UNI

UNIVERSIDAD NACIONAL SANTIAGO

ANTUNEZ DE MAYOLO

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

ANÁLISIS DE SENSIBILIDAD, RIESGO E INCERTIDUMBRE..................5

I: RIESGO E INCERTIDUMBRE..............................................................5

1.1. ¿Cuándo hay incertidumbre?.........................................................5

1.2. Análisis de inversiones en condiciones de riesgo e incertidumbre6

1.3. Diferencia entre riesgo e incertidumbre.........................................7

1.4. Causas del riesgo y de la incertidumbre........................................7

1.5. Cómo disminuir el grado de incertidumbre....................................8

1.6. Modelos de simulación deterministas............................................8

1.5. Riesgo...........................................................................................23

II. ANÁLISIS DE SENSIBILIDAD............................................................24

2.1. Ventajas del análisis de sensibilidad............................................25

2.2. Desventajas del análisis de sensibilidad......................................27

2.3. Evaluación de la confianza en el modelo.....................................27

2.4. Usos..............................................................................................28

2.5. ¿Cómo hacerlo?...........................................................................28

2.6. Tres posibles escenarios..............................................................29

2.8. Análisis de escenarios..................................................................31

2.9. Cuidados al hacer análisis de sensibilidad..................................31

BIBLIOGRAFÍA..........................................................................................32
 PRESENTACIÓN

El presente trabajo se centra en el estudio del análisis de sensibilidad, en

este sentido, es relevante destacar la importancia del tema para la toma
de decisiones en el ámbito empresarial y así disminuir o controlar futuros
riesgos que se pueden presentar. Por ello, el presente trabajo pretende
contribuir en el conocimiento de los que estudiamos en el campo de las
ciencias empresariales.

Ambas cuestiones serán examinadas tanto en el ámbito de la producción

como en el de la comprensión, aunque haciendo mayor énfasis en el
primero. Para llevar a cabo este estudio, adoptaremos el enfoque de la
Neuropsicología cognitiva, utilizando la metodología de estudio de casos,
con la finalidad principal de estudiar los distintos tipos de alteraciones que
presentan los pacientes. Asimismo, con esta metodología se pretende
encontrar disociaciones (simples o dobles) que contribuyan a estructurar
un modelo de procesamiento del lenguaje en personas sin daño cerebral.
Con el fin de conseguir este objetivo, el presente trabajo se ha
estructurado en seis capítulos además de los apéndices y la bibliografía.
 INTRODUCCIÓN

Tomar mejores decisiones y asignar los recursos de manera adecuada

son algunos de los factores que posibilitan el éxito de un proyecto. El
análisis de sensibilidad permite que las empresas alcancen sus objetivos
estratégicos al facilitar estas condiciones. Dentro de un ámbito cada vez
más competitivo para las empresas, los gerentes, accionistas,
inversionistas o dueños del negocio se preocupan por saber cómo les irá
en un futuro no muy lejano, se deben mantener informados por los
posibles hechos futuros económicos, políticos, culturales etc. Y a través
de ello minimizar o controlar los futuros riesgos que les pueda afectar en
sus decisiones.

El presente trabajo está orientado a desarrollar el tema de análisis de la

sensibilidad, cuando nos vemos envueltos en la evaluación de un
proyecto de inversión, tenemos en cuenta muchas estadísticas y
probabilidades, ya que no se puede determinar qué es lo que puede
ocurrir en el futuro y cómo será el movimiento de las variables en su
entorno. Es ahí donde uno se ve en la necesidad de construir diferentes
escenarios con los cuales se podrá estar preparado durante la ejecución
del proyecto.

Una forma de visualizar el comportamiento de estos escenarios, es a

través de ejercicios de simulación apoyados por un software
especializado, que nos permitirá ver el comportamiento de las variables
en cuestión.

El presente trabajo se divide en 2 capítulos, en el primer capítulo

hablaremos sobre el riesgo y la incertidumbre y en el segundo capítulo
sobre el análisis de sensibilidad en general, qué es, su importancia y su
uso.
 ANÁLISIS DE SENSIBILIDAD, RIESGO E INCERTIDUMBRE

I. RIESGO E INCERTIDUMBRE

1.1. ¿Cuándo hay incertidumbre?

Se dice que hay incertidumbre cuando no se posee información suficiente

como para asignarle una distribución de probabilidad.

Ejemplo:

Un muchacho desea vender periódicos en la cafetería de la universidad y

tiene que decidir cuántos deberá comprar. Estima vagamente la cantidad
que podría vender en 15, 20, 25 ó 30 periódicos. (Para simplificar, se
acepta que cantidades intermedias no ocurrirán). Por lo tanto, considera
que tendrá que adquirir 15, 20, 25 ó 30 periódicos.

La incertidumbre se refiere a que el analista no puede estar seguro hoy de

algo que va a suceder en el futuro. O bien, debido a insuficiente
información, no puede estar seguro de los acontecimientos pasados y
presentes que necesita como base para pronosticar las condiciones del
futuro. Valiéndose de la información disponible relativa a acontecimientos
anteriores hace estimaciones (o conjeturas) sobre lo que probablemente
puede suceder.

Ejemplo:

 Cuál será la demanda futura de madera aserrada de pino.

 Cuál será el costo de la mano de obra,
 Qué riesgos naturales podrán afectar a un proyecto de plantación, etc.

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

En evaluación de proyectos, los conceptos de riesgo e incertidumbre se

diferencian en que, mientras que el primero considera que los supuestos
de la proyección se basan en probabilidades de ocurrencia que se pueden
estimar, el segundo enfrenta una serie de eventos futuros a los que es
imposible asignar una probabilidad. En otras palabras, existe riesgo
cuando los posibles escenarios y sus resultados se conocen, y cuando
hay antecedentes para estimar su distribución de frecuencia. Tal es el
caso de la cantidad de madres que llegan a una clínica para tener un
parto normal y terminan con cesárea. Hay incertidumbre cuando los
escenarios, o la distribución de frecuencia de sus resultados, se
desconocen, como por ejemplo la posibilidad de que un avión caiga sobre
una fábrica.

