Tema 8. Evaluación de Riesgo

FORMULACIÓN Y EVALUACIÓN DE
PROYECTOS DE INVERSIÓN
Prof. Guillermo Muñoz,

Prof Muñoz
Magister Administración de Empresas
guillermomr@interlink.net.ve
Evaluación de Riesgo
En la práctica el comportamiento único de los flujos

supuestos mediante los análisis ex –ante realizados
en la formulación del proyecto es incierto,
incierto puesto que
no es posible conocer con anticipación cual de todos
los q que ppueden ocurrir y q que tienen efecto en los
flujos de caja ocurrirá efectivamente.
Al no tener certeza sobre los flujos futuros de caja

que ocasionará cada inversión, el analista de
proyectos se verá enfrentado ante una situación de
riesgo o incertidumbre.
Prof. Guillermo Muñoz R. 2

Obj ti
Objetivos Generales
G l
1. Determinar con alguna medida cuantitativa, cual

es el riesgo en un proyecto de inversión
2. Administrar las variables de riesgo del proyecto

Riesgo e incertidumbre
El riesgo es la dispersión de la En tanto que la incertidumbre es
di t ib ió d
distribución de lla probabilidad
b bilid d d
dell ell grado
d de
d falta
f lt de
d confianza
fi d
de
elemento que se está estimando o que la distribución de probabilidad
del (de los) resultado (s) que se estimada sea correcta
está (n) considerando.
Nota: Concepto Lbro José Velez

EJEMPLOS
J DE CERTEZA SUPUESTA,
U U , RIESGO E
INCERTIDUMBRE APLICADOS A LA VIDA DE UN PROYECTO
bilidad
bilidad
Certeza supuesta Riesgo Incertidumbre
Probabiilidad
P =1.0
Probab
Probab
?
?
?
Vida del proyecto μ=Vida del proyecto Vida del proyecto
de siete años de siete años

La Evaluación de Riesgos es la cuantificación de
la probabilidad de ocurrencia y del impacto
potencial de diferentes fuentes de riesgo.
p g
El Análisis de Riesgos es el proceso de:
identificación de fuentes de riesgo,
evaluación cuantitativa y cualitativa del
riesgo,
i
administración del riesgo
comunicaciónó a las partes interesadas de la
evaluación hecha y las decisiones tomadas.

¿ Porqué medir el riesgo?
1. Toda la evaluación financiera está basada en el
pronóstico de una serie de variables, cuyo
comportamiento no es totalmente predecible.
2. Hayy variables externas al proyecto,

p y , que
q no se
pueden controlar. Ej. Inflación, devaluación,
clima,, estabilidad jurídica.
j
3. No se dispone
p de toda la información.

Tipos de Riesgos
RIESGOS
DE
CONSTRUCCIÓN RIESGOS
Terminación OPERATIVOS
Retrasos
Sobrecostos - Resultados
Tecnológicos - Mantenimiento
Obsolescencia
RIESGOS
DE
MERCADO
RIESGOS
FINANCIEROS
- Precio
Convertibilidad
- Volumen
Tipos de interés
...

Administración del Riesgo
¾ Aumentar el compromiso
¾ Buscar más información
¾ Tomar precauciones adicionales
¾ Agregar un margen de contingencia
¾ C
Compartir
ti ell riesgo
i
¾ Transferir el riesgo
¾ Cancelar el proyecto
¾ Formular planes de contingencia
¾ No hacer nada
Modelos para análisis de Riesgo
- Actitud al riesgo del inversionista

Modelos No - Punto de Equilibrio
Probabilísticos - Análisis de Sensibilidad.
- Escenarios
Modelos - Valor Presente Neto Esperado

Probabilísticos - Varianza del Valor Presente Neto
-Simulación de MonteCarlo
- Opciones Reales

Punto de Equilibrio
Es el nivel de operación en que son exactamente iguales los
b
beneficios
fi i por ventas
t a la
l suma ded los
l costos
t fijos
fij y los
l
variables.
SUPUESTOS:
La Función de costos es lineal

El precio unitario de venta es independiente del volumen vendido
La inversión total es fija.
El análisis es para el corto plazo.
La función de costos es estática a, precios, tecnología, tamaño
de mercado, calidad, competencia etc.

