Facultad de Ciencias Económicas y Sociales

Escuela de Estadística y Ciencias Actuariales

Febrero 2013
 Contenido

I. Introducción:....................................................................................................................3

II. Conceptualización del Riesgo..........................................................................................5

1. El Riesgo y la Incertidumbre.........................................................................................5

2. Conceptualización Matemática del Riesgo..................................................................8

Definición de Medida.....................................................................................................8

2.1. La Medida de la Incertidumbre..........................................................................11

2.2. Definición de Riesgo...........................................................................................11

3. Análisis del Riesgo (Risk Analysis)..............................................................................12

3.1. El Enfoque Analítico............................................................................................12

3.2. El Enfoque de Simulación...................................................................................13

4. Determinación del Riesgo Asociado a un Proyecto de Inversión..............................15

4.1 Caso Univariante.................................................................................................15

4.2 Caso Multivariante..............................................................................................20

2
 «Los individuos que sólo pueden hablar de algún
fenómeno en forma cualitativa, poco o casi nada
saben, mientras que aquellos que con paciencia
intentan medirlos y son capaces de expresarlos
en términos cuantitativos, estarán en
posibilidades de obtener mayores alcances en el
conocimiento y en su búsqueda de la verdad.»
Galileo Galilei

I. Introducción:
El concepto “Epistemología” se considera frecuentemente equivalente al de “Teoría de
la Ciencia”, pero ese uso es más restrictivo y presupone la forma de entender saber y
ciencia desde el enfoque de la Filosofía Analítica.

La reflexión epistemológica se realiza en forma de una meta-observación sobre los

tipos y procesos del conocer humano (que a su vez son observaciones de grado
inferior). Por tanto la reflexión epistemológica puede recaer sobre conocimientos
científicos, pero no directamente sobre los cuerpos de doctrina o teorías sino sobre los
procesos en que se adquiere (contexto del descubrimiento) o se justifican esos
conocimientos.

En la meta-observación de cómo se explica un fenómeno, realizada desde el enfoque

del Empirismo Lógico, se pasa totalmente por alto el análisis de las condiciones que
posibilitan la constitución de la experiencia (problema esencial ya planteado por Kant -
pero ciertamente recurriendo a elementos apriorísticos, es decir, las "categorías"
independientes de la misma experiencia, y que se hallan en la misma capacidad
cognoscitiva del observador).

Al dejar de lado la observación de las condiciones (en la estructura misma cognoscitiva

del observador) que posibilitan al científico explicar ciertos fenómenos, el problema se
desplaza al examen del mismo proceso sobre enunciados y formulaciones: las de la ley
natural que se considera da razón de los fenómenos, y las del mismo proceso de
inferencia desde dicha ley a los fenómenos que habrá que comprender como casos de
aplicación de la ley.
3
El problema de la explicación científica se plantea al nivel de observación del "lenguaje y
lógica dominante en los enunciados científicos": El que una presunta ley natural sea
considerada como la razón de que se den ciertos fenómenos. Esto requiere que la
cuestión de la validez de la explicación científica sea contestada desde el punto de vista o
marco de referencia orientada al lenguaje (científico), las condiciones para que aceptar
que una ley natural sea o no aceptable como razón de la existencia de ciertos fenómenos.
O lo que es lo mismo: el razonamiento meta teórico realiza un examen de las condiciones,
en los mismos enunciados de leyes, o en las inferencias desde esos enunciados universales
a los particulares (el caso en que se aplica la ley) para que una explicación (como conjunto
de enunciados en relaciones internas que permiten pasar de unos a otros) sea o no
aceptable.

Por otra parte, una ontología es una especificación explícita de una conceptualización, es
decir proporciona una estructura y contenidos de forma explícita que codifica las reglas
implícitas de una parte de la realidad, independientemente del fin y del dominio de la
aplicación en el que se usarán o reutilizarán sus definiciones.