El evaluador de proyectos debe incorporar cualquier información adicional

que permita al inversionista conocer las posibilidades de que su
rentabilidad suba o baje por el riesgo, o la incertidumbre de que cambie el
valor de cualquier variable pronosticada para medir dicha rentabilidad.
Cuando el proyecto enfrenta condiciones de incertidumbre, se dispone de
dos metodologías de análisis no excluyentes entre sí. Cuando enfrenta
condiciones de riesgo, además de poder usar las dos anteriores, dispone
de una potente herramienta que cuantifica el riesgo total de la inversión e
identifica las variables pertinentes de las cuales depende el resultado de
su proyecto, permitiendo, en consecuencia, tomar anticipadamente
decisiones para su mitigación.
 Gráfico 1: herramientas para el análisis de riesgo e incertidumbre.

Fuente: Sapag Chain (2011)

1.3. Diferencia entre riesgo e incertidumbre

Se usan indistintamente, pero hay una diferencia fundamental.

Un decisor se enfrenta a una situación de riesgo, cuando puede identificar

los eventos posibles (resultados) y además asignarle una distribución de
probabilidad.

Incertidumbre se refiere a la imposibilidad de asignarle una distribución de

probabilidad. A esto se le puede llamar incertidumbre blanda. Se puede
considerar una situación en la cual el decisor ni siquiera puede identificar
los resultados o eventos. A esto lo llaman incertidumbre dura.

1.4. Causas del riesgo y de la incertidumbre

Las causas de la variabilidad son básicamente atribuibles al

comportamiento humano; pero hay fenómenos de otro origen que causan
riesgo e incertidumbre. Por ejemplo:

 Disponibilidad de la información: Inexistencia de datos históricos. Baja

cobertura y poca confiabilidad de los datos con que se cuenta.
 Análisis e interpretaciones erróneas de la información.
 Sesgos en la estimación de datos o de eventos posibles.
 Cambios en la economía, tanto nacional como mundial. Política
cambiaria y de comercio exterior
 Inestabilidad económica y falta de continuidad en los programas
sectoriales.
 Inestabilidad política y social. Inseguridad. Orden público.
 Obsolescencia.
 Catástrofes naturales o comportamiento del clima.

1.5. Cómo disminuir el grado de incertidumbre

 Obtener información antes de tomar la decisión, información acerca del

mercado.
 Aumentar el tamaño de las operaciones, por ejemplo, se asume menos
riesgo al perforar 50 pozos de petróleo que al perforar uno. Vélez
Pareja (2003)

1.6. Modelos de simulación deterministas

Aun cuando existen distintos modelos para efectuar un análisis de las

probabilidades en proyectos que tienen riesgos, estos difícilmente se
pueden validar en forma objetiva, como por ejemplo el resultado de lanzar
una moneda al aire. En este sentido, los análisis de probabilidades en los
proyectos no modifican los niveles de riesgo ni de incertidumbre, sino que
generan información para ayudar al proceso de toma de decisiones. Con
más información del mercado, de las opciones tecnológicas o de los
efectos de una u otra localización, podría reducirse la incertidumbre si se
toman las decisiones adecuadas para mitigarla.

La decisión de aceptar proyectos con mayor grado de riesgo se asocia,

por lo general, con exigencias de mayor rentabilidad, aunque los
inversionistas deseen lograr el retorno más alto posible sobre sus
inversiones y, simultáneamente, obtener el máximo de seguridad en
alcanzarlos. Lo importante es reconocer que cada individuo manifiesta
preferencias particulares y diferenciadas de riesgo-recompensa.
La definición más común de riesgo es la de la variabilidad relativa del
retorno esperado (o la desviación estándar del retorno esperado) respecto
del retorno medio, en cuanto a la magnitud de la variación. Mientras más
alta sea la desviación estándar, mayor será la variabilidad del retorno y,
por consiguiente, el riesgo.

Las probabilidades que no se pueden verificar en forma objetiva se

denominan probabilidades subjetivas. La más observada en la práctica es
la que supone una distribución normal, que indica que, en 67,5% de los
casos, los retornos caerán dentro de un rango que está entre el valor
promedio del retorno ± una desviación estándar. Si al promedio se suman
y restan dos desviaciones estándar, el intervalo incluirá 95% de los casos.
Si se agregan o quitan tres desviaciones estándar, el intervalo incluirá
99% de los casos.

En una empresa en funcionamiento, es muy posible encontrar

información, en sus registros de datos, que posibilite efectuar un análisis
de riesgo de un nuevo proyecto, pero sobre el que se tienen experiencias
previas. El análisis del riesgo mediante la desviación estándar sigue
procedimientos distintos, según se trate de datos históricos o
proyectados.

1.6.1. Desviación estándar

El procedimiento para calcular la desviación estándar en base histórica se

aplica a diferentes elementos del proyecto: nivel de respuesta de la
demanda que se amplía permanentemente a nuevos sectores
geográficos, rentabilidad de una inversión replicable, etcétera. En estos
casos, se busca estimar la variabilidad del resultado con base en los
comportamientos históricos observados, para lo cual se usa la siguiente
ecuación:

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.

La desviación estándar al cuadrado, σ2, se denomina varianza.

Ejemplo:

Suponga que las rentabilidades promedias anuales sobre las inversiones

repetitivas, en seis locales de venta de hamburguesas, son las que se
muestran en la tabla:

Rendimiento Rendimiento Desviación Desviación

Observaciones observado promedio (Aj – Ax) cuadrada (Aj –
(Aj) (%) (Ax) (%) (%) Ax)2 (%)
1 0.12 0.095 0.025 0.000625
2 0.13 0.095 0.035 0.001225
3 0.08 0.095 -0.015 0.000225
4 0.04 0.095 -0.055 0.003025
5 0.08 0.095 -0.015 0.000225
6 0.12 0.095 0.025 0.000625
Suma 0.57 0.000 0.005950

Tabla 1: Cálculo de las desviaciones sobre observaciones históricas.

Fuente: Sapag Chain (2011)

Sustituyendo los valores en la fórmula 1, se obtiene:

0.005950
σ=
√ 6−1
= √ 0.00119=3.45 %

Interpretación:

Esto indica que existe 68% de posibilidades 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 95% de que esté entre 9,5% ± 2 * (3,45%) (o sea, entre 2,6% y
16,4%).