Análisis del Punto de Equilibrio
Costo
Cos o total
o a = CF
C + CVu*Q
C u Q
Ingreso Total= Pu*Q
Ingreso Total = Costo Total
Pu*Q = CF + CVu*Q
Q*= CF/(Pu-Cvu)
Q*= CF/(Margen de Contribución)

A áli i del
Análisis d l Punto
P t ded Equilibrio
E ilib i
Ingreso Total
(Bs)
Costo Total
Costo Fijo
Cantidad
Q*
Análisis
á de Sensibilidad
Es el primer paso para reconocer la incertidumbre.

Nos interesa saber como el cambio en una variable afecta el
resultado (VPN o TIR)
TIR). Este permite identificar las variables
más críticas o construir escenarios posibles que permitirán
analizar el comportamiento
p de un resultado bajo
j diferentes su-
supuestos. El análisis de sensibilidad permite medir el cambio en
un resultado, dado un cambio en un conjunto de variables,
tanto en términos relativos como en términos absolutos.
Nota: Concepto Lbro José Velez

Utilidad del análisis de sensibilidad
Identificar las variables más críticas
Identificar donde se debe dedicar más esfuerzos

tanto en el proceso de planificación como en el
control y seguimiento de una decisión.
Identificar las variables que deben ser incluidas

en la creación de escenarios o en la simulación
de Montecarlo.
Montecarlo

Análisis de Sensibilidad
Aspectos a considerar
1.- 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.
2.- Los cambios deben ser iguales para todas, de manera que se puedan comparar
resultados.
3.- Se debe reconocer la posibilidad de que las relaciones entre las variables y los
resultados no son lineales.
4.- Al analizar las variables debe hacerse de una en una si se quiere determinar cuales
de ellas son las más críticas. Es decir se varía una y se dejan iguales las restantes.

PASOS
Determinar la lista de variables básicas

a incluir en el análisis
Para cada una de las variables estimar

un intervalo
i l de
d variación.
i ió
Calcular
C l l losl valores
l de
d VPN y/o / TIR
Para 5 o 6 valores posibles de cada va-
riable, dejando constante el resto.

CLASIFICIACIÓN DE VARIABLES A ANALIZAR
Variables de Ingresos: considerar disminuir ingresos vía disminución de precios de mercado
o disminución de ingresos por negativas proyecciones económicas.
Variables de Mercado: reducción del tamaño del mercado, cuota del mercado estimada para
el proyecto, por incremento de la oferta existente o por escenarios económicos que impactan
el poder adquisitivo del consumidor o usuario.
usuario
Variables Técnicas: demora en la curva de aprendizaje por complejidad del proceso impactaría
el uso de la capacidad estimada para los primeros años.
Variables Laborales: rotación del personal, ausentismo laboral, exigencias contractuales o

decretos gubernamentales en incremento de salarios y sueldos.
Variables Fiscales: decreto de aumento en el valor de la unidad tributaria, aumento de aportes

en la seguridad social, etc.
Variables macroeconómicas: incremento en la tasa de inflación, tasa de interés, impactando costos

de producción u operación.
Información Básica
Variable Valor esperado

Aumento de Precios 4,10%
Aumento de cantidad producida 5 80%
5,80%
Precio inicial 10
Cantidad inicial 100
Tasa de descuento 7 50%
7,50%

Flujo de caja libre
Año 0 Año 1 Año 2 Año 3 Año 4 Año 5

Flujo de caja 1101,4 1146,5 1193,5 1242,5 1293,4
Tasa de descuento 7,50%
Valor Presente del Flujo 4.808,70

Si cambiamos la variable precio en 1%
Año 0 Año 1 Año 2 Año 3 Año 4 Año 5

Flujo de caja 1112,4 1158 1205,5 1245,9 1306,4
Tasa de descuento 7,50%
Valor Presente del Flujo 4.856,80

Si hacemos lo mismo con cada una de las
variables
Variable Valor esperado Valor Presente

Precio inicial 10,1 4.856,20
Cantidad inicial 101 4.856,20
Tasa de descuento 7,58% 4.814,30
Aumento cantidad producida 5,91% 4.811,37
A
Aumentot dde Precios
P i 4 14%
4,14% 4 798 90
4.798,90

