07 Analisis de Sensibilidad

CAPITULO 7.
EVALUACIN DE PROYECTOS BAJO

INCERTIDUMBRE, ANLISIS DE RBOLES DE DESICIN,
ESCENARIOS, SENSIBILIDAD Y MODELACIN MONTE CARLO
MAESTRA EN FINANZAS CORPORATIVAS

( 9NA EDICIN 4TA VERSIN )
Carlos Gustavo Ardaya Antelo

Junio de 2012
Santa Cruz - Bolivia
Contenido de la sesin
Riesgo e incertidumbre
Arboles de decisin
Anlisis de escenario y sensibilidad
Modelo Monte Carlo
Resumen y conclusiones
Evaluacin de proyectos bajo incertidumbre, anlisis de arboles de decisin, sensibilidad, escenarios y Modelo Monte Carlo
finanzas@gustavoardaya.9f.com
Riesgo e Incertidumbre
El propsito de la evaluacin e inversiones es valorar las
perspectivas econmicas de un proyecto propuesto de
inversin
Es una metodologa para calcular el rendimiento esperado
con base en los pronsticos de los flujos de caja de muchas
variables de proyectos a menudo interrelacionadas.
El riesgo surge de la incertidumbre que incluye estas
variables proyectadas.
Arboles de decisin
Representacin del modelo para la toma de decisiones
A
Realizar
proyecto
Los circulos representan

las opciones a elegir.
B
C
No realizar
Proyecto
Las lineas seguidas al

cuadro las alternativas a
elegir.
F
Arboles de decisin: Ejemplo*

Stewart Pharmaceuticals
Co. esta considerando una
inversin en el desarrollo de una medicina para curar el
resfro comn.
El grupo de planeacin de la empresa, con representantes
de produccin, marketing e ingeniera a recomendado seguir
adelante si la medicina pasa la fase de prueba.
Esta pase preliminar costar en el primer ao un Mil millones
de dlares, el grupo espera tener un 60% de probabilidad
que las pruebas tengan xito.
Si fuese un xito la fase inicial, la empresa producira la
medicina a gran escala. La inversin en esta fase
representara 1,6 mil millones de dlares. La produccin se
llevara a cabo en los prximos cuatro aos.
(*) Ejemplo propuesto en diapositivas complementarias del Capitulo 8 de Ross-Westerfield-Jaffe, Finanzas

Corporativas, Sptima Edicin, con complementaciones adicionales del docente.
Arboles de decisin: Ejemplo

Inversin
Ao 1
Aos 2-5
Ventas
$7,000
Costos Variables
(3,000)
Costos Fijos
(1,800)
Depreciacin
(400)
U.A.I.I.
$1,800
Impuestos (34%)
(612)
Utilidad neta
$1,188
Flujo de Efectivo
-$1,600
4
$1,588
$1,588
= $3,433.75
(1.10)t
VAN = $1,600 +
t =1
Note que el Van es calculado a partir del ao 1, fecha de la inversin de 1.600

millones. Esto sucede en caso la produccin a gran escala con resultado exitoso.

Inversin
Ao 1
Aos 2-5
Ventas
$4,050
Costos Variables
(1,735)
Costos Fijos
(1,800)
Depreciacin
(400)
U.A.I.I.
$115
Impuestos(34%)
(39.10)
Utilidad Neta
$75.90
Flujo de Caja
-$1,600
$475
NPV = $1,600 +
.90
= $91.461
$(475
1.10)
t =1
Note que el Van es calculado a partir del ao 1, fecha de la inversin de 1.600

millones. Esto sucede en caso la produccin a gran escala con resultado no exitoso.
8-8

La empresa tiene que tomar dos desiciones:
Invertir
Realiza o no la prueba
Invierte o no invierte
VAN = $3.4 b
Exito
60%
Realizar
prueba
No
invertir
VAN = $0
Fracaso
40%
VAN = $91.46 m
No realizar
Prueba
NPV = $0
Invertir