Cuando un resultado es de naturaleza aleatoria, la distribución normal

sirve para calcular la probabilidad de que se sitúe en un determinado
intervalo. Se utiliza principalmente porque la mayoría de las funciones se
ajustan a la distribución, sin dejar de reconocer la existencia de otras
distribuciones de probabilidad, en las que el procedimiento a seguir es
similar, es decir, la probabilidad que se desea obtener se logra integrando
el intervalo del área bajo la curva deseada o utilizando las herramientas
estadísticas correspondientes.

El Gráfico muestra la distribución normal basada en los rendimientos

observados en el historial de la empresa para los resultados del Ejemplo.

Gráfico 2: distribución normal.

Fuente: Sapag Chain (2011)

Al usar una planilla Excel, la desviación estándar se obtiene directamente

seleccionando fx en la barra de herramientas.

1. Dentro de las funciones Estadísticas se elige DESVEST en Nombre de

la función.
 Gráfico 3: Función estadística en Excel DESVEST.

Fuente: Sapag Chain (2011)

2. En el cuadro de diálogo que aparece al pulsar Aceptar, se anota, en

Número 1, el rango de resultados de los rendimientos observados (Aj). En
la parte inferior del cuadro de diálogo aparece, en Resultado de la
fórmula, la desviación estándar.

Gráfico 4: resultado de desviación estándar con función en Excel.

Fuente: Sapag Chain (2011)

1.4.2. 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

Ecuación 2: desviación estándar sobre bases proyectadas.

Fuente: Sapag Chain (2011)

Donde:

 Ak es el resultado esperado para cada escenario k.

 Ay es el resultado promedio ponderado de los distintos escenarios
respecto de la probabilidad Pk asignada a cada uno.

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

asigna la probabilidad de ocurrencia que se muestra en la tabla:

VA flujo de Factor Desviación Desviación Producto

Escenario Probabilidad
caja (Ak) (Ak * Pk) (Ak – Ay) cuadrada Pk * (Ak –
(k) (Pk) (%) 2
(S/.) (S/.) (S/.) (Ak – Ay) (S/.) Ay)2 (S/.)
Expansión 40% 26,000 10,400 3,300 10,890,000 4,356,000
Normal 45% 22,000 9,900 -700 490,000 220,500
Recesión 15% 16,000 2,400 -6,700 44,890,000 6,733,500
    Ay = 22700 Suma 56,270,000 11,310,000

Tabla 2: cálculo de las desviaciones sobre bases proyectadas

Fuente: Sapag Chain (2011)

Reemplazando con estos valores la ecuación 2, la desviación estándar

resulta ser de:

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.

El valor esperado del VAN se calcula multiplicando el VAN de cada

escenario por la probabilidad asignada, tal como se muestra en la Tabla:

Escenario VA flujo de Probabilida Rendimiento

Inversión (S/.) VAN (S/.)
(k) caja (S/.) d (%) esperado (S/.)
Expansión -20,000.00 26,000 6,000.00 40% 2,400.00
Normal -20,000.00 22,000 2,000.00 45% 900.00
Recesión -20,000.00 16,000 -4,000.00 15% -600.00
Valor esperado del VAN 2,700.00

Tabla 3: valor esperado del VAN.

Fuente: Sapag Chain (2011)

Para obtener la probabilidad de un rendimiento positivo del proyecto, se

debe encontrar el punto donde el VAN se hace 0. Si al valor esperado de
S/. 2.700 se le resta una desviación estándar de S/. 3.363, resulta el valor
−S/. 663. Dado que desde la media hacia la derecha se tiene 50% de
probabilidad (por propiedad de simetría de esta función), se debe, en
primer lugar, encontrar a cuántas desviaciones de la media se halla este
punto, para lo cual se divide el valor esperado por la desviación:

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

Esto significa que existe 77,2% de probabilidad de obtener un VAN igual o

superior a 0.

1.4.3. Proyectos con consideraciones de riesgo

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 y 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.

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 Tabla:

Probabilida VAN proyecto (S/.)

Escenario
d (%) 1 2 3 4
Recesivo 5 -10,000.00 - -15,000.00 -3,000.00
Pesimista 15 -4,000.00 6,000.00 -8,000.00 5,000.00
Normal 40 - 7,000.00 1000.00 11,000.00
Optimista 25 6,000.00 9,000.00 9000.00 14,000.00
Expansivo 15 9,000.00 10,000.00 18000.00 17,000.00

Tabla 4: relaciones de van esperados para cada escenario por proyecto.

Fuente: Sapag Chain (2011)

Como se puede observar, en todos los escenarios, el proyecto 2 domina

al proyecto 1, por lo que este último se elimina.

b) Nivel de aspiración: se define un nivel de aspiración y después se

busca el proyecto que maximiza la probabilidad de alcanzarlo. Si, en el
mismo ejemplo anterior, con un criterio muy conservador, se plantea
elegir el proyecto más seguro después de dar al inversionista el retorno
exigido, se seleccionará el proyecto 2 por ser el único que cumple en
todos los escenarios con esa condición.

c) Valor esperado: calcula el valor esperado de cada proyecto en función

de la probabilidad asignada a cada escenario y al resultado proyectado. El
valor esperado se calcula por:

n
E [ VAN x ]=∑ VAN X K ∗P(k )
k=1

Ecuación 3: valor esperado del VAN.

Fuente: Sapag Chain (2011)

Donde:

 E[VANx] es el valor esperado del VAN de cada proyecto x.

 P(k) es la probabilidad de que ocurra el escenario k.

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

Tabla 5: valor esperado del VAN para cada proyecto.

Fuente: Sapag Chain (2011)

Con este criterio, se elegiría el proyecto 4 por tener el mayor valor
esperado del VAN.

El cuarto y último criterio que logra simplificar el proceso decisorio es el

criterio de equivalencia de certeza.

d) Equivalencia de certeza: corrige el resultado del valor esperado por un

coeficiente de aversión al riesgo, mediante:
 EC =E [ VAN X ] −α∗σ [x ]

Ecuación 4: equivalente de certeza.

Fuente: Sapag Chain (2011)

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.

Fuente: Sapag Chain (2011)

La varianza de cada proyecto sería la que se determina con la tabla:

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

Tabla 6: cálculo de la varianza VAN para cada proyecto.