Permite determinar:
VPN
Thousands 1. Cuales son los

-15
15 -10
10 -55 0 5 10 15 principales
parámetros que
influyen en la
Unidades
U id d “rentabilidad”
rentabilidad de un
vendidas proyecto
2
2. Si hay más de una
opción de inversión,
podemos observar
Precio
por
cual proyecto
Unidad presenta mayor riesgo
o volatilidad

Modelos Probabilísticos
DEFINICIONES PREVIAS
VARIABLE ALEATORIA: es aquella que a priori puede tomar distintos valores
ESTADOS: cada uno de los posibles valores de una variable aleatoria
PROBABILIDAD: medida de la posibilidad de ocurrencia de un determinado estado
MEDIDA DE RIESGO: es la volatilidad del rendimiento de una inversión, y es medi-

da a través de la desviación estándar

P b bilid d
Probabilidad
Eventos comunes o improbables: probabilidad de
ocurrencia son grandes o pequeñas, respectivamente.
Sin darnos cuenta, nosotros calculamos "al ojo" la
probabilidad de todas los sucesos que nos rodean; así,así
determinamos que tan "común" o "raras" son ciertos
acontecimientos.
El problema de este método al "ojímetro" es que carecemos
de un término preciso para describir la probabilidad.
Estadísticos reemplazan las palabras imprecisas por un
número que va de 0 a 1, que indica precisamente que tan
probable o improbable es el evento.

Características de las variables
aleatorias.
aleatorias
Función de Distribución: Valor acumulado de los distintos valores
de una función de probabilidad

Características de las variables
aleatorias.
l t i
F(X)=función
( ) de distribución;; f(x)
( ) es la función de densidad es
la derivada de la función de distribución.
Di ib ió de
Distribución d Probabilidad
P b bilid d
Una distribución de probabilidad describe
el rango de valores que puede tomar una
variable aleatoria y la probabilidad
asignada a cada valor o rango de valores.
valores

Di t ib i
Distribuciones d
de probabilidad.
b bilid d
Una distribución de probabilidad describe el rango de valores que puede

tomar una variable aleatoria (función de densidad) y la probabilidad asignada a
cada valor o rango de valores.
valores

Distribución Normal
-2 σ -σ σ +2 σ
68%
95%

VALOR ESPERADO
El valor esperado o esperanza matemática es
ell promedio
di ponderado
d d de
d todos
t d los
l posibles
ibl
valores por sus respectivas probabilidades.
$1
50%
S0
50%
$0
0,50= (50%(1) + 50%(0))

VALOR PRESENTE NETO ESPERADO
n
E[VPN] = - E(I0) + ∑ E[FCNi]
i=1 (1 + k*)n
donde: r r
E(I0) = Esperanza de la variable inversión inicial= ∑ E[Ij]= ∑ Ij*P(Ij)
j=1 j=1
r
E[FCNi]= Esperanza de la variable Flujo de Caja Neto= ∑
jj=1
[FCNj]*P(FCNj)

Análisis de Riesgo
VALOR
A O PRESENTE
S NETO
O ESPERADO
S A O
Año0 Año1 Año2

InversiónInicial Probabilidad FlujodeCaja Probabilidad FlujodeCaja Probabilidad
I1 1000 0,7 900 0,3 2500 0,4
I2 1300 0,2 1600 0,6 2800 0,5
I3 1900 0,1 1300 0,1 3500 0,1
SumaProbabilidad= 1 SumaProbabilidad= 1 SumaProbabilidad= 1

Análisis de Riesgo
Cálculo de las Esperanzas Matemáticas

Año 0 Año 1 Año 2
Inversión Inicial Probabilidad Esperanza Flujo de Caja Probabilidad Esperanza Flujo de Caja Probabilidad Esperanza
1
I 1000 0,7 700 900 0,3 270 2500 0,4 1000
2
I 1300 0,2 260 1600 0,6 960 2800 0,5 1400
I3 1900 01
0,1 190 1300 01
0,1 130 3500 01
0,1 350
Esperanza Matemática 1150 1360 2750
Valor Presente Esperado i*= 10% 1150 Bs1.236,36 Bs2.272,73
Valor Presente Neto Esperado Bs2.359,09

