Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIVERSIDAD NACIONAL
“SANTIAGO ANTUNEZ DE MAYOLO”
PRESENTACIÓN
INTRODUCCIÓN
Contenido
PRESENTACIÓN.....................................................................................................................2
INTRODUCCIÓN....................................................................................................................3
Ejemplo:
Riesgo Incertidumbre
- situación donde se puede - Incertidumbre blanda, se refiere a
identificar los eventos posibles la imposibilidad de asignarle una
Cuando se aceptan proyectos con un grado mayor de riesgo, este suele tener mayor
rentabilidad, de esta manera los inversionistas desean lograr el retorno más alto posible
sobre sus inversiones al igual que la máxima seguridad en alcanzarlo. Lo importante es
reconocer que cada individuo tiene preferencias particulares y diferenciadas de riesgo-
recompensa.
Por lo general, la definición más común de riesgo es la desviación estándar del retorno
esperado, respecto del retorno medio, en cuanto a la magnitud de la variación, de esta
manera mientras más alta sea la desviación estándar, mayor será la variabilidad del
retorno y, por consiguiente, el riesgo.
σ=
√ ∑ (A j− A x)2
j=1
n−1
Donde:
σ = Es la desviación estándar
Aj = El rendimiento de cada observación j.
Ax = El rendimiento promedio de las observaciones.
n = Número de observaciones
Ejemplo:
Supongo que las rentabilidades promedias anuales sobre las inversiones repetitivas, en seis
locales de venta de hamburguesas, son las que se muestran a continuación:
0.005950
σ=
√ 6−1
=3.45 %
Interpretación:
Existe 68% de probabilidad de que la rentabilidad de un nuevo local de ventas se sitúe entre
9.5% ± 3.45% (o sea, entre 6.05% y 12,98%); y el 95% de que esté entre 9.5% ± 2 * (3.45%)
(o sea, entre 2.6% y 16,4%)
USANDO EXCEL:
La desviación estándar se obtiene de manera directa seleccionando Fx en la barra de
herramientas.
1. Dentro de las funciones estadísticas se elige DESVEST en nombre de la función.
1.6.2. Variabilidad
Para calcular la variabilidad de los resultados de una inversión, de acuerdo con los
posibles escenarios futuros a los cuales se puede asignar una probabilidad de
ocurrencia, el procedimiento para calcular la desviación estándar difiere del anterior,
ocupando la siguiente ecuación:
n
σ= √∑k=1
( A k − A y )2∗Pk
Donde:
Ejemplo:
Para la inversión de S/. 20.000 una empresa identifica tres escenarios que acondicionarían el
valor actual de los flujos netos proyectados a los que asigna la probabilidad de ocurrencia que
se muestra en la tabla:
σ =√ 11310000=3363.03
Interpretación:
El valor actual del flujo de caja estaría con 68% de posibilidades en el intervalo de S/. 22.700
más S/. 3,363 y S/. 22,700 menos S/. 3,363; o sea, entre S/19,337 y S/. 26,063. Con un 95%
de confianza, el intervalo estará entre S/ 15,974 y S/. 29,426. En ambos casos, como el límite
inferior del intervalo muestra un valor actual del flujo menor que la inversión, se deduce que
se obtendría un VAN menos que 0.
El valor esperado del VAN se calcula multiplicando el VAN de cada escenario por la
probabilidad asignada, tal como se muestra en la Tabla:
Rendimiento
Escenario Inversión VA flujo de VAN Probabilidad esperado
(K) (S/.) caja (S/.) (S/.) (%) (S/.)
Expansión -20,000 26,000 6,000 40% 2,400
Normal -20,000 22,000 2,000 45% 900
Recesión -20,000 16,000 - 15% -600
4,000
Valor esperado del VAN 2,700
Tabla 3: Valor esperado del VAN
VE 2700
= =0.8
σ 3363
Donde:
VE = es el valor esperado
Este resultado expresa que se necesita 80% de una desviación estándar para encontrar el punto
donde el VAN es 0. Una desviación estándar hacia la izquierda tiene una probabilidad de 34%
(debido a la propiedad de simetría de la función de probabilidad normal, es decir, 68% /2). Al
extrapolar, si se obtiene 80% de este 34% y al resultado se le añade el 50%, la probabilidad de
obtener un VAN igual o superior a 0 es:
0.8∗0.34+ 0.5=0.772
Interpretación:
Cuando se comparan proyectos con consideraciones de riesgo, existen algunos criterios que
logran simplificar el proceso decisorio:
Los de dominancia.
Nivel de aspiración.
Valor esperado.
