Facultad de Ingeniera de

Sistemas e Informtica

Formulacin y Evaluacin
de Proyectos
(Semana 13: S13)

Ing. Norberto Osorio Beltrn

nosoriobeltran@gmail.com
 ANALISIS DE RIESGO

Conceptos bsicos
El riesgo en los proyectos
La medicin del riesgo
Mtodos para tratar el riesgo
Dependencia e independencia de los flujos de caja
El mtodo de ajuste a la tasa de cambio
El mtodo de la equivalencia a certidumbre
Uso del rbol de decisin
Modelo de simulacin de Monte Carlo
 1/3
CONCEPTOS BASICOS

No siempre una inversin est basada

en condiciones de certeza.
 2/3
CONCEPTOS BASICOS

El comportamiento nico
de los flujos de caja
supuestos son inciertos.

<< esto es debido a que no es posible conocer

con anticipacin cul de todos los hechos que
pueden ocurrir y que tienen efectos en los flujos
de caja ocurrir efectivamente >>.
 3/3
CONCEPTOS BASICOS

Al no tener certeza sobre los flujos futuros de

caja que ocasionar cada inversin, se estar
en una situacin de riesgo o incertidumbre.

Existe Riesgo, cuando hay una situacin en la cual una decisin

tiene ms de un posible resultado y la probabilidad de cada
resultado especfico se conoce o se puede estimar

Existe Incertidumbre cuando esas probabilidades no se

conocen o no se pueden estimar.
 EL RIESGO EN LOS PROYECTOS 1/2

DE INVERSION

RIESGO: Se define el riesgo de un

proyecto como la variabilidad de los flujos
de caja reales respecto de los estimados.
Mientras ms grande sea esta variabilidad,
mayor es el riesgo del proyecto.
De esta forma, el riesgo se manifiesta
en la variabilidad de los rendimientos
del proyecto, puesto que se calculan sobre
la proyeccin de los Flujos de Caja.
 EL RIESGO EN LOS PROYECTOS 2/2

DE INVERSION

El riesgo define una

situacin donde la
informacin es de
naturaleza aleatoria, en que La Incertidumbre caracteriza a
se asocia una estrategia a una situacin donde los posibles
un conjunto de resultados resultados de una estrategia no son
posibles, cada uno de los conocidos y, en consecuencia, sus
cuales tiene asignada una posibilidades de ocurrencia no son
probabilidad. cuantificables.
 1/10

LA MEDICION DEL RIESGO

El riesgo de un proyecto es definido

como la variabilidad de los flujos de
caja reales respecto de los estimados

Por lo tanto, es necesario analizar las

formas de medicin de esa variabilidad
como un elemento de cuantificacin del
riesgo de un proyecto.
 2/10

LA MEDICION DEL RIESGO

Debido a la falta de certeza de las

estimaciones del comportamiento futuro se
pueden asociar normalmente a una
distribucin de probabilidades de los flujos
de caja generados por el proyecto.
Su representacin grfica permite
visualizar la dispersin de los flujos de caja,
asignando un riesgo mayor a aquellos
proyectos cuya dispersin sea mayor.
 3/10

LA MEDICION DEL RIESGO

Existen, sin embargo, formas precisas de medicin que

manifiestan su importancia principalmente en la
comparacin de proyectos o entre alternativas de un
mismo proyecto. La ms comn es la Desviacin
Estndar (), que se calcula mediante la expresin
(Ecuacin N 1):

Ecuacin N 1: Desviacin Estndar

 4/10

LA MEDICION DEL RIESGO

En donde Ci es el flujo de caja de la posibilidad i, Pi es su

probabilidad de ocurrencia. El Valor Esperado de la
distribucin de probabilidades de los flujos de caja, se
obtiene de la expresin (Ecuacin N 2):

Ecuacin N 2: VE de la Distribucin de
Probabilidades de los FC
 5/10

LA MEDICION DEL RIESGO

Si C correspondiera al valor esperado del Valor

Actual Neto (VAN), ante la igualdad de riesgo se
elegir el proyecto que exhiba el mayor valor esperado.
Mientras mayor sea la dispersin esperada de los
resultados de un proyecto, mayores sern su
desviacin estndar y su riesgo.

