You are on page 1of 53

1

Modelo unidimensional de la sensibilizacin del


VAN.
Modelo multidimensional de sensibilizacin del
VAN.
Modelo de sensibilidad del TIR. Casos
prcticos.
Anlisis de riesgo: medicin del riesgo.
Mtodo de Montecarlo: un caso de estudio.
rbol de decisiones : uso en proyectos de
inversin.
OBJETIVOS DE APRENDIZAJE
Anlisis de Sensibilidad
Anlisis de Sensibilidad (AS)
Variar los parmetros
financieros mas importantes:
inversiones, costos e ingresos
unilateralmente o en conjunto para
determinar el grado de sensibilidad
del proyecto a los cambios
A INVERSION = Incremento o disminucin porcentual del costo de
inversin
A COSTOS = Incremento o disminucin porcentual de los costos
A INGRESOS= Incremento o disminucin porcentual del ingreso

AS = A TIR / A PF Donde:
A TIR: (TIR1 TIR2) (en valor absoluto)
A PF: Variacin porcentual del parmetro financiero

AS > 1 El Proyecto es muy sensible a la variacin del parmetro
correspondiente
AS < 1 El proyecto es poco sensible a la variacin del parmetro
correspondiente.
Anlisis de Sensibilidad (AS)
Estudio de Caso

Se tiene un proyecto con una vida til de 5 aos y una
inversin inicial de (Io): 100 millones de Bs.
El proyecto genera los siguientes Flujos Netos de Efectivo
(FNE): Bs. 50 (ao 1); Bs. 65 (ao 2); Bs. 85 (ao 3) Bs.
90 (ao 4); Bs. 120 (ao 5). La Tasa de Rendimiento
Mnima Aceptada (TREMA) es de 44% anual.

VPN = -100 + ( 34,7 + 31,4 + 28,5 + 20,9 + 19,4)

VPN = -100 + 134,9 = 34, 9 Se acepta el proyecto
Anlisis de Sensibilidad (AS)
Ii = 44%
Is = 64%
VPNP = 34,9
VPNN = -3,5
TIR (aprox) = 44 + (64 44) . 34,9 / 34,9 (-3,5)
TIR (aprox) = 44 + 20 . 0,90885417
TIR (aprox) = 44 + 18,18 = 62, 2% TIR = 61,6%
A INVERSION = 20% Io = 120
TIR1 = 61,6%; TIR2 = 50,5%
AS = (61,6 - 50,5) / 20 AS = 11,1 / 20 AS = 0,56

AS < 1 El proyecto es poco sensible a un incremento de un 20% del costo
de inversin
Modelo unidimensional de
la sensibilizacin del VAN
Determina hasta dnde puede
modificarse el valor de una variable
para que el proyecto siga siendo
rentable.
Modelo unidimensional de la
sensibilizacin del VAN
Calcular el valor actual de cada tem del flujo la suma
de todos los valores actuales debe coincidir con el VAN
calculado.
Igualar el VAN a cero y, partiendo a la inversa,
determinar el monto de la utilidad neta que hace al VAN
igual a cero
calcular el valor de la utilidad antes de impuesto que
hace que se cumpla esa condicin
determinar el valor actual de los ingresos que determina
que esa sea la utilidad antes de impuesto.
Para encontrar el valor lmite del precio se recurre a la regla
de tres.
Ejemplo del Modelo unidimensional
de la sensibilizacin del VAN
Ejemplo del Modelo unidimensional
de la sensibilizacin del VAN
AOS DE OPERACIN
0 DEL 1 AL 9 10 VAN
INGRESOS 100000 100000 614457
COSTO VARIABLE -20000 -20000 -122891
COSTO FIJO -30000 -30000 -184337
DEPRECIACION -25000 -25000 -153614
UTILIDAD ANTES DE IMPUESTO 25000 25000 153614
IMPUESTO -2500 -2500 -15361
UTILIDAD NETA 22500 22500 138253
DEPRECIACION 25000 25000 153614
INVERSION -250000 -250000
CAPITAL DE TRABAJO -40000 40000 -24578
VALOR DE DESECHO 150000 57831

FLUJO DE CAJA -290000 47500 237500 75120
En el cuadro anterior se podr ver que los ingresos son
100000 cada ao dando un VAN US$ 75,120.00 .
Si queremos saber hasta donde soporta el proyecto
modificaremos el precio haciendo al VAN = 0.
Aplicando regla de tres:
US$ 100 = 614.457
US$ x = 530.990