4
II. Conceptualización del Riesgo
Los orígenes del término riesgo parecen perderse en el tiempo, desconociéndose la
existencia de estudios que den cuenta de su uso a través de la historia (Luhmann,
1992).

En finanzas es muy frecuente el uso de dicho término, y se asocia con la posibilidad de

que ocurra un evento que se traduzca en pérdidas para los participantes en los
mercados financieros, como pueden ser inversionistas, deudores o entidades
financieras. El riesgo se deriva de la incertidumbre que existe sobre el valor de los
activos financieros, ante movimientos adversos de los factores que determinan su
precio; a mayor incertidumbre mayor riesgo.

 Riesgo es un conjunto de circunstancias que representan una posibilidad de

pérdida
 Riesgo es la incertidumbre de que ocurra una pérdida económica
 Riesgo es la posibilidad de que por azar ocurra un hecho que produzca una
necesidad patrimonial
 Riesgo es la eventualidad del suceso cuya realización ha de obligar al asegurador
a efectuar la prestación que le corresponde

Según algunos autores la palabra riesgo proviene del latín “risicare” que significa
“atreverse”. De acuerdo con el DRAE la palabra riesgo se refiere a: “Contingencia o
proximidad de un daño”, la cual proviene del italiano risico o rischio, y este del
árabe rizq, que significa lo que depara la providencia).

Fuera del ámbito financiero y de los seguros el concepto de riesgo se torna ambiguo y
con grandes dificultades e imprecisiones para su medición, por lo cual se ha
convertido en uno de los conceptos más usado en forma inadecuada, especialmente
en las ciencias sociales. Seguidamente se presenta un conjunto de de conceptos
basados en la teoría del conocimiento, que permitirán establecer con suficiente
precisión una definición de riesgo y su operacionalización.

1. El Riesgo y la Incertidumbre
En primer lugar se presenta la definición de certeza: En Wikipedia se afirma que
Certeza es la posesión plena de la verdad correspondiente al conocimiento perfecto.
La conciencia de ella permite la afirmación, sin sombras de dudas, con plena

5
confianza en que dicho conocimiento es válido. Basada en la evidencia supone un
conocimiento comunicable y reconocible por cualquier otro entendimiento racional.
La certeza se asocia a la seguridad la cual se considera como un estado de hondo
contenido subjetivo que nos hace sentir adecuadamente exentos de peligros reales o
potenciales dentro de un marco de lógico equilibrio psicológico.

En el extremo inferior del conocimiento se encuentra la ignorancia a partir de la cual

no se puede afirmar algo, y por tanto, no existe problema respecto al grado de
posesión de la verdad. Entre estos dos extremos en el grado del conocimiento
situamos un conocimiento que no es perfecto y no ofrece la suficiente confianza en su
validez por lo que pueden darse dos situaciones:

 La Duda. Se produce cuando la insuficiencia del conocimiento y confianza en la

validez del mismo es tal que no es posible efectuar afirmaciones. En la duda se da
un grado de conocimiento imperfecto y, consecuentemente, una desconfianza en
la validez. La duda es fuente de conocimiento cuando se reconoce la parte que
corresponde a la ignorancia y se convierte en motivación para el progreso del
conocimiento mediante el estudio y la crítica.

 La Opinión. Cuando el grado de conocimiento genera suficiente confianza en su

validez como para poder afirmarlo como verdadero, pero no de forma perfecta.
El que opina afirma, sí, pero no con perfecta confianza en la verdad de la
proposición con la que el conocimiento se manifiesta. Teniendo lo que se afirma
como verdadero se admite sin embargo la posibilidad del error y de la posible
verdad de la opinión contradictoria.

Cuando el grado del conocimiento no es absoluto, es decir, es insuficiente para

predecir con certeza el resultado de un experimento o el comportamiento de un
proceso, estamos en presencia de la incertidumbre la cual se definirá como la
incapacidad de predecir con exactitud el resultado de un evento o el comportamiento
de un determinado fenómeno.

