0,18 0,33
0,5500-0,6431 40-69 36 0,36 0,69
0,6432-0,5044 70-99 31 0,31 1

Fluxo representativo de Probabilidade


Faixa Observações Probabilidade
Demanda 1 acumulada
13000,00-13640,00 0-19 12 0,12 0,12
13641,00-10249,00 20-29 7 0,07 0,19
10250,00-14221,00 30-54 15 0,15 0,34
14222,00-12400,00 55-99 66 0,66 1

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 27
incerteza
SIMULAÇÃO DE MONTE CARLO

Probabilidade
Fluxo representativo de preço 2 Faixa Observações Probabilidade
acumulada
0,7033-0,5241 0-19 20 0,20 0,20
0,5242-0,6321 20-34 8 0,08 0,28
0,6322-0,6543 35-49 19 0,19 0,47
0,6544-0,5837 50-99 53 0,53 1

Fluxo representativo de Probabilidade


Faixa Observações Probabilidade
Demanda 2 acumulada
14555,00-13699,00 0-24 20 0,20 0,20
13700,00-15677,00 25-54 25 0,25 0,45
15678,00-14999,00 55-69 8 0,08 0,53
15000,00-13590,00 70-99 47 0,47 1

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 28
incerteza
SIMULAÇÃO DE MONTE CARLO
• 4° PASSO: Calculamos, finalmente, o valor esperado das variáveis,
efetuando a multiplicação dos valores médios das faixas representativas
pela probabilidade da respectiva faixa.
Valor médio do Valor médio do
Probabilidade Valor médio x Probabilidade Probabilidade Valor médio x Probabilidade
preço 1 preço 2
0,5319 0,15 0,5319 x 0,15 = 0,0798 0,6137 0,20 0,1227
0,5041 0,18 0,5041x0,18 = 0,0907 0,5781 0,08 0,0462
0,5965 0,36 0,5965 x 0,36 = 0,2147 0,6432 0,19 0,1222
0,5738 0,31 0,5738 x 0,31 = 0,1779 0,6190 0,53 0,3281
Preço esperado: R$ 0,5631 Preço esperado: R$ 0,6192

Valor médio da Valor médio da


Probabilidade Valor médio x Probabilidade Probabilidade Valor médio x Probabilidade
demanda 1 demanda 2
13320,00 0,12 1598,40 14127,00 0,20 2825,40
11945,00 0,07 836,15 14688,50 0,25 3672,12
12235,50 0,15 1835,32 15338,5 0,08 1227,08
13311,00 0,66 8785,26 14295,00 0,47 6718,65
Demanda esperada: Demanda esperada:
13055,13 14443,25

10/03/2018 Método de Avaliação com Valor Presente Líquido 29


SIMULAÇÃO DE MONTE CARLO

• Calculando o VPL para cada caso, e considerando os dados iniciais do


problema, como investimento, imposto de renda, taxa requerida, custos e
prazo, obtivemos :

𝑛 1 𝑡
𝑉𝑃𝐿 = −𝐼 + 𝐹𝐶 ∙ σ𝑡=1 , I = 200000, FC = 53122,97 , n = 24, k = 0,11
1+𝑘
𝑉𝑃𝐿1 = R$ 164.537,93 (Campina Grande)
𝑉𝑃𝐿2 = R$ 243.477,78 (João Pessoa)
• Logo, os dois projetos agregam valor a empresa, a escolha vai depender
da restrição de capital da empresa.

10/03/2018 Método de Avaliação com Valor Presente Líquido 30


-2.4-
ÁRVORES DE DECISÃO

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 31
incerteza
ÁRVORES DE DECISÃO
• As árvores de decisão são uma importante ferramenta que
considera as decisões sequenciais ao longo do tempo.
Constituem em diagramas que apresentam uma sequência das
decisões inter-relacionadas e os resultados esperados, de
acordo com a alternativa escolhida.
• Na modelagem de uma árvore de decisão, são estabelecidos
uma decisão e as implicações dela derivadas. Incorpora-se
probabilidades, riscos, recompensas, etc. E espera-se estimar as
probabilidades de ocorrências de eventos sujeitos a incertezas.
Considera-se o peso (probabilidade) de cada possível
alternativa.
(Adaptado Daychoun, 2012)
Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à
10/03/2018 32
incerteza
ÁRVORES DE DECISÃO
• A primeira etapa no entendimento das árvores de decisão consiste em
distinguir entre os nós raiz, nós de decisão, nós de evento e nós de fim
(Lapponi, 2007).
Nó de decisão: O tomador de decisões estará diante de uma decisão
ou de um resultado incerto;
Nó de chance: Simbolizam os possíveis desfechos de uma aposta. É
preciso vislumbrar os possíveis desfechos e as probabilidades de
ocorrência da aprovação ou não, com base nas informações
disponíveis no momento;
Nó de fim: Representam os desfechos de decisões tomadas em
reação a desfechos prévios.

10/03/2018 Método de Avaliação com Valor Presente Líquido 33


ÁRVORES DE DECISÃO
• Passos (Adaptado Daychoun):
1. Definição do problema;
2. Identificação das alternativas a serem consideradas.
3. Identificação dos eventos futuros decorrentes das alternativas
escolhidas.
4. Representação em tabelas ou gráficos das alternativas e suas
ramificações;
5. Estimativa das probabilidades de ocorrência de evento futuro.
6. Determinação dos valores finais das alternativas
7. Tomada de decisão.