Análisis de Riesgo
VARIANZA DEL VALOR PRESENTE NETO
Mide el riesgo implícito en un proyecto a través de una medida de dispersión: la varianza

R
σ (FCN ) =∑
2 j j
i ( ( FCN i - E(FCNi) 2 * P(FCNi ) )
j=1
donde:
σ (FCN )= varianza de la variable aleatoria Flujo de caja neto j

2
i
j
FCN i = Estado o valor j de la variable FCN en el período i
j
E(FCNi )= Esperanza Matemática de la variable Flujo de caja neto en el período i
P(FCNi )= Probabilidad asociada al estado j de la variable flujo de caja neto en el
período i

La varianza del VPN es igual al valor presente de las varianzas de

los diferentes Flujos de Caja netos del poyecto
σ (VPN) = σ (I )
n
2
+ ∑ σ (FCN i )
2 2
0
i=1
Expresándolo en términos de desviación estandard: (1 +k*) i
σ (I ) + ∑ σ (FCN i )
2 2
σ (VPN) =
(VPN) = 2
0
i=1
((1 +k*)) i

Análisis de Riesgo
Varianza Valor Presente
CALCULO DE LA VARIANZA DE LA VARIABLE INVERSION INICIAL
ESPERANZA MATEMATICA DE LA INVERSION 1150
Año 0 (I - E(I))2 (I - E(I))2 *P(I)
Inversión Inicial Probabilidad
I1 1000 0 7
0,7 22500 15750
I2 1300 0,2 22500 4500
I3 1900 0,1 562500 56250
VARIANZA 76500
DESVIACION ESTANDARD 276,59
CALCULO DE LA VARIANZA DE LA VARIABLE FLUJO DE CAJA AÑO 1

ESPERANZA MATEMATICA DEL FLUJO DE CAJA 1 Bs1.360,00
2
Flujo de Caja Probabilidad (fcn1 - E(fcn1)) (fcn1 - E(fcn1))2 *P(fcn1)
900 0,3 211600 63480
1600 0 6
0,6 57600 34560
1300 0,1 3600 360
VARIANZA 98400
CALCULO DE LA VARIANZA DE LA VARIABLE FLUJO DE CAJA AÑO 2

ESPERANZA MATEMATICA DEL FLUJO DE CAJA 2 Bs2.750,00
Flujo de Caja Probabilidad (fcn1 - E(fcn1))2 (fcn1 - E(fcn1))2 *P(fcn1)
2500 0,4 62500 25000
2800 0 5
0,5 2500 1250
3500 0,1 562500 56250
VARIANZA 82500
VARIANZA INVERSION 76500,00
VARIANZA VP FLUJO DE CAJA 1 89454,55
VARIANZA VP FLUJO DE CAJA 2 68.181,82
VARIANZA VPN 234.136,37
Intervalo de confianza
Probabilidad 95%
Valor asociado tabla 1,96
Media del VPN Bs2 359 09
Bs2.359,09
Desviación STD 483,88
Intervalo Inferior 1410,70
Intervalo Superior 3307,49

SIMULACIÓN DE MONTECARLO
El modelo
d l de
d Montecarlo,
M t l simula
i l los
l resultados
lt d 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
aleatorios,, otorga
g la posibilidad
p que,
q , al aplicarlos
p
repetidas veces a las variables relevantes, se
obtengan suficientes resultados de prueba del VPN
para que se aproxime
i a la
l forma
f de
d distribución
di t ib ió
estimada.

SIMULACIÓN
S U C ÓN DE MONTECARLO
ON C O
Análisis de sensibilidad: Variación en 1 variable a la vez.

vez
Número limitado de combinaciones posibles de variables.
Simulación es una herramienta para considerar todas las

combinaciones posibles.
Es la reproducción
ó de situaciones reales mediante el
uso de modelos:
representaciones simplificadas de un proceso
real
reflejan
j relaciones existentes entre las variables q
que
intervienen.
ETAPAS DE UNA SIMULACIÓN

En la
E l puesta en práctica
á i de d un proceso ded simulación
i l ió se
pueden distinguir los siguientes pasos:
1. Modelo del Proyecto
2. Especificación de Probabilidades
3. Si
Simulación
l ió ded los
l Fl j
Flujos d Caja
de C j