En un nivel unidimensional se puede considerar que la duda se opone a certeza, así

como la inseguridad se opone a la seguridad, si trasladamos estas relaciones a un
plano cartesiano, podríamos ubicar a la duda en el primer cuadrante y a la certeza en
el segundo cuadrante. En el tercer cuadrante se ubicaría la inseguridad y en el cuarto
la seguridad, tal y como se muestra a continuación:
6
 La Duda: Se produce cuando la insuficiencia de Certeza: posesión plena de la verdad
correspondiente al conocimiento perfecto, su
conocimiento no permite efectuar afirmaciones. La
conciencia permite la afirmación, sin sombras
duda es fuente de conocimiento cuando se
de dudas, con plena confianza en la validez del
reconoce la parte que corresponde a la ignorancia y conocimiento. Basada en la evidencia supone
se convierte en motivación para el progreso del un conocimiento comunicable y reconocible
conocimiento mediante el estudio y la crítica. por cualquier otro entendimiento racional.

Seguridad: es un estado de hondo contenido

Inseguridad: Estado mental caracterizado por la
subjetivo que nos hace sentir adecuadamente
duda, basado en una falta de conocimiento sobre lo
exentos de peligros reales o potenciales
que ocurrirá o no en el futuro. Desconocimiento de
dentro de un marco de lógico equilibrio
las proporciones de la amenaza.
psicológico

Los eventos o experimentos inciertos (aquellos sobre los que no se tiene absoluta
certeza de su comportamiento o resultados) pueden tener resultado esperados
positivos, neutros o negativos. En vista de las consecuencias que pueden tener los
eventos inciertos con posibles resultados negativos para la sostenibilidad de
instituciones, sistemas, grupos sociales, administraciones, etc., es de fundamental
importancia conocer el grado de incertidumbre que se posee sobre el desenlace de
esos eventos.

La determinación del riesgo asociado a un proyecto de inversión tiene una jerarquía

similar a la determinación de la rentabilidad de esa inversión, dado que cualquier
decisión en torno a la aceptación del proyecto debe considerar simultáneamente la
información sobre la rentabilidad y sobre el riesgo. Por el contrario, no sería criticable
rechazar una propuesta de inversión sobre la base de la información aportada por
alguno de los indicadores de las dimensiones consideradas: rentabilidad o riesgo.

Los indicadores económicos y de incertidumbre (riesgo) trasladan la evaluación de

proyectos al campo bidimensional, donde se comparan los rendimientos esperados
de un proyecto con su nivel de riesgo. Esto es necesario porque muchos inversionistas
preferirán proyectos con un determinado rendimiento razonablemente seguro (bajo
riesgo) a rendimientos mayores, asociados a mayor riesgo.

Por lo general el procedimiento que se utiliza en este proceso de selección de

proyectos exige que primero se fije el máximo riesgo que se está dispuesto a aceptar
y luego se analicen los rendimientos de los proyectos que están por debajo de ese
nivel de riesgo, para seleccionar el de máximo rendimiento. En la gráfica siguiente se
ilustra la relación que existe entre el riesgo y el rendimiento de un proyecto, la cual
7
define el área de aceptación:
 TREMA

Recta del Riesgo y de la TIR

Riesgo del Proyecto

Riesgo Máximo Admisible

Área de proyectos aceptables

Tasa Interna de Retorno

2. Conceptualización Matemática del Riesgo

La introducción del concepto matemático de riesgo (Operacionalización) requiere
que previamente se acuda a la teoría de la medida para revisar el concepto de
medida:

Definición de Medida
Para introducir la definición de medida, es necesario que previamente se
introduzca el concepto de σ-álgebra: Dado un espacio muestral numerable Ω se
define como la σ-álgebra asociada a ese espacio muestral a la clase de todos los
sucesos posibles asociados a un experimento aleatorio. Formalmente la definición
de σ-álgebra es la siguiente:

Definición 1.
Un experimento aleatorio o un experimento estadístico es un experimento en el
cual:
(a) Todos los resultados del experimento son conocidos de antemano
(b) Cualquier realización del experimento resulta en un éxito que no se conoce de
antemano y
(c) El experimento puede ser repetido bajo idénticas condiciones

8
Es conveniente asociar un conjunto , a cada experimento el cual se corresponde
con el conjunto de todos los resultados posibles del experimento. Además se debe
asociar , con una clase no vacía, Œ de subcconjuntos de , una ( - álgebra).