EJEMPLO: Para ejemplificar la determinacin del

valor esperado y de la desviacin estndar, supngase
la existencia de un proyecto que presente la
distribucin de probabilidades de sus flujos de caja
estimados, y que se muestran en el Cuadro N 1:
 6/10

LA MEDICION DEL RIESGO

Ejemplo

CUADRO N 1: Distribucin de Probabilidades

de los Flujos de Caja estimados
i Probabilidad Flujo de Caja
Pi Ci

1 0.30 2,000

2 0.40 2,500

3 0.30 3,000
 7/10

LA MEDICION DEL RIESGO

Ejemplo
Se utilizarn las dos frmulas siguientes:

El Valor Esperado de la Distribucin de Probabilidades de los

Flujos de Caja, se obtiene mediante la expresin:

La Desviacin Estndar (), se calcula mediante la expresin:

 8/10

LA MEDICION DEL RIESGO

Ejemplo
CUADRO N 2: Valor Esperado de la Distribucin de
Probabilidades de los Flujos de Caja estimados: $ 2,500
Probabilidad x Flujo de Caja Valor Esperado de la
i
Pi x Ci distribucin de
probabilidades
1 0.30 (2,000) = 600
2 0.40 (2,500) = 1,000
3 0.30 (3,000) = 900
__
C = 2,500
 LA MEDICION DEL RIESGO
9/10

Ejemplo
CUADRO N 3: Clculo de la Desviacin Estndar()

__ __ __ 2 __ 2
Ci - C (Ci - C) (Ci - C) (Ci - C) x Pi

2,000 2,500 -500 250,000 (250,000) 0.30 = 75,000

2,500 2,500 0 0 (0) 0.40 = 0

3,000 2,500 +500 250,000 (250,000) 0.30 = 75,000

V = Varianza 150,000

= Desviacin
(150,000)**(1/2) = 387.30
Estandar
 LA MEDICION DEL RIESGO
10/10

Ejemplo
Clculo del Coeficiente de
Variacin: CV

CV =
C

CV = 387.30 / 2,500 = 0.15

CV = 15%
 1/9

USO DEL ARBOL DE DECISION

El arbol de decisin es una tcnica

grfica que permite representar y analizar
una serie de decisiones futuras de carcter
secuencial a travs del tiempo.
Cada decisin se representa grficamente
por un cuadrado con un nmero dispuesto en
una bifurcacin del rbol de decisin. Cada
rama que se origina en ese punto representa
una alternativa de accin.
 2/9

USO DEL ARBOL DE DECISION

Adems de los puntos de decisin, en

este arbol de decisin se expresan,
mediante crculos, los sucesos aleatorios que
influyen en los resultados.
A cada rama que parte de estos sucesos se
le asigna una probabilidad de ocurrencia. De
esta forma, el arbol representa todas las
combinaciones posibles de decisiones y
sucesos, permitiendo estimar un valor
esperado del resultado final, como un valor
actual neto, utilidad u otro.
 3/9

USO DEL ARBOL DE DECISION

Ejemplo: Supngase que se estudia el lanzamiento de un

nuevo producto. Las posibilidades en estudio son introducirlo
a nivel nacional o regional. Si se decide lanzar el producto
regionalmente, es posible luego de hacerlo a nivel nacional si
el resultado regional as lo recomendara.