10/03/2018 Método de Avaliação com Valor Presente Líquido 34


ÁRVORES DE DECISÃO
• Exemplo: De acordo com o exemplo inicial temos, o gestor
precisa decidir sobre a montagem de um painel solar ou a
importação do mesmo item da China (Autoria própria):
1. Definição do problema: Tomar a decisão mais econômica para
a empresa:
2. Alternativas a serem consideradas:
1. Montar;
2. Abortar;
3. Importar da China.
3. Eventos futuros decorrentes das alternativas:
1. Demanda alta; (Otimista)
2. Demanda média; (Esperado)
3. Demanda baixa; (Pessimista)

10/03/2018 Método de Avaliação com Valor Presente Líquido 35


ÁRVORES DE DECISÃO
4. Representação em tabelas;

DECISÃO LUCRO LÍQUIDO


DEMANDA ALTA DEMANDA MÉDIA DEMANDA BAIXA
(OTIMISTA) (ESPERADO) (PESSIMISTA)
MONTAR 5300,00 R$ 3200,00 R$ 1100,00 R$
IMPORTAR 4500,00 R$ 3000,00 R$ 1500,00 R$
5. Estimativa das probabilidades de ocorrência;

ALTA MÉDIA BAIXA


DEMANDA
(OTIMISTA) (ESPERAD0) (PESSIMISTA)
PROBABILIDADE 40% = 0,40 30% = 0,30 30% = 0,30

(Autoria própria)

10/03/2018 Método de Avaliação com Valor Presente Líquido 36


ÁRVORES DE DECISÃO OTIMISTA (0,40 x 5300) =
P=0,40
L=5300 RS 2120,00 R$
Período em que a
produção é
interrompida para que ESPERADO (0,30 x 3200) =
P=0,30
os equipamentos MONTAR
SETUP= L=3200 RS 960,00 R$
sejam ajustados.
1500 RS

PESSIMISTA (0,30 x 1100) =


P=0,30
L=1100 RS 330,00 R$
MONTAR
IMPORTAR ABORTAR

ABORTAR OTIMISTA
P=0,40 (0,40 x 4500) =
L=4500 RS
1800,00 R$

IMPORTAR
ESPERADO
SETUP=
P=0,30 (0,30 x 3000) =
0 RS
L=3000 RS 900,00 R$

PESSIMISTA (0,30 x 1500) =


P=0,30
L=1500 RS 450,00 R$
10/03/2018 37
ÁRVORES DE DECISÃO
Podem ser
relacionados a tempo,
custos, etc.
6. Determinação do valor monetário esperado;
7. Tomada de decisão:

PAYOFFS (+) (+) (+) TOTAL SETUP (-) DECISÃO

MONTAR 2120,00 R$ 960,00 R$ 330,00 R$ 3410,00 R$ 1500,00 R$ 1910,00 R$

IMPORTAR 1800,00 R$ 900,00 R$ 450,00 R$ 3150,00 R$ 0 3150,00 R$

Nesse caso, usamos o dinheiro: Situação


mais viável
𝑽𝑴𝑬 = ෍(𝑹𝒆𝒔𝒖𝒍𝒕𝒂𝒅𝒐 × 𝑷𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅𝒆)
economica-
mente!

10/03/2018 Método de Avaliação com Valor Presente Líquido 38


-3-
CONCLUSÃO

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 39
incerteza
CONCLUSÃO

• É notório que a análise de cada método se fez possível o aprofundamento,


de modo que as decisões financeiras, tanto particulares, quanto colegiadas
passaram por um certame considerando todos os parâmetros.

• Nossa explanação dar oportunidade ao gestor de decidir o método ou os


métodos que serão mais congruentes para análise e aceitação de seu
projeto.

(Autoria própria)

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 40
incerteza
-4-
REFERÊNCIAS BIBLIOGRÁFICAS

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 41
incerteza
REFERÊNCIAS BIBLIOGRÁFICAS
• CAVALCANTE, Francisco; TOBIAS, Afonso Celso B. Como Calcular o Índice de Lucratividade.
FGV. Rio de Janeiro, 2011.
• GITMAN, Lawrence, J. Princípios de Administração Financeira. Titulo Original: Principles of
Managerial Finance. 12ª ed., Pearson, 2010.
• LAPPONI, Juan Carlos. Projetos de Investimentos: Construção e Avaliação do Fluxo de
Caixa. Lapponi Treinamento e Editora Ltda, 2007.
• MIRANDA, Arthur Biagio Canedo Montesano. Análise de viabilidade econômica de um sistema
fotovoltaico conectado à rede. Trabalho de conclusão de curso (Curso de Engenharia Elétrica) -
Escola Politécnica, Universidade Federal do Rio de Janeiro. Rio de Janeiro, 2014
• ROSS, Stephen A; WESTERFIELD, Randolph; W. BRADFORD; D. Jordan; LAMB, Roberto.
Fundamentos de Administração Financeira. 9ª ed., McGraw-Hill, 2013.
• SANTOS, Fabricio Almeida. ENERGIA SOLAR: um estudo sobre a viabilidade econômica de
instalação do sistema fotovoltaico em uma residência em Ipatinga-MG. XIII SEGET, 2016.

Análise e comportamento dos projetos de investimentos de capital frente à aleatoriedade e à


10/03/2018 42
incerteza