Regresando a la primera fase, donde la desicin depende si: se debe o
no invertir. El pago esperado se ha calculado en fecha 1:
Pago
esperado
Prob.
Exito
Pago por
x
Tener exito
Prob.
Fracaso
Pago por
fracaso
Pago
= (.60 x $3,433.75) + (.40 x $0 ) = $2,060.25
esperado
El VAN evaluado en fecha 0 es:
VAN = $1,000 +
$2,060.25
= $872.95
1.10
Se hara la prueba
Anlisis de escenarios: Ejemplo

Podemos ver que el VAN es muy sensible ante cambios en las ventas.
En el ejemplo de Stewart Pharmaceuticals, una reduccin de 14% en
ventas representa una disminusin de 61% en el VAN:
$6,000 $7,000
= 14.29%
$7,000
$1,341.64 $3,433.75
= 60.93%
% VAN =
$3,433.75
% Ventas=
Por cada 1% de disminucin en ventas se puede esperar

una cada de 4.25% en el VAN:
4.25 =
60.93%
14.29%
10
Anlisis de sensibilidad y escenarios: Ejemplo

Combinando el anlisis de escenarios con el
anlisis de sensibilidad podemos aplicarlo al
ejemplo Stewart Pharmaceuticals:
Aplicando los siguientes tres escenarios:
1.
2.
3.
Siendo optimista se espera que en los prximos aos la

temporada fra sea severa y se tengan expectativas de
ventas superiores.
Se espera una temporada normal con cambios en ventas
y costos de acuerdo a lo esperado.
En el peor de los escenarios una temporada fra leve con
disminucin en ventas y aumentos en costos.
A continuacin se calcula el VAN para cada escenario

para los aos 2-5:
11

Variable
Inversin
Cambio % en Ventas
Precio unitario
Ventas (millones $us)

Costo Unitario
Costos Variables
Costos Fijos
Depreciacin
U.A.I.I.
Impuestos (34%)
Utilidad neta
Flujo de Efectivo
Pesimista Esperado Optimista Escenario pesimista

-1600
-1600
-1600
4
-20%
0%
20% NPV = $1,600 + $ 862 = $1.132,42
0,90
1,00
5.040
0,45
2.160
1.780
400
700
238
462
862
7.000
0,43
3.000
1.800
400
1.800
612
1.188
1.588
1,20
t =1
(1.10)t
10.080 Escenario esperado

0,42
4
4.320
$ 1.588 =
NPV = $1,600 +
.
$ 3.433,75
1991
(1.10)t
t =1
400
3.369
Escenario optimista
1.145,46
4
$2.623,54
= $ 6.716,27
2.223,54 NPV = $1,600 +
t
(
1
.
10
)
=
t 1
2.623,54
12

Sensibilizando diversas variables de Stewart Pharmaceuticals
respecto al escenario esperado de acuerdo al cuadro siguiente:
Variable
Pesimista
Inversin
Optimista
-1.500
-1.600
-1.700
0,90
1,00
1,20
Pecio de Venta
Costos Variables Unit.
Costos Fijos
Esperado
0,45
0,43
0,42
1.881
1.800
1.790
Al combinar de manera independiente cada una con el escenario

esperado tendramos los siguientes VAN:
Variable
Pesimista Esperado Optimista
Inversin
$ 1.833
$ 3.434
$ 5.034
Ventas
$ 3.225
$ 3.434
$ 6.363
Costos Variables
$ 3.120
$ 3.434
$ 3.559
Costos Fijos
$ 3.264
$ 3.434
$ 3.455
13

Si a los VAN de los tres escenarios planteados inicialmente le asignamos
una probabilidad de ocurrencia como muestra el siguiente cuadro:
Escenarios
Probabilidad
VAN
Pesimista
Esperado
30%
40%
$ 1.132
$ 3.434
Optimista
30%
$ 6.716
Podramos calcular un VAN esperado combinado los escenarios

probables utilizando el calculo de la esperanza:
n
E[VA ( X )] = VA ( X ) xP( X ) *

r =1
Donde:
E VAN(X) = VAN esperado
P(X)
= Probabilidad de ocurrencia del escenario
VAN (X) = VAN asociado a cada probabilidad
(*) Frmula del VAN esperado de Nassir Sapag Chain, Evaluacin de Proyectos de Inversin en la
Empresa, Primera Edicin, Capitulo 9-Evaluacin de inversiones ante incertidumbre, pginas 253 a 254.
14