X
μX
Las variables aleatorias
independientes X
X
μX
Las Constantes Las Variables

K El Modelo Pronosticadas
Las variables de decisión

D
Para el logro de este resultado se requiere un modelo; es decir

decir,
una relación funcional que vincule las variables que determinan la
Prof. Guillermo Muñoz R. variable a pronosticar 43
Simulación.-
2.- Especificación de Probabilidades
Paso 2: más difícil de esta técnica.
Determinar las distribuciones de probabilidad que más se
apeguen a las esperanzas de ocurrencia de nuestra variable.
Podemos utilizar información histórica sobre la variable en

cuestión.
Debemos de recordar que no siempre lo que ha ocurrido en el

pasado sucederá en el futuro de la misma forma.
forma
Es el paso más crítico, y todo el modelo

depende de esto.
Simulación.-
3.- Simulación de los Flujos de Caja
Realizar un muestreo repetido de las variables críticas,
críticas
tomando como base sus probabilidades de ocurrencia
Recalcular el modelo y estimar los resultados financieros
(VAN y/o TIR) correspondientes a cada combinación ó de
valores de las diferentes variables obtenidas en cada
muestra.
Con los Resultados Obtenidos elaborar tabla de frecuencias
relativas de los valores del VAN y/o TIR: la cual nos
representaráá la probabilidad de ocurrencia de los
mismos.
Varios Programas de software para realizar simulaciones
de forma sencilla(Crystal Ball, Risk Simulator, @Risk)
Teorema Central del Límite (
(TLC)
)
La suma de n variables aleatorias independientes da
como resultado una distribución aproximadamente
Normal, sin importar la forma de la distribución de las
variables sumadas (siempre y cuando no haya una
variable cuya contribución a la variabilidad total sea
dominante).
El producto de n variables aleatorias independientes da
como resultado una distribución aproximadamente
Lognormal independientemente de la forma de la
Lognormal,
distribución de las variables intervinientes.

Numero Aleatorios
Una de las características más poderosas de la simulación es la habilidad de imitar
ell comportamiento
t i t aleatorio
l t i que es característico
t í ti de d la
l mayoríaí de
d los
l sistemas
i t reales.
l
Para poder imitar este comportamiento aleatorio la simulación necesita utilizar un
generador de números aleatorios, el cual es responsable de producir un ciclo grandísimo e
independiente de números aleatorios.
En simulación, la generación de observaciones aleatorias se realiza por medio de

números o dígitos (0 a 1) aleatorios. Estos números han sido seleccionados de manera que
cada uno de ellos tiene igual
g probabilidad de aparecer,
p p , sin tener en cuenta el número de
veces que haya aparecido antes.
Un número aleatorio es aquél que es generado a partir de una distribución

Uniforme U(0,1).
U(0 1)

Números Aleatorios.
Las hojas de cálculo como Excel (y cualquier lenguaje de programación estándar)
son capaces de generar números pseudo-aleatorios provenientes de una distribución
uniforme entre el 0 y el 1. Este tipo de números pseudo-aleatorios son los elementos
básicos a partir de los cuales se desarrolla cualquier simulación por computador
El Excel incorpora un Add-In seleccionando del menú Herramientas/ Análisis de

datos/Generación de números aleatorios. Este complemento proporciona las
funcionalidades estadísticas a la hoja de cálculo para llevar a cabo los modelos de
simulación y generar números pseudo aleatorios a partir de distribuciones diferentes a la
uniforme.
La generación de números aleatorios está ligada a la distribución de probabilidad

asignada a las variables aleatorias.

G
Generación
ió dde numero aleatorios
l t i
1.- Las hojas de EXCEL generan números pseudo aleatorios a partir de la distribución
de probabilidad uniforme entre el 0 y 1.
2.- Sin
2 Si embargo
b g las
l variables
i bl pueden
d tener
t di t ib i
distribuciones d probabilidad
de b bilid d distintas
di ti t a
la uniforme, por ejemplo discreta (binomial, poisson, discreta, frecuencia relativa, etc.) o
continuas (Normal o Uniforme).
3.- Para generar números aleatorios a variables con distribuciones de probabilidad

distintas, Excel incorpora un Add-In seleccionando del menú Herramientas/ Análisis de
datos/Generación de números aleatorios. En el cuadro de dialogo podrá obtener números
aleatorios de acuerdo a la Distribución de probabilidad que elija.