Definición 2:
Sea Ω el espacio muestral asociado a un experimento aleatorio. Se define como σ-
álgebra asociada a Ω a la clase no vacía Œ de subconjuntos de Ω que cumple con
las siguientes propiedades:

i. Si E ε Œ entonces Ē ε Œ
ii. Si E1, E2, E3,……, constituye una sucesión infinita de sucesos de Œ,
entonces ( ¿ i=i ¿ ∞ Ei ) ϵ Œ

Definición 3
La estructura conformada por la dupla (Ω, Œ) se denomina espacio muesteral o
espacio probabilizable asociado al experimento aleatorio.
Una  - álgebra es una clase o familia no vacía de subconjuntos de  que es
cerrado bajo el arreglo de uniones y complementos contables y contiene al
conjunto vacío.
Los elementos de , son llamados puntos muestrales, cualquier conjunto E  Œ es
conocido como un evento o suceso. Evidentemente E es una colección de puntos
muestrales, se afirma que un suceso E ocurre sí el resultado del experimento
corresponde a un punto perteneciente a E. Cada único punto del conjunto es
conocido como un suceso simple o un suceso elemental.
Si el conjunto  contiene solamente un número finito de puntos, diremos que
(,Œ) es un espacio muestral finito. Si  contiene a lo más un número contable
de puntos llamaremos (,Œ) un espacio muestral discreto. Si  contiene muchos
puntos incontables, diremos que (,Œ) es un espacio muestral incontable. En
particular si  está onformado por rectángulos de Rn se denominará espacio
muestral continuo.

Definición 4
Una medida μ es una función definida en una σ-álgebra Œ sobre un conjunto Ω con
valores en el intervalo real extendido [0, ∞], que satisfaga las dos propiedades
siguientes: 9
a) La medida del conjunto vacío es cero: μ(∅) = 0.
b) La medida es numerablemente aditiva: si E1, E2, E3, ... es una sucesión
numerable de conjuntos disjuntos dos a dos de la σ-álgebra Œ y E es su unión,
entonces μ(E) es igual a la suma de las medidas de los Ei; esto es,

Definición 4
A la tripla (Ω, Œ, μ) se le denomina espacio de medida, y los elementos de Œ se
denominan conjuntos medibles.

Propiedades: Varias propiedades pueden ser deducidas directamente de la

definición:

 Monotonía
μ es monótona: si E1 y E2 son dos conjuntos medibles, con,
entonces:

 Uniones numerables
Si E1, E2, E3, ... es una sucesión numerable de conjuntos medibles, su unión será
también medible (por la definición de σ-álgebra) y por tanto:

Si se tiene además que En ⊆ En+1 para todo n, entonces:

 Intersecciones numerables
Si E1, E2, E3, ... es una sucesión contable de conjuntos medibles, y E n+1 ⊆ En para
todo n, entonces la intersección de los conjuntos E n es medible (de nuevo, por
la definición de σ-álgebra); más aún, si al menos uno de los En tiene medida
finita, entonces:

10
 Esta igualdad no es necesariamente cierta si ninguno de los E n tiene medida
finita; por ejemplo, para cada n ∈ N, tómese:

Todos estos conjuntos tienen medida infinita, de modo que el límite al lado
derecho de la igualdad es ∞; sin embargo, su intersección es vacía y por lo
tanto tiene medida 0.

 Medidas sigma-finitas
Un espacio de medida (Ω, Œ, μ) se dice finito si μ(Ω) es un número real finito
(en lugar de ∞). Se dice σ-finito (sigma finito) si Ω es la unión numerable de
conjuntos medibles de medida finita. Un conjunto en un espacio de medida
tiene medida σ-finita si es una unión numerable de conjuntos de medida finita.