Equivalencia de certeza.
a) Dominancia: Cuando en todos los escenarios el resultado esperado de una alternativa
X es mejor que el de otra Y, se dice que la primera domina a la segunda y, por lo tanto,
se descarta Y. (Nassir Sapag Chain, p. 338)
Ejemplo:
Una empresa enfrenta cuatro opciones de inversión cuyos VAN se calcularon en función de
cinco escenarios posibles a los que se asignó la probabilidad que muestra la siguiente Tabla.
(Nassir Sapag Chain, p. 339)
Como se puede observar, en todos los escenarios, el proyecto 2 domina al proyecto 1, por lo
que este último se elimina.
n
E [ VAN x ]=∑ VAN X K ∗P(k )
k=1
Donde:
La siguiente Tabla resume el valor esperado del VAN para los proyectos 2, 3 y 4. Se
excluye el proyecto 1, por haberse eliminado por el criterio de dominancia. (Nassir
Sapag Chain, p. 339)
Proyecto E[VANx]
0.05 * 0 + 0.15 * 6000 + 0.4 * 7000 + 0.25 * 9000 + 0.15 7,450
2
* 10000
0.05 * -15000 + 0.15 * -8000 + 0.4 * 1000 + 0.25 * 9000 3,400
3
+ 0.15 * 18000
0.05 * -3000 + 0.15 * 5000 + 0.4 * 11000 + 0.25 * 14000 11,050
4
+ 0.15 * 17000
Con este criterio, se elegiría el proyecto 4 por tener el mayor valor esperado del VAN.
EC =E [ VAN X ] −α∗σ [x ]
Donde:
EC = Es el equivalente de certeza.
α = El coeficiente de aversión al riesgo.
σ = La desviación estándar del resultado.
2
σ [ x ] = Σ( VAN X )2∗p ( x )−( E [ x ] )
√
Ecuación 5: desviación estándar del resultado.
La varianza de cada proyecto sería la que se determina con la siguiente Tabla (Nassir
Sapag Chain, p. 340)
Proyecto E[VANx]
0.05 * (0)2 + 0.15 * (6000)2 + 0.4 *
2 (7000)2 + 0.25 * (9000)2 + 0.15 * 60,250,000
(10000)2
0.05 * -(15000)2 + 0.15 * -(8000)2 + 0.4 *
3 (1000)2 + 0.25 * (9000)2 + 0.15 * 90,100,000
(18000)2
0.05 * -(3000)2 + 0.15 * (5000)2 + 0.4 *
4 (11000)2 + 0.25 * (14000)2 + 0.15 * 144,950,000
(17000)2
EC =E [ VAN X ] −α∗σ [x ]
11050−0.7 √ 144950000
4 2,622.34
Según este criterio, el proyecto 4 sería elegido, ya que presenta el mayor VAN en
equivalencia de certeza.
Sistemático.
No sistemático.
El riesgo sistemático, o riesgo de mercado (m): Es aquel que afecta a todo el
mercado.
Riesgo no sistemático (ε): Se asocia específicamente con el proyecto, empresa o
pequeño grupo de empresas.
R=E ( R )+ ε +m
Donde:
R = El rendimiento total.
E(R) = Es el rendimiento esperado.
ε y m = Las partes no sistemática y sistemática, respectivamente, de la parte no
esperada del rendimiento.
Una beta de 0,5 = Indica que la inversión tiene la mitad de riesgo sistemático
que el promedio.
Una beta de 2,0 = Indica que es el doble.
El valor del beta de un sector determinado de la economía se calcula por la
expresión (Nassir Sapag Chain, p. 342)
Cov ( Ri , Rm )
βi=
Var ( Rm )
Donde:
Ecuación 8: Covarianza
Donde:
La varianza, por otra parte, se calcula por la ecuación: (Nassir Sapag Chain, p. 342)
∑ (Rmt−R m)2
Var ( Rm )= t=1
n−1
Ecuación 9: Varianza
Ejemplo:
Con la información histórica recogida de los últimos ocho años, tanto de la industria
como del mercado, se busca calcular el coeficiente beta de la industria donde se
inserta la empresa. La rentabilidad promedio del sector y la global del mercado se
muestran en las primeras dos columnas de la siguiente Tabla. Las siguientes se
utilizan como hoja de cálculo para determinar tanto la Cov(Ri,Rm) como la
Var(Rm). (Nassir Sapag Chain, p. 342)
0
0.06010
2004 0.069300 -0.025338 -0.040150 0.001017 0.001612
0
0.07410
2005 0.079900 -0.011338 -0.029550 0.000335 0.000873
0
0.09810
2006 0.116100 0.012663 0.006650 0.000084 0.000044
0
0.08890
2007 0.140200 0.003463 0.030750 0.000106 0.000946
0
0.09640
2008 0.133200 0.010963 0.023750 0.000260 0.000564
0
0.11320
2009 0.128300 0.027763 0.018850 0.000523 0.000355
0
0.10970
2010 0.130100 0.024263 0.020650 0.000501 0.000426
0
0.68350
Suma 0.875600 0.004141 0.005779
0
0.08543
Ri
8
Rm 0.109450
Cov(Ri,Rm) 0.000518
Var(Rm) 0.000826
Sustituyendo con esta información la Ecuación, se obtiene el siguiente coeficiente
beta para el sector. (Nassir Sapag Chain, p. 343)
0.000518
β= =0.627
0.000826
En este ejemplo, el riesgo sistemático del sector equivale a 62,7% del riesgo
promedio del mercado. (Nassir Sapag Chain, p. 343)
USANDO EXCEL:
Los riesgos externos:
- Los riesgos externos de las empresas son todos aquellos que se producen sin control
de la compañía. Un ejemplo de este riesgo empresarial sería la crisis económica que se
ha vivido recientemente. Este factor además es cíclico, se estima que se producen
crisis económicas cada cierto tiempo y por eso es un riesgo a tener en cuenta.
