Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ANÁLISIS DE SENSIBILIDAD
DOCENT
E:
DEXTRE
MARTINE
Z
INTEGRANTES:
ANDRADE HUANE JHON
DIAZ GUERRERO VANIA
ROBLES RODRIGUEZ CRISTIAN
SALAS TOLEDO JANELLY
INDICE
PRESENTACIÓN.........................................................................................2
INTRODUCCIÓN.........................................................................................4
I: RIESGO E INCERTIDUMBRE..............................................................5
1.5. Riesgo...........................................................................................23
2.4. Usos..............................................................................................28
BIBLIOGRAFÍA..........................................................................................32
PRESENTACIÓN
I. RIESGO E INCERTIDUMBRE
Ejemplo:
Ejemplo:
Sin embargo, nunca podrá estar cierto de hasta qué punto sus
estimaciones se acercarán a lo que realmente va a acontecer. Siempre
queda una cierta incertidumbre involucrada en todo ello. Gregersen y
Contreras (1980)
1.2. Análisis de inversiones en condiciones de riesgo e incertidumbre
σ=
√ ∑ (A j− A x)2
j=1
n−1
Ecuación 1: desviación estándar en base histórica.
Fuente: Sapag Chain (2011)
Donde:
σ es la desviación estándar.
Aj, el rendimiento de cada observación j.
Ax, el rendimiento promedio de las observaciones.
n, el número de observaciones.
Ejemplo:
0.005950
σ=
√ 6−1
= √ 0.00119=3.45 %
Interpretación:
1.4.2. Variabilidad
Donde:
Ejemplo:
Para una inversión de S/. 20.000, una empresa identifica tres escenarios
que condicionarían el valor actual de los flujos netos proyectados a los
que
σ =√ 11310000=3363.03
Igual que el caso anterior, se concluye que 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 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 menor que 0.
VE 2700
= =0.8
σ 3363
Ejemplo:
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.
Proyecto E[VANx]
2 0.05*0+0.15*6000+0.4*7000+0.25*9000+0.15*10000 7,450.00
3 0.05*-15000+0.15*-8000+0.4*1000+0.25*9000+0.15*18000 3,400.00
4 0.05*-3000+0.15*5000+0.4*11000+0.25*14000+0.15*17000 11,050.00
Donde:
EC es el equivalente de certeza.
a el coeficiente de aversión al riesgo.
σ[x] la desviación estándar del resultado.
Si:
2
σ [ x ] = Σ( VAN X )2∗p ( x )−( E [ x ] )
√
Ecuación 5: desviación estándar del resultado.
Proyect
o E[VANx]
2 0.05*(0)2+0.15*(6000)2+0.4*(7000)2+0.25*(9000)2+0.15*(10000)2 60,250,000.00
0.05*-(15000)2+0.15*-
3 (8000)2+0.4*(1000)2+0.25*(9000)2+0.15*(18000)2 90,100,000.00
0.05*- 144,950,000.0
4 (3000)2+0.15*(5000)2+0.4*(11000)2+0.25*(14000)2+0.15*(17000)2 0
Fuente:
EC =E [ VAN X ] −α∗σ [x ]
R=E ( R )+ ε +m
Donde:
R es el rendimiento total.
E(R), el rendimiento esperado
ε y m, las partes no sistemática y sistemática, respectivamente, de la
parte no esperada del rendimiento.
En una empresa, el riesgo no sistemático atribuible a un proyecto no está
vinculado con los riesgos no sistemáticos de otros proyectos. Esto explica
el argumento de que la empresa reduce su riesgo total mediante la
diversificación de las inversiones, haciendo insignificante el riesgo no
sistemático e igualándolo, prácticamente, con el riesgo sistemático.
Cov ( Ri , Rm )
βi=
Var ( Rm )
Donde:
Ecuación 8: covarianza.
Ecuación 9: varianza.
Ejemplo:
(Rit - Ri)(Rmt -
Año Rit Rmt Rit - Ri Rmt - Rm (Rmt - Rm)2
Rm)
Ri 0.085438
Rm 0.109450
Cov(Ri,Rm
0.000518
)
Var(Rm) 0.000826
0.000518
β= =0.627
0.000826
1.5. Riesgo
Los casos de riesgo son muy particulares y los más comunes están
relacionados con situaciones de azar (loterías, ruletas, rifas, etc.) o con
decisiones a las cuales se les ha asignado una distribución de
probabilidad.
Ejemplo:
Sería un respiro para alguien que toma decisiones tener alguna indicación
sobre cuán sensibles serán las elecciones al cambiar una o más variables
de entrada. Una buena práctica de modelado requiere que el modelador
realice una evaluación de la confianza en el modelo.
2.4. Usos
Precio de venta.
Precios de insumos.
Costos de producción.
Volúmenes de venta.
Coeficientes tecnológicos
Inversión.
2.10. Aplicación
Una planilla electrónica, como Excel, por ejemplo, permite resolver ambos
modelos de sensibilización con mucha rapidez. El siguiente ejemplo
muestra el procedimiento de solución de los dos modelos y se usará más
adelante para mostrar la aplicación del Crystal Ball.
Ejemplo:
El plan comercial establece un precio de $200 por unidad durante los tres
primeros años, para luego estabilizarse en $230. Los costos variables de
fabricación y ventas ascienden a $80 y los costos fijos de administración,
fabricación y ventas a $50.000 anuales los primeros tres años y, a partir
del cuarto, a $46.000, en consideración a que se reduce el costo de la
campaña promocional.
Solución:
variables afecten a los valores que se sensibilizarán. En este caso, se
seleccionan la cantidad, precio y costo variable. Sólo en las celdas C1, C2
y C3 se anotarán valores. El resto de las celdas se expresarán como una
función de ellas. Por ejemplo, en la celda D1 se anotará =C1 * 1,1 para
reflejar el incremento del 10% proyectado en el nivel de producción y
ventas. En D2 se anotará +C2 para copiar el valor de esa celda.