Fuente:

Reemplazando con estos valores la Ecuación:

EC =E [ VAN X ] −α∗σ [x ]

Y suponiendo un coeficiente de aversión al riesgo de 0,7, se obtienen los

siguientes factores de equivalencia de certeza para los tres proyectos que
se comparan.
 Proyect E [ VAN x ]−α∗√ σ 2 [ x ] =EC
o
2 7450−0.7 √ 60250000 2,016.54
3 3400−0.7 √ 90100000 -3,244.47
4
11050−0.7 √ 144950000
2,622.34

Tabla 7: cálculo del factor de equivalencia de certeza para cada proyecto.

Fuente: Sapag Chain (2011)

Según este criterio, el proyecto 4 sería elegido, ya que presenta el mayor
VAN en equivalencia de certeza.

El riesgo de invertir en un proyecto proviene de la imposibilidad de

predecir los acontecimientos futuros. Cuando estos se conocen o son
predecibles, el proyecto se tipifica como libre de riesgo. Los
acontecimientos inesperados dan origen a dos tipos de riesgo: sistemático
y no sistemático.

El riesgo sistemático, o riesgo de mercado (m), es aquel que afecta a todo

el mercado, mientras que el riesgo no sistemático (ε) se asocia
específicamente con el proyecto, empresa o pequeño grupo de
empresas.

De acuerdo con esto, el rendimiento total de un proyecto se puede definir

como:

R=E ( R )+ ε +m

Ecuación 6: rendimiento total.

Fuente: Sapag Chain (2011)

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.

La forma de medir el nivel de riesgo sistemático es calculando el

coeficiente beta (β), que indica la relación entre el riesgo sistemático de
una inversión y el promedio del mercado. Un beta de 0,5 indica que la
inversión tiene la mitad de riesgo sistemático que el promedio, mientras
que un 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:

Cov ( Ri , Rm )
βi=
Var ( Rm )

Ecuación 7: beta de un sector.

Fuente: Sapag Chain (2011)

Donde:

 βi es el beta del sector i.

 Ri, la rentabilidad observada en el sector i.
 Rm, la rentabilidad del mercado.

Esta última se calcula generalmente como equivalente a la rentabilidad

promedio del mercado bursátil.

La covarianza se calcula por la ecuación:

∑ (Rit −Ri)(Rmt −Rm)

Cov ( Ri , Rm ) = t =1
n

Ecuación 8: covarianza.

Fuente: Sapag Chain (2011)

Donde:

 Rit es la rentabilidad del sector i en el periodo t.

 Rmt, la rentabilidad del mercado en el periodo t.
 n, el número de observaciones.

La varianza, por otra parte, se calcula por la ecuación:

∑ (Rm t−R m)2

Var ( Rm )= t=1
n−1

Ecuación 9: varianza.

Fuente: Sapag Chain (2011)

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
tabla. Las siguientes se utilizan como hoja de cálculo para determinar
tanto la Cov(Ri,Rm) como la Var(Rm).

(Rit - Ri)(Rmt -
Año Rit Rmt Rit - Ri Rmt - Rm (Rmt - Rm)2
Rm)

2003 0.043000 0.078500 -0.042438 -0.030950 0.001313 0.000958

2004 0.060100 0.069300 -0.025338 -0.040150 0.001017 0.001612

2005 0.074100 0.079900 -0.011338 -0.029550 0.000335 0.000873

2006 0.098100 0.116100 0.012663 0.006650 0.000084 0.000044

2007 0.088900 0.140200 0.003463 0.030750 0.000106 0.000946

2008 0.096400 0.133200 0.010963 0.023750 0.000260 0.000564

2009 0.113200 0.128300 0.027763 0.018850 0.000523 0.000355

2010 0.109700 0.130100 0.024263 0.020650 0.000501 0.000426

Suma 0.683500 0.875600     0.004141 0.005779

Ri 0.085438          

Rm   0.109450        
Cov(Ri,Rm
        0.000518  
)

Var(Rm)           0.000826

Tabla 8: cálculo de la varianza y la covarianza.

Fuente: Sapag Chain (2011)

Sustituyendo con esta información la ecuación 7, se obtiene el siguiente

coeficiente beta para el sector:

0.000518
β= =0.627
0.000826

En este ejemplo, el riesgo sistemático del sector equivale a 62,7% del

riesgo promedio del mercado.

En una planilla electrónica como Excel, la covarianza y la varianza se

calculan directamente mediante la opción:

1. Insertar función fx. En el cuadro de diálogo seleccionar función, se

seleccionan Estadísticas (en Categoría de la función) y COVAR (en
Nombre de la función).

Gráfico 5: función de covarianza en Excel.

Fuente: Sapag Chain (2011)

2. Pulsando Aceptar, aparece el cuadro de diálogo COVARIANCE.P,

donde se anota en Matriz 1 el rango de datos Rit y en Matriz 2 el rango
Rmt. La covarianza aparece al final del cuadro en Resultado de la
fórmula.

Gráfico 6: rango de datos en la fórmula de covarianza.

Fuente: Sapag Chain (2011)

3. Para calcular la varianza, se sigue igual procedimiento. En el cuadro de

diálogo VAR.S, se anota en Número 1 el rango de datos Rmt, para
obtener directamente la varianza.

Gráfico 7: selección de función VAR.S en Excel.

Fuente: Sapag Chain (2011)
 Gráfico 8: introducción del rango de datos para obtener la varianza.
Fuente: Sapag Chain (2011)

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:

En una empresa se ha reunido un grupo de ejecutivos para estudiar la

introducción de un nuevo producto. Ellos con base en estudios de
mercado y en su experiencia han producido cálculos calificados, han sido
capaces de estimar ciertas cifras relacionadas con la inversión a realizar y
sus resultados. Vélez Pareja (2003)

Algunas fuentes típicas de riesgo en proyectos son:

 Poco conocimiento de la industria.

 Dinámica de los precios.
 Dinámica de la demanda.
 Gustos y modas.
 Costos de insumos.
 Tecnologías.
 Uso de fuentes de información poco confiables.
 Errores de interpretación de datos.
 Errores en la manipulación de información. Contreras Villablanca
(2009)

1.5. Aversión al riesgo

La decisión de que proyecto realizar depende del “comportamiento” del

inversionista frente al riesgo. Estos comportamientos pueden ser
clasificados en tres categorías:
 Neutro al riesgo.
 Amante del riesgo.
 Adverso al riesgo

¿Cómo conocer el comportamiento de un inversionista frente al riesgo?