Los riesgos internos:
Neutro al riesgo.
Amante del riesgo.
Adverso al riesgo
Para realizar el análisis de sensibilidad es preciso identificar los factores que tienen más
probabilidad de oscilar con respecto a su valor esperado, después se asignan valores por abajo
y por arriba de este esperado y, sin realizar modificaciones a los demás elementos, se calculan
nuevamente los valores de rendimiento, por el ejemplo en el caso del VPN (Pérez, 2018).
La mayoría de las decisiones se toman bajo incertidumbre. Una técnica para llegar a una
conclusión es reemplazar todos los parámetros inciertos con los valores esperados; luego se
lleva a cabo el análisis de sensibilidad.
2.1. Ventajas de análisis de sensibilidad
Análisis en profundidad
Cuando se realiza el análisis de sensibilidad, cada variable independiente y dependiente
se estudia en profundidad. Se estudian sus movimientos y también se estudia cómo la
variable independiente afecta a la variable dependiente. En la búsqueda de comprender
la relación entre las variables, se establece la reacción de causa y efecto entre las dos.
Tal análisis en profundidad traerá pronósticos futuros más precisos.
Fortalecer los "puntos débiles"
Como el análisis de sensibilidad estudia cada variable de forma independiente, puede
identificar variables críticas que pueden actuar como una debilidad. Por ejemplo: en este
análisis, descubrimos que los precios de los bonos son extremadamente volátiles a los
cambios en la inflación, podemos tomar medidas para reducir el impacto, por ejemplo,
mediante cobertura. Por lo tanto, podemos decir: se identifica y fortalece el punto débil.
Toma de decisiones
El análisis de sensibilidad da como resultados pronósticos respaldados por datos.
Cuando se consideran todas las variables y se analizan todos los resultados, resulta fácil
para la gerencia tomar decisiones sobre inversiones dentro del negocio y decisiones
sobre invertir en los mercados. Por lo tanto, es una herramienta extremadamente útil
para la planificación futura.
Control de calidad
A través del análisis de sensibilidad, la administración puede saber qué variables tienen
un alto impacto en el éxito o el fracaso de un proyecto. Por ejemplo, en un análisis de
sensibilidad de la Compañía A, la gerencia descubrió que el empaque de su producto
afecta las ventas hasta en un 20%. Por lo tanto, la gerencia puede concentrarse para
proporcionar empaques de la mejor calidad para optimizar las ventas.
Asignación adecuada de recursos
Como se discutió, el análisis de sensibilidad puede identificar áreas fuertes y débiles, y
medir su impacto en el objetivo final. Esto ayuda a la administración a dirigir los
recursos a las variables que más requieren estos recursos. Siguiendo el ejemplo anterior
de la Compañía A, si la gerencia sabe que el empaque tiene un efecto importante en las
ventas, dirigirá más recursos para obtener un empaque óptimo para su producto.
2.2. Desventajas del análisis de sensibilidad
Basado en supuestos
El análisis de sensibilidad se basa en datos históricos y supuestos de gestión. Si estos
supuestos en sí mismos son incorrectos, todo el análisis será incorrecto y el pronóstico
futuro no será exacto. Por ejemplo, si la gerencia supone que los precios de las materias
primas aumentarán en el futuro y afectarán el precio final del producto, la compañía
comprará materia prima adicional a los precios actuales. Pero si en lugar de subir, los
precios de las materias primas caen, entonces la compañía estará en desventaja en el
mercado.
No es de naturaleza relativa
El análisis de sensibilidad considera cada variable individualmente e intenta determinar
el resultado. En el mundo real, todas las variables están relacionadas entre sí. Por
ejemplo, tanto la inflación como las tasas de interés del mercado afectan los precios de
los bonos. El análisis de sensibilidad considerará cuánto afectará un cambio en la
inflación al precio de los bonos y cómo un cambio en la tasa de interés del mercado
afectará el precio de los bonos, pero no considerará cómo un cambio en la inflación
afectará la tasa de interés del mercado o viceversa. Este es en realidad un análisis
incompleto. Por lo tanto, podemos decir que este análisis da profundidad al pronóstico,
pero no considera su amplitud.