P
Pasos para realizar
li una Simulación
Si l ió
Se tiene una estimación de ventas ppara el p

primer año en el lanzamiento de un p
producto,, de mane-
ra que se pueden establecer las siguientes probabilidades:
V N S DEL NU
VENTAS NUEVOVO
PRODUCTO (Unds) PROBABILIDAD
100.000 20%
150.000 35%
200.000 35%
250.000 10%

Seguidamente
S id t se establecen
t bl números
ú aleatorios
l t i en este
t caso
de dos dígitos del 00 al 100
VENTAS DEL NUEVO Números Aleatorios

PRODUCTO (Unds) PROBABILIDAD
100.000 20% 0-19
150.000 35% 20-54
200.000 35% 55-89
250.000 10% 90-99

S procede
Se d a extraer números
ú aleatorios
l i repetidamente.
id
1era corrida 25 Corresponde

p a una venta de 150.000
2da corrida 07 Corresponde

Co espo de a u
una ve
venta de 100.000
Este proceso se repite un gran número de veces de manera de obtener una muestra
de resultados que se considere representativa. Mientras más grande el número de
simulaciones o corridas más preciso el valor que se obtenga.

Función transformada inversa.
inversa
(r)
La gráfica del método de la transformada inversa se muestra continuación.

Note como en el eje Y se encuentra la función de distribución F(x) que varía de 0 a 1,
y también el número uniforme r (0,1)
(0 1) que también varía de 0 a 1.
1 Por esta razón al
aplicar el método de la transformada inversa es posible igualar r (0,1) = F(x), y
posteriormente despejar la variable aleatoria X.
Es decir buscamos que valor de la variable hace que la función de distribución de la misma se
igual al valor aleatorio “r”, F(X)= r, para conocer X, debemos obtener la función inversa.
El valor se obtendrá dependiendo del tipo de distribución estadística que se trate.
Generación de números aleatorios.
aleatorios
Excel en sus opciones
p de Funciones estadísticas contiene las fórmulas p
para calcular la
función inversa de varias distribuciones de probabilidad, facilitando para estas la
generación de números aleatorios que permita obtener el correspondiente valor de la
variable en la función de distribución definida p
para esta:
Distribución Fórmula de Excel

Normal = DISTR.NORM.INV(ALEATORIO( ),μ,σ)
Lognormal = DISTR.LOG.INV(ALEATORIO( ),μ,σ)
Uniforme entre a y b = a+(b-a)*ALEATORIO( )
μ = media de la muestra
σ = Desviación estándar de la muestra

E l ió d
Evaluación de Ri
Riesgo
Análisis y presentación de resultados.
En Excel
E E l con la
l opción
ió de
d estadística
t dí ti descriptiva
d i ti podrá
d á obtener
bt un cuadro
d
similar a este:
Media 3,172610723
Mediana 3,11397149
Desviación estándar 0,854876911
Varianza de la muestra 0,730814533
,
Curtosis 4,25663843
Coeficiente de asimetría 1,171755741
Rango 8 226158025
8,226158025
Mínimo 1,252664055
Máximo 9,47882208
C t
Contar 1000
Nivel de confianza (95,0%) 0,053049117
En el siguiente acceso podrá refrescar los conceptos sobre alguna de las

Medidas utilizadas en el análisis estadísticos de datos:
http://www.aulafacil.com/CursoEstadistica/CursoEstadistica.htm
E l ió d
Evaluación de Ri
Riesgo
Medidas de Centralización
El primer Momento- Medidas de tendencia
central:
Media, Mediana y Moda.
Medida de localización o traslación
Mide rendimientos o rentabilidad (VPN, TIR)
Conveniente cuando los datos se concentran

simétricamente. Muy sensible a los valores
extremos.
extremos
Nos indica el valor esperado de una variable de

ce t du b e
incertidumbre

E l ió d
Evaluación de Ri
Riesgo
Medidas de Dispersión
El segundo Momento: Varianza, desviación
estándar, volatilidad, rango, percentiles, rangos
intercuártilicos coeficiente de variación (CV)
intercuártilicos,
Mide la dispersión de los datos en relación a la

media
Mide el RIESGO y la Incertidumbre
La gráfica presenta dos proyectos con la misma

Media o retornos , pero diferentes varianzas.
El proyecto con línea color azul muestra mayor
riesgo que el otro.