Los números reales con la medida de Lebesgue estándar forman un espacio σ-

finito pero no finito. Considérese el intervalo cerrado [k, k+1] para cada entero
k; hay una cantidad numerable de tales intervalos, cada uno tiene medida 1, y
su unión es la recta real completa. Alternativamente, tómense los números
reales con la medida de conteo, que asigna a cada conjunto finito de números
reales el número de puntos en el conjunto.

Este espacio de medida no es σ-finito, ya que cada conjunto de medida finita

contiene finitos puntos, y se necesitaría una cantidad no numerable de ellos
para cubrir la recta entera. Los espacios de medida σ-finita tienen algunas
propiedades convenientes; así, la σ-finitud puede ser comparada a la
separabilidad de los espacios topológicos.

 Completitud
Un conjunto medible S es llamado un conjunto nulo si μ(S) = 0, y conjunto
despreciable si está contenido en uno nulo. La medida μ se dice completa si
todo conjunto despreciable es medible (y por tanto, nulo también).

Una medida puede extenderse a una completa considerando la σ-álgebra de

conjuntos T ⊆ Ω que difieren de un conjunto medible S en un conjunto
despreciable; esto es, tal que la diferencia simétrica T Δ S está contenida en un
conjunto nulo. En tal caso se define μ(T) = μ(S).
11
1.
2.1. La Medida de la Incertidumbre
Consideremos una función de medida P definida en una σ-álgebra Œ sobre
un conjunto Ω con valores en el intervalo real [0, 1], que satisfaga las
propiedades a) y b) de la definición de medida. Si los posibles inciertos
eventos que conforman la σ-álgebra los agrupamos en sucesos deseables y
en sucesos no deseables que cumplen con las siguientes condiciones:

i. P(E) > 0 para todo E ε Œ

ii. P(Ω) = 1

Entonces la función P sobre los sucesos inciertos constituye una medida de la

incertidumbre y corresponde a su probabilidad de ocurrencia. De la
definición anterior se concluye que el concepto de probabilidad en un caso
particular del concepto más general de medida.

Si la clase inicial de los sucesos deseables la denotamos por {E} entonces la σ-

álgebra generada por esa clase inicial es: {Ω, Ǿ; E, Ē}, donde Ǿ es el conjunto
vacío. Los eventos se clasifican en dos categorías: los deseados E y los no
deseados Ē.

2.2. Definición de Riesgo

En las condiciones expuestas en los párrafos precedentes, se define como
riesgo a la probabilidad de que ocurra un evento incierto no deseado, es
decir, es la medida de la incertidumbre asociada a la ocurrencia de un suceso
no deseado, la cual equivale a uno menos la probabilidad que ocurra su
complemento (el evento deseado).

Si el riesgo es la medida de la incertidumbre, es decir, una probabilidad,

entonces la determinación del riesgo de un proyecto equivaldrá a desarrollar
la distribución de probabilidad del estadístico o indicador económico que se
utilice para medir su rentabilidad.

Los criterios más utilizados en la evaluación de proyectos de inversión el

Valor Presente Neto (VPN) y la Tasa Interna de Retorno (TIR), ambos
constituyen una función de los flujos de fondos que generará el proyecto.
Estos flujos de efectivos dependerán del comportamiento de un conjunto de 12
 variables, algunas endógenas al proyecto y otras exógenas, no
necesariamente independientes entre ellas, tales como: Ventas, cobranzas,
tasa de inflación, tasas de interés pasivas y activas, vida útil, costo de los
insumos, valor de los medios de producción, tasa impositiva, etc.

Cuando una de esas variables tiene asociado un alto grado de incertidumbre,

o dicho de otra forma, cuando alguna de las variables consideradas en el flujo
de efectivo es aleatoria, el problema se reducirá a determinar la distribución
de probabilidad del criterio que se utilice para evaluar el proyecto. Este
problema resulta relativamente sencillo cuando la aleatoriedad es atribuible
a una sola variable.