X = $ 86,42
el precio podra caer hasta $ 86,42 y todava el
inversionista obtendra el 10% exigido a la inversin (VAN
= 0).
Ejemplo del Modelo unidimensional
de la sensibilizacin del VAN
Ejemplo del Modelo unidimensional de
la sensibilizacin del VAN
AOS DE OPERACIN
0 DEL 1 AL 9 10 VAN
INGRESOS 86416.2 86416.2 530990
COSTO VARIABLE -20000 -20000 -122891
COSTO FIJO -30000 -30000 -184337
DEPRECIACION -25000 -25000 -153614
UTILIDAD ANTES DE IMPUESTO 11416.2 11416.2 70148
IMPUESTO -1141.62 -1141.62 -7015
UTILIDAD NETA 10274.58 10274.58 63133
DEPRECIACION 25000 25000 153614
INVERSION -250000 -250000
CAPITAL DE TRABAJO -40000 40000 -24578
VALOR DE DESECHO 150000 57831

FLUJO DE CAJA -290000 35274.58 225274.58 0
Modelo multidimensional de
la sensibilizacin del VAN
Incorpora el efecto combinado de
dos o ms variables y
determina de qu manera vara
el VAN frente a cambios en los
valores de esas variables.

Modelo multidimensional de la
sensibilizacin del VAN
15
Modelo de Sensibilidad
del TIR
La TIR obtenida para un proyecto se puede lograr
solamente si se cumplen los pronsticos anuales de
ventas. el siguiente anlisis tiene por objeto
determinar cul es el nivel mnimo de ventas que
puede tener la empresa para seguir siendo
econmicamente rentable. Se trabajar con flujos
constantes para simplificar el clculo de la TIR; por lo
tanto, la TMAR ser igual a 6%.
Los datos arrojan un costo unitario de produccin de
US$ 199 por tonelada para el 1er ao de operacin.
En ese mismo ao, el valor de venta del producto
terminado es de US$ 320 por tonelada.
Modelo de Sensibilidad del TIR
Con estos datos, primero se calcula el costo de
produccin para diferentes niveles de ventas:
Modelo de Sensibilidad del TIR
Sabiendo que VP = 360, VS = 166 y n = 5, se sustituye en
la frmula de TIR cada caso y se obtiene:
siguientes.

Se puede decir que 1,000 toneladas de venta anuales
es el lmite mnimo de produccin necesario para que
el proyecto sea econmicamente rentable.
Modelo de Sensibilidad del TIR
19
Anlisis de Riesgo
Es una de las mayores preocupaciones a la
hora de realizar una inversin y en general
cualquier actividad de un proyecto.
Se deben minimizar los riesgos.
Las tcnicas de riesgo y otras utilizan mtodos
probabilsticos cuyo valor es difcil de asignar.
El riesgo ms importante es el riesgo
sistemtico o riesgo de mercado.
Por ejemplo a un inflacin del 57% se deben
tomar acciones administrativas como contratar
mejores vendedores, ofertas en el producto,
campaa publicitaria especial.
Anlisis de Riesgo
Ejemplo 1: Un proyecto requiere de una inversin a
comienzos del ao 1 y genera un flujo de beneficios netos
constantes, durante 17 aos, cuyos valores y
correspondientes probabilidades se muestran en el cuadro
siguiente:
Anlisis de Riesgo
I P
(I)
Bn P
(B
)
30 0.2 5 0.1
40 0.6 6 0.2
50 0.2 7 0.6
8 0.1
I = Inversin
Bn = Beneficios netos
P = Probabilidad
Ejemplo 1(continua): Se considera valor residual cero y
tasa de actualizacin de 15% anual. Se trata de calcular
la distribucin de probabilidades del VAN del proyecto.
Los datos indican que la mejor estimacin de la inversin
es de 40 millones y la del beneficio neto anual constante
de 7 millones; si con estos nicos valores se calcula el
VAN en forma determinstica, resulta:
Anlisis de Riesgo
VAN = - 40 + 7*FAS
0.15,17
= 2.3
(aproximadamente)
Aplicando anlisis de riesgo, por el mtodo matemtico,
observamos que hay 3 posible valores de I y 4 de Bn, por
consiguiente hay 3*4=12 posibles combinaciones de
ambos y consecuentemente, 12 posibles valores del VAN,
tal como se muestra en el siguiente cuadro:
COMBINACIN I B VAN P(VAN)
1 30 5 0.0 0.02
2 30 6 5.2 0.04
3 30 7 10.4 0.12
4 30 8 15.7 0.02
5 40 5 -8.7 0.06
6 40 6 -3.5 0.12
7 40 7 1.7 0.36
8 40 8 7.0 0.06
9 50 5 17.4 0.02
10 50 6 -12.2 0.04
11 50 7 -7.0 0.12
12 50 8 -1.7 0.02
Anlisis de Riesgo
24
Mtodo de Montecarlo
Valor en Riesgo
Mtodo para cuantificar la exposicin al
riesgo de mercado por medio de tcnicas
estadsticas.
Valor en
Riesgo
Cambio en el Valor de Mercado del
portafolio
Prdidas
Nivel de Confianza (95%)
El VaR no otorga certidumbre con respecto a las
prdidas que se podran sufrir en una inversin,
sino una expectativa de resultados basada en
estadstica (series de datos en el tiempo).
Valor en Riesgo
Ventajas del VaR:
Toma en cuenta los factores asociados con el
comportamiento de los precios de los activos.
Toma en cuenta caractersticas especificas de
cada instrumento (acciones, bonos, etc).
Entrega un medida estndar para las distintas
clases de riesgo.
Mtodos ms utilizados