Se puede analizar este tema mediante un ejemplo:

Si se ofrecen dos alternativas:

i) Un ingreso I1 con probabilidad p y un ingreso I2 con probabilidad 1-p.

ii) Un ingreso I0 con probabilidad 1. Con I0 = I1 p + I2 (1-p).

La elección entre las alternativas determina el comportamiento frente al

riesgo:

 El neutro al riesgo está indiferente entre ambas alternativas.

 El amante del riesgo prefiere la primera alternativa.
 El adverso al riesgo prefiere la segunda alternativa.

Contreras Villablanca (2009)

II. ANÁLISIS DE SENSIBILIDAD

El análisis de sensibilidad es la técnica que determina cómo diferentes

valores de una variable independiente impactan en una variable
dependiente bajo un conjunto de supuestos. Estudia cómo la
incertidumbre en el resultado de un modelo o sistema matemático puede
asignarse a diferentes fuentes en sus variables de entrada.

Esta técnica se usa dentro de límites específicos que dependen de una o

más variables de entrada, tal como el efecto que tienen los cambios en
las tasas de interés (variable independiente) en los precios de los bonos
(variable dependiente).

El análisis de sensibilidad, dado un cierto rango de variables, es una

forma de predecir el resultado de una decisión. Es conocido también
como análisis de simulación o «qué pasa si». Al crear un conjunto dado
de variables, un analista puede determinar cómo los cambios en una
variable afectan el resultado.

Una práctica relacionada es el análisis de incertidumbre, que se centra

más en la cuantificación y propagación de la incertidumbre. Idealmente, la
incertidumbre y el análisis de sensibilidad se deben ejecutar en conjunto.

2.1. ¿Para qué sirve?

Una de las aplicaciones clave del análisis de sensibilidad es en el uso de

modelos por parte de los gerentes y responsables en la toma de
decisiones. Se puede utilizar todo el contenido necesario para el modelo
de decisión mediante la aplicación repetida del análisis de sensibilidad.

Ayuda a los analistas de decisión a comprender las incertidumbres, los

pros y los contras, con las limitaciones y el alcance de un modelo de
decisión.

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. Corvo (2000)

El análisis de sensibilidad es una herramienta de gestión que ayuda a

determinar cómo los diferentes valores de una variable independiente
pueden afectar a una variable dependiente particular. Puede ser útil en
una amplia gama de temas además de las finanzas, como ingeniería,
geografía, biología, etc.

Un ejemplo de análisis de sensibilidad puede ser algo así como: "¿Qué

pasaría con el precio de un bono (variable dependiente) si la inflación
(variable independiente) aumenta en un 0,5%?". llamado como "análisis
hipotético"

Existen muchas ventajas y desventajas para el análisis de sensibilidad de

la siguiente manera:
2.1. Ventajas del análisis de sensibilidad

2.1.1. 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.

2.1.2. 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.

2.1.3. 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.

2.1.4. 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.

2.1.5. 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

2.2.1. Basado en suposiciones

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.

2.2.2. No es relativo en la naturaleza

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)

2.3. Evaluación de la confianza en el modelo

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.

En primer lugar, esto requiere cuantificar la incertidumbre en los

resultados de cualquier modelo (análisis de incertidumbre); y segundo,
evaluar cuánto contribuye cada entrada a la incertidumbre del resultado.

El análisis de sensibilidad aborda el segundo de estos puntos (aunque el

análisis de incertidumbre es un precursor necesario), desempeñando el
papel de ordenar por importancia la fuerza y relevancia de las variables
de entrada para determinar la variación en el resultado.

En modelos que involucran muchas variables de entrada, el análisis de

sensibilidad es un ingrediente esencial para la construcción del modelo y
para garantizar la calidad.

2.4. Usos

 La aplicación clave del análisis de sensibilidad es indicar la sensibilidad

de una simulación a las incertidumbres en los valores de entrada del
modelo.
 Es un método para predecir el resultado de una decisión si una
situación resulta ser diferente al compararla con las predicciones
claves.
 Ayuda a evaluar el riesgo de una estrategia.
 Sirve para identificar qué tan dependiente es el resultado con respecto
a una variable particular de entrada. Analiza si la dependencia ayuda a
evaluar el riesgo asociado.
 Ayuda a tomar decisiones informadas y apropiadas.
 Sirve para buscar errores en el modelo, al encontrar relaciones
inesperadas entre las entradas y los resultados.

2.5. ¿Cómo hacerlo?

Un análisis de sensibilidad, también conocido como análisis “qué pasa si”,

es el utilizado con mayor frecuencia por los analistas financieros para
predecir el resultado de una acción específica cuando se realiza bajo
ciertas condiciones.

El análisis de sensibilidad se realiza dentro de límites definidos,

determinados por el conjunto de variables de entrada independientes.

Por ejemplo, el análisis de sensibilidad se puede utilizar para estudiar el

efecto de un cambio en las tasas de interés sobre los precios de los
bonos si las tasas de interés aumentan un 1 %.

La pregunta «¿Qué pasa si…?» sería: ¿Qué pasa con el precio de un

bono si las tasas de interés subieran un 1 %? Esta pregunta se responde
con el análisis de sensibilidad.

El análisis se puede realizar en una hoja de Microsoft Excel, en la sección

“Datos” del menú de opciones, mediante el botón «Análisis de hipótesis»,
el cual contiene “Buscar objetivo” y “Tabla de datos”. Corvo (2000)

2.6. Tres posibles escenarios

Escenario pesimista Escenario probable Escenario Optimista

Identificar el peor La probabilidad más Establecer la

panorama de la cierta del análisis de probabilidad de lograr
inversión en caso de inversión, apoyado en más de lo que se
fracaso total la información real y proyecta, representa
 con resultados una motivación para
objetivos, no los inversionistas,
tendenciosos. donde no existe riesgo
alguno.

Al visualizar estos diferentes escenarios, se pueden llegar a conocer el

grado de riesgo y utilidades del proyecto, ya que las variables se
comportan de manera diferente y deben ser analizadas de acuerdo a su
nivel de incertidumbre, así como por el nivel de ganancias que éstas
representan.