En el siguiente grfico (Grfico N 1) se representa un diagrama

de un rbol de decisin para este caso, en el cual cada
ramificacin conduce a un cierto valor actual neto diferente.
Para tomar la decisin ptima, se analizan los sucesos de las
alternativas de decisin ms cercanas al final del rbol,
calculando el valor esperado de sus valores actuales netos y
optando por aquella que proporcione el mayor valor esperado del
VAN.
 4/9

USO DEL ARBOL DE DECISION

Grfico N 1 : Arbol de decisin

 5/9

USO DEL ARBOL DE DECISION

La ltima decisin de nuestro caso es la [2], que representa dos

sucesos de alternativa. El valor esperado del suceso (C) se
calcula aplicando la Ecuacin N 2 de la siguiente forma:

Que representa el valor esperado del VAN en el caso de ampliar la

introduccin a nivel nacional.
 6/9

USO DEL ARBOL DE DECISION

En el caso de continuar en nivel regional se obtiene, por el mismo

procedimiento, el siguiente resultado:

Por lo tanto, la decisin ser ampliar a nivel nacional, porque

retorna un VAN esperado mayor.
 7/9

USO DEL ARBOL DE DECISION

La siguiente decisin se refiere a la introduccin inicial. Si es a

nivel regional, existe un 70% de posibilidades de que la demanda
sea alta. Si as fuese, el VAN esperado sera de 1,900, que
correspondera al resultado de la decisin que se tomara de
encontrarse en ese punto de decisin. Aplicando el
procedimiento anterior, se obtiene:
 8/9

USO DEL ARBOL DE DECISION

Para la alternativa de introduccin nacional se tendra:

En consecuencia, se optara por una introduccin inicial en el

nivel regional, que luego se ampliara a nivel nacional. Esta
combinacin de decisiones es la que maximiza el valor esperado
de los resultados.
 9/9

USO DEL ARBOL DE DECISION

Este mtodo, as tratado, no incluye el

efecto total del riesgo, puesto que no
considera la posible dispersin de los
resultados ni las probabilidades de las
desviaciones. En el ejemplo anterior, la
decisin se haca sobre la base de un valor
actual neto promedio.
Una forma de obviar este problema es mediante los rboles
de decisin probabilsticos que, adems de las
caractersticas sealadas, permiten que todas las cantidades,
variables y sucesos aleatorios puedan representarse por las
distribuciones continuas de probabilidad.
 MODELO DE SIMULACION
1/19

DE MONTE CARLO

El modelo de monte carlo, llamado

tambin mtodo de ensayos estadsticos, es una
tcnica de simulacin de situaciones
inciertas que permite definir valores
esperados para variables no controlables,
mediante la seleccin aleatoria de valores,
donde la probabilidad de elegir entre todos los
resultados posibles est en estricta relacin
con sus respectivas distribuciones de
probabilidades.
 MODELO DE SIMULACION
2/19

DE MONTE CARLO

Si las variables inciertas

relevantes en un proyecto
fuesen, por ejemplo, la
demanda y la participacin
de mercado, deber aplicarse
en ambas la simulacin para
estimar su comportamiento en el
futuro.
 MODELO DE SIMULACION
3/19

DE MONTE CARLO
Ejemplo: Supngase que estudios realizados sealan que la
demanda global esperada del mercado tiene la siguiente
distribucin de probabilidades:
 MODELO DE SIMULACION
4/19

DE MONTE CARLO

Al mismo tiempo, supngase que la participacin en el

mercado para el proyecto sea tambin una variable incierta,
para la cual se estima la siguiente distribucin de
probabilidades:
 MODELO DE SIMULACION
5/19

DE MONTE CARLO

Supngase, adems, que la demanda global del mercado est

correlacionada con la tasa de crecimiento de la poblacin,
que se estima en un 2% anual a futuro.
El precio y los costos asociados al proyecto se suponen
conocidos o menos inciertos su resultado futuro.

1.- El primer paso en la solucin consiste en expresar

matemticamente el problema. En este caso, la demanda
por ao que podra enfrentar el proyecto se puede expresar
como:
Donde Dp corresponde a la demanda
del proyecto, Dg a la demanda global y
Dp = Dg * p p al porcentaje de participacin del
proyecto en el mercado.
 MODELO DE SIMULACION
6/19

DE MONTE CARLO

2.- El siguiente paso del mtodo de Monte Carlo es

la especificacin de la distribucin de probabilidades de
cada variable. En el ejemplo, las variables que deber
especificar su distribucin de probabilidades son la
demanda global del mercado y la
participacin del proyecto. En ambos casos se
deber, posteriormente, calcular la distribucin de
probabilidad acumulada y la asignacin de rangos de
nmeros entre 0 y 99 (o sea, 100 nmeros). En los dos
siguientes cuadros se muestran estos clculos para las dos
variables del caso.
MODELO DE SIMULACION
7/19