Simulacin Histrica

Mtodo de Varianza-Covarianza

MonteCarlo

Valor en Riesgo
Ventaja: Mayor nivel de exactitud que la de los otros
modelos.
Desventaja: Altos costos en trminos de tiempo y
recursos computacionales.
Consiste en la generacin de nmeros aleatorios para
calcular el valor de los portafolios generando
escenarios. Un nuevo nmero aleatorio sirve para
generar un nuevo valor del portafolio con igual
probabilidad de ocurrencia que los dems y
determinar la prdida o ganancia en el mismo.
Este proceso se repite un gran nmero de veces
(4,000 escenarios) y los resultados se ordenan de tal
forma que pueda determinarse un nivel de confianza
especfico.
Mtodo de MonteCarlo
Valor en Riesgo
Pasos:
1. Generar series con nmeros aleatorios con base en una
distribucin normal estandarizada (matriz X).
2. A partir de la matriz de varianza-covarianza aplicar la
descomposicin de Cholesky para obtener una nueva matriz
(matriz A
T
).
3. Determinar la matriz Y= A
T
*X donde Y ~ N(0, ).
4. Generar 4,000 simulaciones de los factores de riesgo (al valor
actual del factor de riesgo se agrega el valor de las variaciones
simuladas).
5. Revaluar el portafolio con cada uno de los valores estimados de los
factores de riesgo.
6. Calcular prdidas y ganancias del portafolio. (se obtienen de la
diferencia entre el valor del portafolio simulado en cada uno de los
escenarios y el valor del portafolio vigente en la fecha de
evaluacin.
7. Ordenar los resultados del portafolio de mayores prdidas a
mayores ganancias y calcular el VaR con base en el nivel de
confianza elegido.




Simulacin de MonteCarlo
30
Arbol de Decisiones
31
Ejemplo 01: Una Compaa de Manufacturas Elctricas que
produce aparatos de aire acondicionado , tiene que decidir si
comprar o no un componente importante para su producto
final de un abastecedor o fabricarlo en su propia planta.
Las alternativas de decisin son entonces :

1) Comprar el componente (C)
2) Fabrica el componente (F)

La determinacin de la mejor decisin depender de la
aceptacin(demanda) de su producto final en el mercado.
Dado que la demanda que la Ca enfrenta por su producto
final est fuera del control del Decisor, esta constituye una
variable de estado. De acuerdo con la administracin de la
Ca. Los posibles valores de la demanda por su producto final
pueden ser :
ARBOL DE DECISIONES
DA = Demanda alta del producto final de la Ca.
DM = Demanda media del producto final de la Ca.
DB = Demanda baja del producto final de la Ca.

