Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROYECTOS DE INVERSIÓN
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
3. No se dispone
p de toda la información.
RIESGOS
DE
MERCADO
RIESGOS
FINANCIEROS
- Precio
Convertibilidad
- Volumen
Tipos de interés
...
SUPUESTOS:
Pu*Q = CF + CVu*Q
Q*= CF/(Pu-Cvu)
(Bs)
Costo Total
Costo Fijo
Cantidad
Q*
Prof. Guillermo Muñoz R. 13
Evaluación de Riesgo
Análisis
á de Sensibilidad
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.
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.
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.
DEFINICIONES PREVIAS
F(X)=función
( ) de distribución;; f(x)
( ) es la función de densidad es
la derivada de la función de distribución.
Prof. Guillermo Muñoz R. 27
Evaluación de Riesgo
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
-2 σ -σ σ +2 σ
68%
95%
S0
50%
$0
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)
VALOR
A O PRESENTE
S NETO
O ESPERADO
S A O
Análisis de Riesgo
σ (FCN ) =∑
2 j j
i ( ( FCN i - E(FCNi) 2 * P(FCNi ) )
j=1
donde:
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
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
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.
2. Especificación de Probabilidades
3. Si
Simulación
l ió ded los
l Fl j
Flujos d Caja
de C j
independientes X
X
μX
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
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).
V N S DEL NU
VENTAS NUEVOVO
PRODUCTO (Unds) PROBABILIDAD
100.000 20%
150.000 35%
200.000 35%
250.000 10%
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.
(r)
μ = media de la muestra
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
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.
≥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
Risk Simulator
Crystal Ball
@Risk