El análisis de sensibilidad de un proyecto individual se realiza sobre los

parámetros más inciertos y siempre se tenga la inseguridad. Por ejemplo,
al proyectar la producción de un artículo, se puede muy incierto el precio
de venta al que se puede ofrecer.

Es necesario determinar qué tan sensible es la Tasa Interna de Retorno o

TIR, o el Valor Presente Neto (VPN ó VAN), respecto al precio de venta
contemplado.

El análisis de sensibilidad implica considerar las variables que afectan con

mayor peso el resultado que se espera tener del proyecto, así como
identificar las variables que tienen poco peso. Cortes (2012)

Es un paso para reconocer la incertidumbre. Nos interesa examinar cómo

el cambio en una variable afecta un resultado. Esto permite identificar las
variables más críticas o construir escenarios posibles que permitirán
analizar el comportamiento de un resultado bajo diferentes supuestos.
Permite medir el cambio en un resultado, cuando cambian unas variables,
tanto en términos relativos como en términos absolutos. Vélez Pareja
(2003)

Primero se realiza la evaluación del proyecto en una situación base,

tomando los valores esperados o medios de las variables aleatorias.
Después se determinan las variables más significativas que afectan los
indicadores de conveniencia del proyecto, entre ellos:

 Precio de venta.
 Precios de insumos.
 Costos de producción.
 Volúmenes de venta.
 Coeficientes tecnológicos
 Inversión.

Se busca sensibilizar los indicadores ante variaciones en las variables

significativas más inciertas. Contreras Villablanca (2009)

2.8. Análisis de escenarios

Este método permite resolver el problema de la unidimensionalidad del

análisis de sensibilidad. Esto se logra a través de definir escenarios para
las distintas variables riesgosas que afectan la inversión.

Cada escenario está determinado por los valores que supuestamente

tomarían las variables riesgosas en estos. Habitualmente se definen 3
escenarios: optimista, medio (también llamado escenario base o neutro) y
pesimista.

Ejemplo de un escenario optimista:

 El precio del producto es un 20% superior al estimado en la situación

base
 Los precios de los insumos se mantienen
 El volumen de producción y venta es un 10% superior al de la situación
base.

Es decir, un escenario es un cambio coherente en las variables riesgosas,

ya que no todas las combinaciones de variables aleatorias son igualmente
probables. La definición de los escenarios posibles debe ser realizada por
la propia organización que está evaluando el proyecto o por expertos de
ese sector industrial.

Este método es levemente mejor que el de sensibilidad ya que considera

que hay varias variables que pueden variar en forma conjunta (no
necesariamente una a la vez), pero mantiene las desventajas y sesgos
del análisis anterior.

2.9. Cuidados al hacer análisis de sensibilidad

 Reconocer que el cambio en el resultado depende de cómo se haya

construido el modelo y de los valores iniciales de las variables por
analizar (escenario base).
 Que los cambios en las variables deben ser iguales para todas las
variables de manera que se puedan comparar los resultados.
 Reconocer la posibilidad de que las relaciones entre las variables y los
resultados no sean lineales.
 Al analizar la sensibilidad de las variables hay que hacerlo de una en
una si se desea determinar cuáles de las variables son las más críticas.

2.10. Aplicación

Los resultados que se obtienen al aplicar los criterios de evaluación no

miden exactamente la rentabilidad del proyecto, sino sólo la de uno de los
tantos escenarios futuros posibles. Los cambios que casi con certeza se
producirán en el comportamiento de las variables del entorno harán que
sea prácticamente imposible esperar que la rentabilidad calculada sea la
que efectivamente tenga el proyecto implementado. Por ello, la decisión
sobre la aceptación o rechazo de un proyecto debe basarse más en la
comprensión del origen de la rentabilidad de la inversión y del impacto de
la no ocurrencia de algún parámetro considerado en el cálculo del
resultado que en el VAN positivo o negativo.

Como señala Patricio del Sol,2 un buen proyecto siempre es vulnerable a

la reacción que tendrán los competidores que intentarán imitar u ofrecer
sustitutos al producto exitoso, los proveedores que tratarán de participar
de este éxito subiendo los precios de los insumes, e, incluso, de los
propios trabajadores que presionarán por mejoras salariales ante los
positivos resultados del negocio. La posibilidad de estas reacciones debe
preverse con el análisis de sensibilización de la rentabilidad a cambios,
dentro de rangos probables, en los supuestos que determinaron las
estructuras de costos y beneficios.

Anticipar estas variaciones permite a la empresa no sólo medir el impacto

que podrían ocasionar en sus resultados sino también reaccionar
adecuadamente creando, por ejemplo, las barreras a la entrada de
nuevos competidores o tomar medidas para enfrentar la presión de
proveedores y trabajadores, como la opción de internalizar procesos
provistos por terceros o hacer outsourcing de tareas internas cuando su
costo sea superior al contrato externo.

El principal problema de los modelos de riesgo para enfrentar esta

situación radica en que básicamente consideran información histórica
para suponer, por ejemplo, probabilidades de ocurrencia que le asignarán
a los flujos de caja proyectados.

A pesar de lo señalado, los métodos que incorporan el riesgo no son

malos, sino insuficientes para agregarlos por sí solos a una evaluación.
Por ello surgen los modelos de sensibilización como una alternativa
interesante de considerar para agregar información que posibilite decidir
más adecuadamente respecto de una inversión.

Dos son los principales métodos de sensibilidad, que, si bien en ciertos

casos reemplazarán a los de riesgo, se proponen como un complemento
de aquéllos, siempre con la finalidad de mejorar la información que se le
proporcionará al inversionista para ayudarlo en su toma de decisión.
Ambos métodos muestran el grado de variabilidad que puede exhibir o,
dependiendo del modelo utilizado, resistir, la proyección del flujo de caja.
Esto permite identificar cuáles son las variables más críticas y los puntos
más débiles sobre los que se debe concentrar la búsqueda de más
información para determinar las posibilidades de que se alcancen esos
puntos críticos.

El método más tradicional y común se conoce como el modelo de

sensibilización de Hertz, o análisis multidimensional, y analiza qué pasa
con el VAN cuando se modifica el valor de una o más variables que se
consideran susceptibles de cambiar durante el período de evaluación. El
procedimiento, propone que se confeccionen tantos flujos de caja como
posibles combinaciones se identifiquen entre las variables que componen
el flujo de caja.