Para determinar la decisin ptima fue necesario
conocer mayor informacin respecto a las probabilidades de
ocurrencia de cada estado de la naturaleza (DA,DM,DB).
El resultado final de la decisin se expresa en trminos
de ganancias netas. La administracin de la Ca. ha estimado
las ganancias netas para este problema :
ARBOL DE DECISIONES
Alternativas
De Decisin
Estados de la Naturaleza (Niveles de demanda)
DA DM DB

Fabricar (F)
Comprar(C)

130
70

40
45

-20
10
33
1) Determine la decisin ptimo segn criterio del valor esperado y
suponiendo P(DA) = 0.30, P(DM) = 0.30, P(DB) = 0.40.
2) Calcular el valor esperado de la informacin perfecta
3) Calcular el valor esperado de la informacin de la muestra e identifique
la decisin ptima.
4) Calcule la informacin de la eficiencia de la muestra.
CRITERIO PROBABILISTICO (Criterio del Valor Esperado)
De acuerdo con la experiencia de la administracin de la Ca. se asign
las siguientes probabilidades de ocurrencia.

Puede ser entonces : P(DA) = 0.30, P(DM) = 0.30, P(DB) = 0.40

Segn el criterio probabilstico, se decide por la alternativa de mayor
ganancia esperada :
Alternativas
Fabricar (F) : 130(0.30) + 40 (0.30) + -20(0.40) = 43.0
Comprar (C) : 70(0.30) + 45 (0.30) + 10(0.40) = 38.5
Se decide : Fabricar el componente. La Ca obtendra las mayores
ganancias netas esperadas de 43,000 dlares.
ARBOL DE DECISIONES
Valor esperado
Es la media de la distribucin de
probabilidad
Se calcula como:

=
=
m
i
i i
X p X x E
1
) ( ) (
ARBOL DE DECISIONES
Valor esperado: Ejemplo 1
Suponga que usted compra en S/. 1,000.00
un nmero de una rifa, la cual paga un
premio de S/. 50,000.00
Hay dos eventos posibles:
Usted gana la rifa, o
Pierde
Cul es el valor esperado del juego?
ARBOL DE DECISIONES
Valor esperado: ejemplo
La distribucin de probabilidades es:




El valor esperado es:
E(X) = 49000*(1/100) + -1000*99/100 = -500
Qu significa ese resultado?
Evento X P(X)
Gana S/. 49000 1/100
Pierde S/. - 1000 99/100
ARBOL DE DECISIONES
rboles de decisin
Pueden usarse para desarrollar una
estrategia ptima cuando el tomador de
decisiones se enfrenta con:
Una serie de alternativas de decisin
Incertidumbre o eventos futuros con
riesgo
*Un buen anlisis de decisiones incluye un
anlisis de riesgo
ARBOL DE DECISIONES
rboles de decisin: Componentes y
estructura
Alternativas de decisin en cada punto de
decisin
Eventos que pueden ocurrir como resultado de
cada alternativa de decisin. Tambin son
llamados Estados de la naturaleza
ARBOL DE DECISIONES
rboles de decisin: Componentes y
estructura
Probabilidades de que ocurran los eventos
posibles
Resultados de las posibles interacciones
entre las alternativas de decisin y los
eventos. Tambin se les conoce con el
nombre de Pagos
ARBOL DE DECISIONES
rboles de decisin: Componentes y
estructura
Los rboles de decisin poseen:
Ramas: se representan con lneas
Nodos de decisin: de ellos salen las ramas de
decisin y se representan con
Nodos de incertidumbre: de ellos salen las
ramas de los eventos y se representan con
ARBOL DE DECISIONES
rboles de decisin: Componentes y
estructura: ejemplo
Alternativa 1
Alternativa 2
Evento 1
P(Evento 1)
Evento 2
P(Evento 2)
Evento 3
P(Evento 3)
Pago 1
Pago 2
Pago 3
Pago 4
Punto de
decisin
ARBOL DE DECISIONES
rboles de decisin: Anlisis: criterio del
Valor Monetario Esperado
Generalmente se inicia de derecha a
izquierda, calculando cada pago al final de
las ramas
Luego en cada nodo de evento se calcula un
valor esperado
Despus en cada punto de decisin se
selecciona la alternativa con el valor
esperado ptimo.
ARBOL DE DECISIONES
Anlisis: ejemplo de la rifa
Juega la rifa
No juega la rifa
Gana
(0,01)
Pierde
(0,99)
49.000
-1000
0
Punto de
decisin
-500
ARBOL DE DECISIONES
Anlisis: ejemplo de la rifa
En el nodo de evento se calcul el valor
esperado de jugar la rifa
Luego se selecciona, en este caso el valor
ms alto (por ser ganancias)
La decisin desechada se marca con \\
En este caso la decisin es no jugar la rifa
ARBOL DE DECISIONES
rboles de decisin: Ejemplo 2
Un fabricante est considerando la produccin de
un nuevo producto. La utilidad incremental es de
$10 por unidad y la inversin necesaria en equipo
es de $50.000
El estimado de la demanda es como sigue:
Unidades Probabilidad
6000 0.30
8000 0.50
10000 0.20
ARBOL DE DECISIONES
rboles de decisin: Ejemplo 2
(continuacin):
Tiene la opcin de seguir con el producto actual
que le representa ventas de 2.500 unidades con
una utilidad de $5.5/unidad sin publicidad, con la
opcin de que si destina $14.000 en publicidad
podra, con una probabilidad de 80% conseguir
ventas de 5.500 unidades y de un 20% de que stas
sean de 4.000 unidades.
Construya el rbol de decisin y determine la
decisin ptima.
ARBOL DE DECISIONES
rboles de decisin: Ejemplo 3: La
decisin de Larry
Durante la ltima semana Larry ha recibido 3
propuestas matrimoniales de 3 mujeres distintas y
debe escoger una. Ha determinado que sus atributos
fsicos y emocionales son ms o menos los mismos, y
entonces elegir segn sus recursos financieros.
La primera se llama Jenny. Tiene un padre rico que
sufre de artritis crnica. Larry calcula una probabilidad
de 0.3 de que muera pronto y les herede $100.000. Si
el padre tiene una larga vida no recibir nada de l.
ARBOL DE DECISIONES
rboles de decisin: ejemplo: La
decisin de Larry
La segunda pretendiente se llama Jana, que es
contadora en una compaa. Larry estima una
probabilidad de 0.6 de que Jana siga su carrera y una
probabilidad de 0.4 de que la deje y se dedique a los
hijos. Si contina con su trabajo, podra pasar a
auditora, donde hay una probabilidad de 0.5 de
ganar $40.000 y de 0.5 de ganar $30.000, o bien
podra pasar al departamento de impuestos donde
ganara $40.000 con probabilidad de 0.7 o $25.000
(0.3). Si se dedica a los hijos podra tener un trabajo
de tiempo parcial por $20.000.
ARBOL DE DECISIONES
rboles de decisin: ejemplo: La
decisin de Larry
La tercer pretendiente es Mara, la cual
slo puede ofrecer a Larry su dote de
$25.000.
Con quin debe casarse Larry? Por qu?
Cul es el riesgo involucrado en la
secuencia ptima de decisiones?
Tomado de: Gallagher. Watson. METODOS
CUANTITATIVOS PARA LA TOMA DE DECISIONES EN
ADMINISTRACIN. McGraw Hill, Mxico, 1982
ARBOL DE DECISIONES
Los rboles de decisin y el
riesgo
El anlisis del riesgo ayuda al tomador de
decisiones a identificar la diferencia entre:
el valor esperado de una alternativa de
decisin, y
el resultado que efectivamente podra ocurrir
El riesgo se refiere a la variacin en los resultados
posibles.
Mientras ms varen los resultados, entonces se
dice que el riesgo es mayor.
Existen diferentes maneras de cuantificar el riesgo,
y una de ellas es la variancia.
ARBOL DE DECISIONES
Los rboles de decisin y el riesgo
La variancia se calcula como:



Donde P(X
j
) es la probabilidad del evento
X
j
y E(X) es el valor esperado de X

=
(

=
m
j
X E
j
X
j
X p X
1
2
) ( ) ( ) var(
ARBOL DE DECISIONES
Los rboles de decisin y el riesgo:
ejemplo: el caso de Larry (datos en miles)
Decisin X P(X) E(X) var
Jenny 100
0
0.30
0.70
30 2100
Jana 40
30
40
25
20
0.15
0.15
0.21
0.09
0.40
29,3 60,252
Mara 25 1.00 25 0
ARBOL DE DECISIONES
Los rboles de decisin y el riesgo:
ejemplo: el caso de Larry
La decisin por Jenny es la del valor esperado
ms alto, pero tambin es la ms riesgosa,
pues los resultados varan entre $0 y $100.000
La decisin por Mara es la menos riesgosa,
pero la de menor rendimiento.
Tal vez la mejor decisin sea Jana, ya que el
valor esperado es cercano al de Jenny pero
con un riesgo menor.
ARBOL DE DECISIONES

You might also like