Realizando los clculos en la siguiente tabla obtenemos un E(VAN) de
$ 3.728 que representa el VAN con mayor probabilidad de ocurrencia:
Escenarios
Probabilidad
Pesimista
Esperado
Optimista
30%
40%
30%
100%
X .P(X)
VAN
1.132
3.434
6.716
EVAN(X)
(VAN(X)-XP(X))2 .P(X)
340
1.373
2.015
=
2.021.270
34.659
2.678.734
3.728
4.734.664
La ltima columna de la tabla tabula los clculos para la Desviacin

estndar [x ] que representa la variabilidad del EVAN(X) en su mismos
trminos
n
[x] = (VA ( X ) E [VA ( X )]) 2 xP( X )
[x] = 4.734.664 = 2.176,00

As mismo podemos utilizar la distribucin Normal estandarizada para
determinar las diferentes probabilidades de ocurrencia del VAN
(*) Frmula del la desviacin estandar adaptada de la original de Nassir Sapag Chain, Evaluacin de
Proyectos de Inversin en la Empresa, Primera Edicin, Capitulo 9-Evaluacin de inversiones ante
incertidumbre, pginas 253 a 254.
Anlisis de sensibilidad y
Distribucin de Probabilidades
15
escenarios:
Una regla emprica indica que en cualquier distribucin

normal las probabilidades delimitadas entre :
1 =
2 =
3 =
Z
68 %
95 %
99 %
68%
95%
-3
-2
-1
99%
0
z
1
EVAN(X)= $ 3.728
16
Anlisis de sensibilidad y
Distribucin de Probabilidades
escenarios:
Del grfico anterior se puede observar que la mayor probabilidad

de ocurrencia del VAN es cuando este es $ 3.728.
Por otro lado existe un 68% de posibilidad de que el VAN se site
entre $ 3.728 e incremente o disminuya en $ 2.176
Por otro lado se puede determinar la posibilidad de obtener un
VAN menor que cero:
Z=
X * 0 3.728
=
= 1,71
2.176
Utilizando la tabla de distribucin normal estndar obtenemos

para Z=1,71 obtenemos 0,4564, entonces: 0,50 0,4564 = 0,0436
Representando un 4,36% de obtener un VAN menor a cero
(*) Frmula del VAN esperado del libro deVictor Chungara Castro, Estadstica y probabilidades, Edicin
2001, Capitulo 9-Distribucin de probabilidades. Pgina 248.
17
Modelacin Monte Carlo

El Modelo Monte Carlo es un sistema que utiliza nmeros
aleatorios para medir los efectos de la incertidumbre en un
modelo de hoja de clculo.
El modelo Monte Carlo es aplicable a travs de un software
llamado Crystal Ball que simula la modelacin probabilstica:
18
Crystal Ball: Etapas de un modelo
19
Crystal Ball: Cmo funciona?
En Crystal Ball, se define un supuesto para una celda de valor

eligiendo una distribucin de probabilidad que describe la
incertidumbre de los datos en un celda.
El tipo de distribucin de probabilidad seleccionada depender de
las condiciones que tenga la variable.
Las distribuciones ms usadas son las siguientes:
Durante cada simulacin, Crystal Ball calcula muchos escenarios

tomando aleatoriamente los valores de la distribucin y
recalculando todo el modelo, esto en muy pocos segundos.
Seleccionar correctamente una distribucin de probabilidad es muy
importante para el resultado u objetivo del modelo
20
10
Crystal Ball: Cmo funciona?