La aplicación de este modelo, por su simplicidad, conduce a veces a

elaborar tal cantidad de flujos de caja sensibilizados que, más que
convertirse en una ayuda, constituyen una limitación al proceso decisorio.

Una simplificación de este modelo plantea que se debe sensibilizar el

proyecto a sólo dos escenarios: uno optimista y otro pesimista. La
definición de las variables en estos escenarios tiende a ser sesgada por
las expectativas que se tengan sobre el resultado de la inversión, entre
otras variables. La principal ventaja que se le asigna es que permite
trabajar con cambios en más de una variable a la vez.

Un modelo opcional, denominado análisis unidimensional, plantea que, en

vez de analizar qué pasa con el VAN cuando se modifica el valor de una o
más variables, se determine la variación máxima que puede resistir el
valor de una variable relevante para que el proyecto siga siendo atractivo
para el inversionista.

Por ejemplo, si con la cantidad a producir y vender estimada en el flujo de

caja original el VAN del proyecto es positivo, la sensibilización estimará la
cantidad mínima que hace que el proyecto siga siendo elegible. Esto es,
hasta dónde puede bajar la cantidad para que el VAN se haga igual a
cero.

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:

Para la evaluación de un proyecto de expansión se estima poder vender

mil unidades el primer año de operación y crecer en un 10% el segundo,
tras posicionarse en el mercado. A partir del tercer año se considera un
crecimiento constante del 2% anual, por lo menos hasta el final del
horizonte de evaluación definido en ocho años.

Para materializar la expansión, la empresa deberá invertir $300.000 en

maquinaria a la que se le estima una vida útil de cinco años, aunque
contablemente se deprecian en diez años. La inversión en capital de
trabajo se calcula como un estándar equivalente al 18% de la inversión
fija. Se estima el valor de salvamento de las máquinas en un 40% de su
valor de adquisición.

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.

El valor de desecho del proyecto se calcula por el método contable,

siguiendo un criterio conservador. La tasa de impuesto a las utilidades es
del 15% y la de retorno exigida a la inversión del 12%.

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.

La figura 9.2 muestra la hoja de trabajo con las fórmulas correspondientes

a cada celda en el flujo de caja terminado. En su preparación, todos los
valores deben estar vinculados de la forma que se muestra, para que al
modificar el valor de una celda se vean automáticamente modificadas
todas las que están en función de ella. La excepción la constituye un valor
que no se va a sensibilizar como, por ejemplo, el costo fijo a partir del
cuarto año. Como se aprecia en la figura 9.2, se anotó un valor absoluto
de $46.000 entre el cuarto y octavo momento. Esto permite sensibilizar
hasta dónde se puede, por ejemplo, incrementar el gasto en publicidad
durante los tres primeros años.

El resultado del flujo de caja, incluyendo el VAN del proyecto, se muestra

en gráfico.

Para aplicar el modelo de sensibilización de Hertz bastará modificar la

celda C1, C2 o C3, o una combinación de ellas, para ver cómo impacta
este cambio al resultado de la evaluación.

Alternativamente, se podrá recurrir a la función Datos del menú

Herramientas, para obtener los VAN de distintas combinatorias de
variación en dos componentes simultáneos de la estructura del flujo de
caja. Si, en el ejemplo anterior, se quisiera medir el impacto de cambios
en el precio y la cantidad para variaciones negativas del 3% en ambas
variables, se deberá construir una tabla vinculada al flujo de caja, como se
muestra en el gráfico.
 Gráfico 9: flujo de caja Excel
Fuente: Sapag Chain (2011)

Gráfico 10: flujo de caja a sensibilizar.

Fuente: Sapag Chain (2011)
 Gráfico 11: sensibilización del VAN frente a cambios combinados de
precio y cantidad
Fuente: Sapag Chain (2011)
En la celda B23 se anota el resultado del VAN (+B21). En la fila 23 el
precio inicial de $200 y los precios en el rango a sensibilizar. En este
caso, se asoció a escenarios con reducciones de $3 (1,5%), lo que se
anota en cada celda siguiente. En la columna 2 se escribe primero la
cantidad de 1.000 unidades y después el volumen de operación con una
reducción de 30 unidades (3%), hasta un rango considerado como
relevante para el análisis. Para ver el VAN de cada combinatoria de precio
y cantidad, se resalta el rango de celdas que contengan los datos y los
resultados a determinar (B23:I30). Ejecutando el mandato Datos/ Tabla,
aparece el cuadro de diálogo Tabla, donde se anota la celda C2 en Celda
de entrada (fila) y la C1 en Celda de entrada (columna). Pulsando Aceptar
aparecen todos los VAN para cada combinatoria de precio y cantidad, tal
como se muestra en el gráfico.
 Gráfico 12: resultados del VAN ante cambios de precio y cantidad.
Fuente: Sapag Chain (2011)
Con esta información se deduce que el proyecto no es sensible a un
cambio en la cantidad si el precio no varía y no es sensible al precio
aunque la cantidad cambie en un 3%. Con una caída del 6% en la
estimación de la cantidad, el proyecto pasa a ser sensible a la variación
del precio si este baja de $185. Obviamente, al rango de variabilidad de
cada elemento lo define el analista del proyecto.

El modelo unidimensional, por otra parte, busca determinar hasta dónde

puede bajar el precio o el nivel de operación y hasta dónde subir el costo
variable o fijo, para que el proyecto siga siendo atractivo. Para ello se
selecciona el comando Buscar objetivo del menú Herramientas y en el
cuadro de diálogo desplegado se anota en Definir la celda aquélla donde
aparece el resultado del VAN (celda B21), en con el valor se anota el
número cero para indicar que es el valor que se busca asignar en el límite
al VAN y en para cambiar la celda se anota C1 si se desea determinar la
cantidad que hace al VAN cero.
 Gráfico 13: buscar objetivo
Fuente: Sapag Chain (2011)
Pulsando Aceptar aparece el valor 811 en la celda C1, lo que representa
el menor nivel de producción que resiste el proyecto para seguir siendo
elegible.

Como se puede observar en el flujo sensibilizado del gráfico, toda la

función de la fila 1 se desplazó en un 18,9% hacia abajo, en cada uno de
los ocho años proyectados o, lo que es lo mismo, el proyecto resiste un
nivel de operación mínimo equivalente al 81,1% de lo estimado.