DE MONTE CARLO
 MODELO DE SIMULACION
8/19

DE MONTE CARLO

La asignacin de nmeros representativos se efecta en

proporcin a la probabilidad acumulada. As, por ejemplo, si el
10% se encuentra en el rango de hasta 200,000 deben asignarse
10 nmeros representativos (0 al 9). Como hasta 250,000 hay un
35% de probabilidades, se asigna 35 nmeros representativos (0
al 34).
3.- La etapa siguiente, paso del mtodo de Monte Carlo,
requiere tomar al azar nmeros aleatorios. Para ello, se puede
usar una tabla de nmeros aleatorios como el que se muestra en
el Cuadro N 1. Cada nmero seleccionado debe ubicarse en la
columna asignacin de nmeros representativos. Una vez
localizado, se da el valor correspondiente de demanda global, el
cual se ajusta por el porcentaje de participacin en el mercado
obtenido de igual forma.
 MODELO DE SIMULACION
9/19

DE MONTE CARLO
Cuadro N 1: Tabla de Nmeros Aleatorios
 MODELO DE SIMULACION
10/19

DE MONTE CARLO

Por ejemplo, si se usa la tabla de nmeros

aleatorios de arriba hacia abajo, se encuentra que
el primer nmero aleatorio es 23, el cual se ubica en el
grupo 10 34 de la asignacin de nmeros
representativos del cuadro de demanda global, lo que
hace seleccionar el primer valor de 250,000. El
segundo nmero aleatorio es 05, el cual se ubica en el
rango 0 25 de la asignacin de nmeros
representativos (Cuadro N 2) de la participacin del
proyecto en el mercado, lo que hace seleccionar el
valor 0.08.
 MODELO DE SIMULACION
11/19

DE MONTE CARLO

De acuerdo con esto, la demanda esperada para el

proyecto en el primer ao corresponde a:

Dp = 250,000 x 0.08 = 20,000

El mismo procedimiento se repite un nmero suficiente

de veces como para que la probabilidad de elegir entre
todos los resultados posibles guarde estrecha relacin con
su distribucin de probabilidades. En el ejemplo, se
toman 100 pruebas para cada variable, obtenindose los
resultados que se indican.
 MODELO DE SIMULACION
12/19

DE MONTE CARLO
Cuadro N 2: Tabla de Resultados de las 100 pruebas (1 /4)

Contina...
 MODELO DE SIMULACION
13/19

DE MONTE CARLO
Cuadro N 2: Tabla de Resultados de las 100 pruebas (2 /4)

Contina...
 MODELO DE SIMULACION
14/19

DE MONTE CARLO
Cuadro N 2: Tabla de Resultados de las 100 pruebas (3 /4)

Contina...
 MODELO DE SIMULACION
15/19

DE MONTE CARLO
Cuadro N 2: Tabla de Resultados de las 100 pruebas (4 /4)
 MODELO DE SIMULACION
16/19

DE MONTE CARLO
4.- Anlisis y elaboracin de la distribucin de
probabilidades acumuladas
Basados en los resultados de las 100 pruebas aleatorias para cada
variable, debe elaborarse una distribucin de probabilidades para la
demanda del proyecto. El anlisis de la distribucin de
probabilidades acumuladas permite determinar la probabilidad
de que la demanda del proyecto se encuentre bajo un determinado
valor. En el siguiente cuadro se aprecia, por ejemplo, que la
probabilidad de que la demanda del proyecto sea menor o igual que
39,999 unidades es de un 86%.
N Intrvalos = 100 = 10

(mximo mnimo) 65,000 15,000

Incremento = = = 5,000
10 10
 MODELO DE SIMULACION
17/19

DE MONTE CARLO

En el siguiente cuadro se muestra la distribucin de

probabilidades para la demanda del proyecto dentro de los 10
intrvalos establecidos:
 MODELO DE SIMULACION
18/19