Finalmente, podemos concluir que, aunque el análisis de sensibilidad es una muy buena
herramienta analítica, sería mejor usarlo con otras herramientas de gestión para obtener
pronósticos óptimos (Borad, 2018).
Una vez definida el modelo en el que se reflejan los cálculos de valores y probabilidades de
las variables inciertas, la simulación Monte Carlo se encarga de asignar de manera aleatoria el
valor a cada una de las variables definidas como inciertas (dentro del rango especificado para
cada una) y recalcular el valor presente neto (VPN) que corresponde a cada conjunto de
valores de todas las variables.
a) Principio de Laplace.
Cuando no es posible asignar probabilidad a los diferentes escenarios o estados de la
economía, se pueden considerar todos los escenarios como igualmente probables. En
ausencia de estas probabilidades, se podría razonar que cada escenario posible de la
naturaleza tiene tanto probabilidad de ocurrir como cualquiera de los otros, suposición
que se justifica en que no hay base establecida para que un escenario sea más probable
que cualquiera de los otros. Además, existen situaciones en que las políticas
gubernamentales modifican determinado escenario.
b) Principios de Maximin y Minimax.
En el caso del principio de Maximin, para cada escenario se selecciona el mayor
rendimiento y este se ubica en la situación más crítica o adversa; por ejemplo, si se
identifican escenarios. Estas decisiones requieren un matiz de optimismo parcial, es
decir, se escoge la alternativa que proporciona el máximo rendimiento en condiciones
pesimistas.
Por su parte, mediante el principio de Minimax, criterio se Savage o minimax de
perdidas, busca el escenario de mayor rendimiento, después se determina la matriz de
perdidas, se identifica la mayor perdida que se puede producir o lo máximo que se
deja de ganar con respecto al mejor resultado y, por último, se elige el proyecto que
genera la menor perdida.
c) Principio de Hurwickz.
Para evitar que el criterio del analista se enfoque en un sentido optimista o pesimista,
Hurwickz establece un esquema que permite incorporar varios niveles de pesimismo u
optimismo dentro de la decisión, se define un índice de optimismo en una escala de 0
Crystal Ball
Es una herramienta que extiende la capacidad de pronosticar modelos sobre la hoja de cálculo
de Excel y provee la información necesaria para que el usuario de software pueda llegar a ser
un mejor y más eficiente tomador de decisiones.
Permite descubrir un rango de posibles valores para celda de incertidumbre dentro de la hoja
de cálculo. De modo, que son todos los supuestos que se ingresen al modelo son expresados al
mismo tiempo.
Usando un proceso llamado Simulación de Monte Carlo, Crystal Ball arroja resultados en un
cuadro de pronósticos que muestra el rango entero de posibles valores y la probabilidad de
alcanzar cualquiera de ellos. (León S. Diana, Quintero R. Ingrid y Zuluaga M. William 2004,
p.18-19)
Caso práctico del Metodo de simulación Monte Carlo con Crystal Ball
Referencias
Anderson, D. R. (2010). Quantitative methods for business (11th ed.). Mason OH: South-
Western Cengage Learning.
Bazzani, C. L. y Trejos, E. A. C. (2008). Análisis de riesgo en proyectos de inversión un caso de
estudio. Scientia et technica, 1(38).
Borad, S. B. (2018). Advantages and Disadvantages of Sensitive Analysis. Recuperado de
https://efinancemanagement.com/investment-decisions/advantages-disadvantages-of-
sensitive-analysis#
Contreras Villablanca, E. (2009). Evaluación de inversiones bajo incertidumbre: Teoría y
aplicaciones a proyectos en Chile. Serie manuales / Naciones Unidas, Comisión Económica
para América Latina y el Caribe: Vol. 63. Santiago de Chile: Naciones Unidas, CEPAL, Inst.
Latinoamericano y del Caribe de Planificación Económica y Social (ILPES).
Corvo, H. (2019). Análisis de Sensibilidad: Para Qué Sirve y Ejemplo. Recuperado de
https://www.lifeder.com/analisis-sensibilidad/
Ivelez. Microsoft Word - 7 simulacion.doc.
Meza Orozco y Jhonny de Jesús. Economía Digital - Evaluación Financiera de Proyectos.
Nassir Sapag Chain. Proyectos de inversión. Formulación y evaluación.
Nassir Sapag Chain. Proyectos de inversión. Formulación y evaluación.
Nassir Sapag Chain. Proyectos de inversión. Formulación y evaluación: Segunda edición.