El mismo procedimiento se puede hacer para el precio y el costo variable,

siempre sensibilizando una variable por vez.

2.11. Simulación de MonteCarlo: uso del Crystal Ball

El modelo de MonteCarlo simula los resultados que puede asumir el VAN

del proyecto, mediante la asignación aleatoria de un valor a cada variable
pertinente del flujo de caja. La selección de valores aleatorios5 otorga la
posibilidad de que, al aplicarlos repetidas veces a las variables relevantes,
se obtengan suficientes resultados de prueba para que se aproxime a la
forma de distribución estimada.
Cada variable asume individualmente valores aleatorios concordantes con
una distribución de probabilidades propia para cada una de ellas.

El modelo de simulación de MonteCarlo se diferencia del análisis de

sensibilidad de Hertz en que mientras en este último los valores de las
variables son definidos sobre la base del criterio del evaluador y de
acuerdo con lo que él estima pesimista u optimista, en el primero se
asignan en función a la distribución de probabilidades que se estime para
cada una y dentro de un intervalo determinado por el evaluador. En otras
palabras, la simulación permite experimentar para observar los resultados
que va mostrando el VAN, especialmente cuando existen dudas del
comportamiento de más de una variables a la vez, pero no es un
instrumento que busca su optimización.

Para aplicar el Crystal Ball a la simulación de MonteCarlo se deben seguir

los siguientes seis pasos:

a. Construir el flujo de caja referenciando las celdas a aquéllas sobre las

cuales se aplicará la simulación. b. Elegir la distribución de probabilidades
para cada una de las variables a iterar, indicando los valores límites,
cuando corresponda, con la opción Define Assumption de la barra de
herramientas del Crystal Ball. c. Definir el nombre de la función a
pronosticar (VAN) y la unidad de medida ($, M$, US$, etc.) con la opción
Define Forecast de la barra de herramientas. d. Seleccionar las tareas a
desarrollar con la simulación (análisis de correlación, sensibilización,
número de iteraciones, nivel de confianza con el que se desea trabajar,
entre otros, con la opción Run Preferens.
e. Iterar las variables indicadas mediante la opción Start Simulation. f. Ver
y analizar la información gráfica y numérica en el cuadro de diálogo
resultante (Forecast:VAN), eligiendo en la opción View los antecedentes
que se desea rescatar como, por ejemplo, las estadísticas de la media,
mediana, desviación estándar, varianza, etcétera.

Cada variable a iterar puede tener formas diferentes de distribución de

probabilidades. Para aplicar la simulación de MonteCarlo, es fundamental
asignar una determinada distribución a cada una de ellas. En la tabla se
describen las principales distribuciones de probabilidades que se aplican
al estudio de proyectos. Las formas gráficas aparecen en el gráfico.

Distribución Descripción Uso

Normal Da un valor con una Análisis de valores de
media μ y una desviación resultados de prueba
estándar
Triangular Da un valor con Cuando no se conoce la
parámetros optimista, forma de la distribución pero
normal y pesimista se puede estimar los
escenarios
Uniforme Da un valor con Cuando dentro de un rango
parámetros mínimo y conocido todos los valores
máximo tienen la misma posibilidad
de ocurrir
Poisson Da un valor con una Describir comportamientos
media λ que ocurrieron en un período
de tiempo dado

Tabla 9: distribuciones de probabilidades.

Gráfico 14: distribución de probabilidades.
 CONCLUSIONES
Al momento de tomar decisiones económicas es necesario considerar
aspectos tan importantes como el riesgo y la incertidumbre como
principales factores de estudio.

El gerente debe visualizar la realidad como incierta y debe hacer el

esfuerzo de tratar de asignar probabilidades y valores a los eventos
posibles, después de eso él y su experiencia deben decidir ayudándose
de la información disponible.

El análisis de sensibilidad es una técnica muy empleada en la práctica,

cuando en un proyecto de inversión todos sus parámetros son inciertos
(probabilísticos), la técnica de análisis de sensibilidad no se recomienda
emplear, y entonces es necesario seleccionar la más apropiada de las
técnicas. Sus principales ventajas son: su fácil entendimiento, ya que no
se requiere tener conocimientos sobre la teoría de
probabilidades, y por ende es una técnica de aplicación sencilla y
económica, cuantifica el efecto que puede tener sobre la rentabilidad de
un proyecto la incertidumbre en el comportamiento de las variables que
condicionan la rentabilidad y separa las áreas que deben ser objeto de
particular esfuerzo de recopilación de
información, análisis y control.
 BIBLIOGRAFÍA

Borad, Sanjay Bulaki (2018): Advantages and Disadvantages of Sensitive

Analysis, 01/06/2018. Disponible en línea en
https://efinancemanagement.com/investment-decisions/advantages-
disadvantages-of-sensitive-analysis#, Última comprobación el 04/02/2020.

Contreras Villablanca, Eduardo (2009): Evaluación de inversiones bajo

incertidumbre. Teoría y aplicaciones a proyectos en Chile. Santiago de
Chile: Naciones Unidas, CEPAL, Inst. Latinoamericano y del Caribe de
Planificación Económica y Social (ILPES) (Serie manuales / Naciones
Unidas, Comisión Económica para América Latina y el Caribe, 63).

Cortes, Alma (2012): Análisis de sensibilidad de un proyecto de inversión.

En colaboración con Magda Aredondo. México. Disponible en línea en
http://roa.uveg.edu.mx/repositorio/licenciatura/160/AnlisisdeSensibilidad.p
df.

Corvo, Helmut (2000): Análisis de Sensibilidad: Para Qué Sirve y Ejemplo.

Disponible en línea en https://www.lifeder.com/analisis-sensibilidad/.

Gregersen, Hans; Contreras, Arnoldo (1980): Analisis económicos de

proyectos forestales. Roma.

Sapag Chain, Nassir (2011): Proyectos de inversión. Distrito Federal:

Pearson Educación.

Vélez Pareja, Ignacio (2003): Decisiones empresariales bajo riesgo e

incertidumbre. Bogotá, Politécnico Grancolombiano: Norma. Disponible en
línea en https://books.google.com.pe/books?id=mGlZ7mHPsUIC.