DE MONTE CARLO

En el siguiente cuadro se muestra la distribucin de

probabilidades con las correspondientes demanda promedio en
los 10 intrvalos establecidos:
 MODELO DE SIMULACION
19/19

DE MONTE CARLO

Por otra parte, el valor esperado de la demanda del

proyecto para el primer ao es de 31,150 unidades.
Luego, si la tasa de crecimiento estimada fuese de un
2% anual, podra esperarse una demanda para el
proyecto de.
ANALISIS DE SENSIBILIDAD

Introduccin y Consideraciones preliminares

El modelo unidimensional de la sensibilizacin
del VAN
El modelo multidimensional de la sensibilizacin
del VAN
El modelo de sensibilidad de la TIR
Usos y abusos de la sensibilidad
 1/4
INTRODUCCION

La medicin de la Rentabilidad,
analizada anteriormente, slo evala
el resultado de uno de los escenarios
proyectados, el cual es elegido por
el analista con un criterio distinto
(muchas veces) al que tendra el
Inversionista, porque la aversin
al riesgo de ambos y la perspectiva
desde donde se analizan los
problemas es diferente.
 2/4
INTRODUCCION

Tambin se ha visto el tema de la

evaluacin de proyectos en
condiciones de certidumbre y
riesgo. En ambos casos, la
evaluacin se realiza sobre la
base de una serie de
antecedentes escasa o nada
controlables por parte de la
organizacin que pudiera
implementar el proyecto.
 3/4
INTRODUCCION

Con este objetivo, y como una forma de

agregar informacin a los resultados
pronosticados del proyecto, se puede
desarrollar un anlisis de sensibilidad
que permita medir cun sensible es la
evaluacin realizada a variaciones en uno o
ms parmetros decisorios.
Los Modelos de sensibilizacin
pueden aplicarse directamente a las
mediciones del Valor Actual Neto (VAN), Tasa
Interna de Retorno (TIR), Utilidad, etc.
 4/4
INTRODUCCION
 1/3
CONSIDERACIONES PRELIMINARES

La importancia del Anlisis de

sensibilidad se manifiesta en el hecho de
que los valores de las variables que se han
utilizado para llevar a cabo la evaluacin del
proyecto pueden tener desviaciones con
efectos de consideracin en la medicin de
sus resultados.
La evaluacin del proyecto ser
sensible a las variaciones de uno o ms
parmetros si, al incluir estas variaciones en
el criterio de evaluacin empleado, la
decisin inicial cambia.
 2/3
CONSIDERACIONES PRELIMINARES

Visualizar qu variables tienen mayor

efecto en el resultado frente a distintos
grados de error en su estimacin permite
decidir acerca de la necesidad de realizar
estudios ms profundos de esas variables,
para mejorar las estimaciones y reducir el
grado de riesgo por error.
La repercusin que un error en una
variable tiene sobre el resultado de la
evaluacin vara, segn el momento de la
vida econmica del proyecto en que ese error
se cometa.
 3/3
CONSIDERACIONES PRELIMINARES

Dependiendo del nmero de variables

que se sensibilicen en forma simultnea,
el anlisis puede clasificarse como
unidimensional o multidimensional.
 1/8
EL MODELO UNIDIMENSIONAL DE
LA SENSIBILIZACION DEL VAN

El anlisis unidimensional de la
sensibilizacin del VAN determina hasta
dnde puede modificarse el valor de una
variable para que el proyecto siga siendo
rentable.
Si en la evaluacin del proyecto se concluy que en el escenario
proyectado como el ms probable el VAN era positivo, es posible
preguntarse hasta dnde puede bajarse el precio o caer la cantidad
demandada o subir un costo, entre otras posibles variaciones, para que
ese VAN positivo se haga cero (VAN = 0 es el valor mnimo de
aprobacin del proyecto).
De aqu que al hacer el VAN igual a cero se busca determinar el punto de
quiebre o variabilidad mxima de una variable que resistira el proyecto.
 2/8
EL MODELO UNIDIMENSIONAL DE
LA SENSIBILIZACION DEL VAN