E l ió d
Evaluación de Ri
Riesgo
Coeficiente de variación S
Es la razón entre la desviación típica (S) y la media (X).
CV =
Mide la desviación típica en forma de x
“qué tamaño tiene con respecto a la media”
También se la denomina variabilidad relativa.
Es frecuente mostrarla en porcentajes

Si la media es 80 y la desviación típica 20 entonces CV=20/80=0,25=25%
(variabilidad relativa)
Es una cantidad adimensional. Interesante para comparar la

variabilidad
a ab dad de diferentes
d e e tes variables.
a ab es
No debe usarse cuando la variable presenta valores negativos.

E l ió d
Evaluación de Ri
Riesgo
Asimetría
El tercer Momento: Sesgo, Asimetría
(Skewness).
Sesgo positivo Se observa por la diferente posición entre

media, mediana y moda. Cuando coinciden
Media
Moda Mediana tenemos una distribución simétrica (Normal)
La media
L di tiene
ti a desplazarse
d l hacia
h i los
l valores
l
extremos (colas)
Sesgo Negativo
Valores p
positivos,, indica sesgo
g positivo.
p Valores
negativos, sesgo negativo.
Tomar decisiones solo con el valor de las

medias y la desviación estándar puede ser
peligroso si no se analiza el sesgo.
Distribuciones de ingresos deben evaluarse con
sesgo negativo, ingresos medios bajos con alta
probabilidad de ingresos muy altos (valores
hacia la derecha de la cola).

E l ió d
Evaluación de Ri
Riesgo
Kurtosis o Apuntamiento El cuarto Momento: Kurtosis o apuntamiento
Nos indica el grado de apuntamiento con

respecto a una distribución Normal. Es
adimensional.
di i l
La Kurtosis mide el alto de los extremos (colas)

con respecto
p a la Normal. Más ancho más
riesgo.
Mide la probabilidad de eventos extremos,

pérdidas
é did catastróficas,
t t ófi a esencia
i del
d l riesgo.
i
Para una empresa de Seguros, distribuciones

leptocúrticas implican alta probabilidad de
siniestralidad o catástrofes

E l ió d
Evaluación de Ri
Riesgo
Percentiles
Una herramienta de análisis con los resultados obtenidos en la simulación,
son los percentiles, donde se ordenan el conjunto de resultados obtenido en
las simulaciones dividiéndolos en 100 partes iguales, de manera que podamos
obtener el porcentaje (probabilidad) que contiene un conjunto de
observaciones.
El percentil más conocido es la mediana, que es el valor que deja el 50 %

de los valores por debajo de él y el 50 % por encima. Por ejemplo si queremos
saber la probabilidad o porcentaje que el Valor Presente Neto sea mayor
a cero, podemos ubicar el percentil donde se inicia el conjunto de datos con
valores Presentes netos positivos.
Para repasar este concepto accede a la siguiente página:

http://www.vitutor.com/estadistica/descriptiva/a_13.html

Percentiles
Estadísticos
Tabla q
que recoge
g una muestra de los años de escolarización Número de años de escolarización
de un conjunto de individuos. N Válidos 1508
1.- Si queremos saber cual es el % Perdidos 0
de individuos que tienen un grado Media 12,90
Número de años de escolarización de escolaridad menor o igual a 11 Mediana 12,00
años En la tabla vemos que
años. Moda 12
Porcentaje corresponde al Percentil 20. Percentiles 10 9,00
Frecuencia Porcentaje acumulado 20 11,00
2.- Buscamos el % acumulado en 25 12,00
3 5 ,3 ,3
la tabla de frecuencia próximo al 30 12,00
4 5 ,3 ,7 20% (Haga click al mouse). 40 12 00
12,00
5 6 ,4 1,1 Lo que nos indica que el % 50 12,00
6 12 ,8 1,9 de individuos con años de escolaridad 60 13,00
7 25 1,7 3,5 Menor o igual a 11 es del 22,2% 70 14,00
La probabilidad de encontrar individuos 75 15,00
8 68 4,5 8,0
80 16 00
16,00
9 56 3,7 11,7 con escolaridad menor a 11 años es
90 16,00
10 del 22,2%, posicionado en el percentil 20
73 4,8 16,6
≥20%?
de los datos
11 85 5,6 22,2
12 461 30,6 52,8
13 130 8,6 61,4
14 175 11,6 73,0
15 73 4,8 77,9
16
17
194
43
12,9
2,9
90,7
93,6
≥ 90%?
18 45 3,0 96,6
19 22 1,5 98,0
20 30 2,0
, 100,0
,
Total 1508 100,0