Seleccionar una distribucin para un supuesto es uno de los
pasos ms desafiantes al crear un modelo Crystal Ball. Crystal
Ball cuenta con 21 distribuciones continuas y discretas que
puede utilizar para describir un supuesto:
Una distribucin de probabilidad continua supone que todos los
valores en el rango son posibles, por lo tanto, cualquier rango
contiene un nmero infinito de valores posibles. Estas
distribuciones son curvas slidas y suaves.
Una distribucin de probabilidad discreta describe valores
distintivos, finitos y comnmente enteros. Estas distribuciones
aparecen como columnas de diferentes alturas ubicadas una al lado
de la otra.
El primer paso para seleccionar una distribucin de probabilidad

es utilizar los datos disponibles para la variable. Si no existiesen
datos, use sus conocimientos de la fsica o las condiciones de la
variable para ayudarlo a seleccionar una distribucin.
21
Crystal Ball: Como funciona?

COMIENZA AQU:
Comienza con un modelo de hoja de clculo
que represente el proceso de negocio.
PRODUCTO
Unidades Vendidad
Precio Unitario
Total Ingresos
Costo Variable Unit.
Total Costo Variable
Total Costo Fijo
Total Costo
Ingreso Neto
X
$
$
$
$
$
$
$
10
10,00
100,00
5,50
55,00
20,00
75,00
25,00
Generar el siguiente nmero aleatorio
Asignar una adecuada distribucin

de probabilidad que describa la
variabilidad del valor de entrada
Solo para la PRIMERA ITERACIN,

Generar el siguiente nmero aleatorio
(Entre 0 y 1)
Convertir el nmero aleatorio

en un valor muestral
(Entre 0 y 1)
Recalcular la hoja de
clculo y grabar los
resultados de la iteracin
Transformar esta distribucin de

probabilidad en distribucin
acumulada
Introducir los
valores de muestra
a la hoja de trabajo
de clculo
PRODUCTO
Unidades Vendidad
Precio Unitario
Total Ingresos
Costo Variable Unit.
Total Costo Variable
Total Costo Fijo
Total Costo
Ingreso Neto
X
$
$
$
$
$
$
$
10
10,00
100,00
5,50
55,00
20,00
75,00
25,00
22
11
Crystal Ball: Ejemplo

Tasa de descuento
10%
Inversion Inicial
(Ao 1)
(1.600,00)
Variable
Inversin
Cantidad Vendida(miles)
Ao 2-5
7.000
Precio unitario
Assumption: Cantidad Vendida(miles)
1,00

Costo Unitario
Costos Variables
Costos Fijos
Depreciacin
U.A.I.I.
Impuestos (34%)
Utilidad neta
Flujo de Efectivo
VAN
7.000
0,43
3.000
1.800
400
1.800
612
1.188
1.588
Normal distribution with parameters:

Cantidad Vendida (Miles)
7.000
Std. Dev.
3.000
Assumption: Costo Unitario

Triangular distribution with parameters:
Minimum
0,32
Likeliest
0,43
Maximum
0,60
$b 3.433,75
23

Tasa de descuento
Variable
Inversin
10%
Inversion Inicial
(Ao 1)
(1.600,00)
Cantidad Vendida(miles)
7.000
Precio unitario
1,00

Costo Unitario
Costos Variables
Costos Fijos
Depreciacin
U.A.I.I.
Impuestos (34%)
Utilidad neta
Flujo de Efectivo
VAN
Ao 2-5
7.000
0,43
3.000
1.800
400
1.800
612
1.188
1.588
$b 3.433,75
Assumption: Precio unitario

Triangular distribution with parameters:
Minimum
0,90
Precio Unitario
1,00
Maximum
1,10
Assumption: Costos Fijos

Uniform distribution with parameters:
Minimum
Maximum
1.700,00
2.200,00
24
12

En este reporte se observa la media o VAN esperado de $ 3.391,26
con una Desv. Estndar de $ 6.175,86
Trials
Mean
Median
Mode
Standard Deviation
Variance
Skewness
Kurtosis
Coeff. of Variability
Minimum
Maximum
Range
Width
Mean Std. Error
Forecast values
10.000
$b3.391,26
$b3.330,38
--$b6.175,86
$b38.141.250,99
0,1318
2,76
1,82
($b11.826,82)
$b25.580,55
$b37.407,37
$b61,76
25