El VAN es la diferencia entre los flujos de

ingresos y egresos actualizados del proyecto.
Por lo tanto, para que el VAN sea igual a cero,
debe cumplirse que:
Ecuacin N 1, Donde:
I0 = Inversin Inicial
Yt Et Yt = Ingresos del perodo t
0 = - - I0 Et = Egresos del perodo t

(1+i)t (1+i)t i = Tasa de descuento

t = Perodo

Esta frmula deber desagregarse en funcin de las variables

que se van a sensibilizar.
 3/8
EL MODELO UNIDIMENSIONAL DE
LA SENSIBILIZACION DEL VAN

Ejemplo: Supngase, por ejemplo, que se desea determinar

las mximas variaciones posibles en los precios de la materia
prima y en el volumen de produccin y ventas.
Se descompone la ecuacin anterior, de manera que contenga
expresamente los dos elementos que se desea sensibilizar, se llega a
la siguiente expresin que resume los diferentes componentes de un
flujo de caja:

Ecuacin N 2:
p.q V.q cv.q C Dep VL
0 = ( + - - - - ) ( 1 K)
(1+i)t (1+i)t (1+i)t (1+i)t (1+i)t (1+i)t

Dep VL Ij ICT VD
+ + - I0 - - ICT + +
(1+i)t (1+i)t (1+i)t (1+i)t (1+i)t
 4/8
EL MODELO UNIDIMENSIONAL DE
LA SENSIBILIZACION DEL VAN

Dado que la ecuacin se desagreg en funcin de poder

sensibilizar el precio o la cantidad producida y vendida,
supngase un flujo de caja donde el precio (p) es de $100 la
unidad, la produccin y ventas (q) de 10,000 unidades
anuales, el costo variable (cv) unitario es de $30, el Costo
fijo (Cf) anual es de $150,000 y la depreciacin (Dep)
durante los diez aos de evaluacin, es de $100,000. Se
supondr que al trmino del stimo ao (j=7) se deber
reemplazar un activo cuyo precio de venta (Veq) alcanzar a
$250,000, su valor libro (VL) ser de $150,000 y la inversin
en su reposicin (Ij) alcanzar $500,000. Para llevar a cabo
el proyecto, debern hacerse inversiones por $1200,000 en
capital fijo (I0) y $300,000 en capital de trabajo (CT). El valor
de desecho del proyecto (VD) se estimar en $400,000. La
tasa de impuesto (k) a las utilidades es de un 10% y la de
costo de capital (i) es de 20%.
 5/8
EL MODELO UNIDIMENSIONAL DE
LA SENSIBILIZACION DEL VAN
(En Miles)
Flujo de Caja:
 6/8
EL MODELO UNIDIMENSIONAL DE
LA SENSIBILIZACION DEL VAN

Reemplazando los valores en la ecuacin N 2, se obtienen

los siguientes resultados:
p.q
0 = ( + 69,770 1257,742 628,871 419,247 41,862 ) (0.9)
(1+i)t

+ 419,247 + 41,862 1200,000 139,541 251,548 + 64,602

Dado que el modelo asume como constante la variable por

sensibilizar:

p.q

(1+i)t
 7/8
EL MODELO UNIDIMENSIONAL DE
LA SENSIBILIZACION DEL VAN

Puede expresarse como:

q 10,000
p = p = 41,925p
(1+i)t (1+i)t

Reemplazando con esto la ecuacin 2 despus de agrupar

trminos, se obtiene lo siguiente:

0 = (41,925p 2277,952) (0.9) 1065,378

De donde resulta que:

0 = 37,733p 2050,157 1065,378

 8/8
EL MODELO UNIDIMENSIONAL DE
LA SENSIBILIZACION DEL VAN

Por lo tanto, el precio que hace que se

cumpla la igualdad es, despejando la variable
p, igual a $82.57. Esto indica que el precio
puede caer hasta en un 17.43% para que, al
vender 10,000 unidades, se alcance un VAN
igual a cero.

p = $82.57
Fin de Sesin