Existen software comerciales que realizan

Análisis de riesgo, simulaciones, pronósticos,
Econométricos y estadísticos:
Risk Simulator
Crystal Ball
@Risk






Tema 8. Evaluación de Riesgo

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 8. Evaluación de Riesgo

Cargado por

Copyright:

Formatos disponibles

FORMULACIÓN Y EVALUACIÓN DE

Prof. Guillermo Muñoz,

En la práctica el comportamiento único de los flujos

Al no tener certeza sobre los flujos futuros de caja

Prof. Guillermo Muñoz R. 2

1. Determinar con alguna medida cuantitativa, cual

2. Administrar las variables de riesgo del proyecto

Prof. Guillermo Muñoz R. 3

Nota: Concepto Lbro José Velez

Prof. Guillermo Muñoz R. 5

Prof. Guillermo Muñoz R. 6

2. Hayy variables externas al proyecto,

Prof. Guillermo Muñoz R. 7

Prof. Guillermo Muñoz R. 8

- Actitud al riesgo del inversionista

Modelos - Valor Presente Neto Esperado

Prof. Guillermo Muñoz R. 10

La Función de costos es lineal

Prof. Guillermo Muñoz R. 11

Ingreso Total= Pu*Q

Ingreso Total = Costo Total

Q*= CF/(Margen de Contribución)

Prof. Guillermo Muñoz R. 12

Es el primer paso para reconocer la incertidumbre.

Nota: Concepto Lbro José Velez

 Identificar las variables más críticas

 Identificar donde se debe dedicar más esfuerzos

 Identificar las variables que deben ser incluidas

Prof. Guillermo Muñoz R. 15

1.- Reconocer que el cambio en el resultado depende de cómo se haya construido el

Prof. Guillermo Muñoz R. 16

Determinar la lista de variables básicas

Para cada una de las variables estimar

Prof. Guillermo Muñoz R. 17

Variables Laborales: rotación del personal, ausentismo laboral, exigencias contractuales o

Variables Fiscales: decreto de aumento en el valor de la unidad tributaria, aumento de aportes

Variables macroeconómicas: incremento en la tasa de inflación, tasa de interés, impactando costos

Variable Valor esperado

Prof. Guillermo Muñoz R. 19

Año 0 Año 1 Año 2 Año 3 Año 4 Año 5

Prof. Guillermo Muñoz R. 20

Año 0 Año 1 Año 2 Año 3 Año 4 Año 5

Prof. Guillermo Muñoz R. 21

Variable Valor esperado Valor Presente

Prof. Guillermo Muñoz R. 22

Thousands 1. Cuales son los

Prof. Guillermo Muñoz R. 23

VARIABLE ALEATORIA: es aquella que a priori puede tomar distintos valores

ESTADOS: cada uno de los posibles valores de una variable aleatoria

PROBABILIDAD: medida de la posibilidad de ocurrencia de un determinado estado

MEDIDA DE RIESGO: es la volatilidad del rendimiento de una inversión, y es medi-

Prof. Guillermo Muñoz R. 24

Prof. Guillermo Muñoz R. 25

Prof. Guillermo Muñoz R. 26

Prof. Guillermo Muñoz R. 28

Una distribución de probabilidad describe el rango de valores que puede

Prof. Guillermo Muñoz R. 29

Prof. Guillermo Muñoz R. 30

0,50= (50%(1) + 50%(0))

Prof. Guillermo Muñoz R. 32

Año0 Año1 Año2

Prof. Guillermo Muñoz R. 33

Cálculo de las Esperanzas Matemáticas

Valor Presente Neto Esperado Bs2.359,09

Identificar las variables más críticas

Identificar donde se debe dedicar más esfuerzos

Identificar las variables que deben ser incluidas