En este reporte se observa que existe un 30,37% de probabilidad de
que el VAN pueda ser menor que 0 es decir VAN negativo:
26
13
Bibliografa
Bibliografa Bsica:
Ross-Westerfield-Jaffe, Finanzas Corporativas, Sptima Edicin,
Capitulo 8-Anlisis del riesgo, opciones reales y presupuesto de
capital, pgina 212 a 228
Nassir Sapag Chain, Evaluacin de Proyectos de Inversin en
la Empresa, Primera Edicin, Capitulo 9-Evaluacin de
inversiones ante incertidumbre, pginas 253 a 256.
Bibliografa complementaria:
Oracle, Crystall Ball User Manual, Crystall Ball, version 11.1.1
M.L. Berenson-D.M. Levine, Estadstica para administracin y
economa, Edicin Mc Graw Hill, Capitulo 6, Distribucin de
probabilidades bsicas, pgina146 a 197.
Victor Chungara Castro, Estadstica y probabilidades, Edicin
2001, Capitulo 9-Distribucin de probabilidades. Pgina 227 a 255.
27
14

07 Analisis de Sensibilidad

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

07 Analisis de Sensibilidad

Загружено:

Авторское право:

Доступные форматы

CAPITULO 7.

EVALUACIN DE PROYECTOS BAJO

MAESTRA EN FINANZAS CORPORATIVAS

Carlos Gustavo Ardaya Antelo

Los circulos representan

Las lineas seguidas al

Arboles de decisin: Ejemplo*

(*) Ejemplo propuesto en diapositivas complementarias del Capitulo 8 de Ross-Westerfield-Jaffe, Finanzas

Arboles de decisin: Ejemplo

Note que el Van es calculado a partir del ao 1, fecha de la inversin de 1.600

Arboles de decisin: Ejemplo

Note que el Van es calculado a partir del ao 1, fecha de la inversin de 1.600

Arboles de decisin: Ejemplo

Arboles de decisin: Ejemplo

Anlisis de escenarios: Ejemplo

Por cada 1% de disminucin en ventas se puede esperar

Anlisis de sensibilidad y escenarios: Ejemplo

Siendo optimista se espera que en los prximos aos la

A continuacin se calcula el VAN para cada escenario

Anlisis de sensibilidad y escenarios: Ejemplo

Ventas (millones $us)

Pesimista Esperado Optimista Escenario pesimista

10.080 Escenario esperado

Anlisis de sensibilidad y escenarios: Ejemplo

Al combinar de manera independiente cada una con el escenario

Pesimista Esperado Optimista

Anlisis de sensibilidad y escenarios: Ejemplo

Podramos calcular un VAN esperado combinado los escenarios

E[VA ( X )] = VA ( X ) xP( X ) *

Anlisis de sensibilidad y escenarios: Ejemplo

La ltima columna de la tabla tabula los clculos para la Desviacin

[x] = 4.734.664 = 2.176,00

Una regla emprica indica que en cualquier distribucin

Del grfico anterior se puede observar que la mayor probabilidad

Utilizando la tabla de distribucin normal estndar obtenemos

Modelacin Monte Carlo

Crystal Ball: Etapas de un modelo

Crystal Ball: Cmo funciona?

En Crystal Ball, se define un supuesto para una celda de valor

Durante cada simulacin, Crystal Ball calcula muchos escenarios

Crystal Ball: Cmo funciona?

El primer paso para seleccionar una distribucin de probabilidad

Crystal Ball: Como funciona?

Generar el siguiente nmero aleatorio

Asignar una adecuada distribucin

Solo para la PRIMERA ITERACIN,

Convertir el nmero aleatorio

Transformar esta distribucin de

Crystal Ball: Ejemplo

Assumption: Cantidad Vendida(miles)

Ventas (millones $us)

Normal distribution with parameters:

Assumption: Costo Unitario

Crystal Ball: Ejemplo

Ventas (millones $us)

Assumption: Precio unitario

Assumption: Costos Fijos

Crystal Ball: Ejemplo

Crystal Ball: Ejemplo

Вам также может понравиться

E[VA ( X )] = VA ( X ) xP( X ) *