3. Análisis del Riesgo (Risk Analysis)

En sentido amplio, análisis del riesgo (risk analysis) implica cualquier método,
cualitativo o cuantitativo, para medir el riesgo asociado a un evento incierto.
Existen numerosas técnicas al respecto, las cuales tiene por objetivo proporcionar
información útil a quien debe tomar una decisión para seleccionar un curso de
acción. Las decisiones son más acertadas cuando se comprenden mejor los niveles
de riesgo existentes y los que se están dispuestos a asumir.

Una vez que se reconoce la existencia de incertidumbre en la ocurrencia de

eventos no deseables, el paso siguiente es cuantificar el riesgo que involucra esa
situación de incertidumbre.

Cuantificar el riesgo significa determinar todos los valores posibles que una
variable asociada a un suceso no deseable puede tomar y determinar la
probabilidad relativa de cada uno de esos valores.

Después que se ha cuantificado el riesgo, es decir, se han determinado los posibles

resultados y sus respectivas probabilidades de ocurrencia, se pueden usar las
distribuciones de probabilidad para describir la situación. Una distribución de
probabilidad es una herramienta que permite presentar de modo resumido la
cuantificación del riesgo para una determinada variable. Hay básicamente dos
enfoques para el análisis cuantitativo del riesgo:

3.1. El Enfoque Analítico

Este método requiere que todas las distribuciones de las variables inciertas del
modelo sean descriptas matemáticamente. Luego estas ecuaciones se deben
13
combinar para derivar otra ecuación (estadístico) que describa la distribución
 de resultados posibles y cuya función de distribución es requerida. Este
enfoque no es práctico para la mayoría de los casos. No es simple describir
matemáticamente en términos de ecuaciones las distribuciones aun para un
modelo que no presente demasiada complejidad, como por ejemplo cuando
las variables poseen distribuciones normales. Se requieren habilidades
matemáticas y analíticas para poder llevar adelante este enfoque y en muchos
casos no conduce a soluciones prácticas, debido a que no siempre se puede
garantizar la independencia de las variables y en la mayoría de los casos la
combinación de distribuciones diferentes no concluye en otra distribución
conocida o fácil de operacionalizar.

3.2. El Enfoque de Simulación

Este enfoque descansa en la posibilidad y velocidad de las computadoras para
realizar gran cantidad de cálculos complejos en cuestión de segundos. En
sentido amplio, se puede definir simulación como el proceso de construir un
modelo lógico-matemático que interprete un sistema o proceso de decisión, y
experimentar con dicho modelo para comprender el comportamiento del
sistema u obtener información para la toma de decisiones. La simulación es
particularmente útil en problemas o situaciones que involucran incertidumbre.

La habilidad de generar una cadena de números aleatorios que sea

reproducible posteriormente es crucial para el éxito en la simulación. Estos
números aleatorios pueden transformarse en valores de variables aleatorias
de una distribución particular y pueden obtenerse tantos valores como se
desee y tantas veces como distribuciones de probabilidad existan en el modelo
a simular.

En la actualidad, los métodos en uso se focalizan en simples algoritmos

matemáticos para generar un nuevo número aleatorio en una secuencia a
partir del anterior. A pesar de que un algoritmo matemático es determinístico
(lo que significa que se puede predecir el próximo número en una secuencia
conociendo el algoritmo), la secuencia de números es aleatoria. Esto significa
que posee tres propiedades importantes:

1. Todos los números se distribuyen uniformemente entre 0 y 1.

2. Los números en la secuencia no tienen correlación serial.

14
3. La secuencia de números aleatorios tiene un ciclo largo, es decir, que
existen suficientes números en la secuencia antes de que algunos se repita
nuevamente.

Si estas propiedades no se cumplen, la simulación puede estar sesgada y

arrojar resultados erróneos.

La importancia de los números aleatorios generados como una distribución

uniforme radica en que pueden ser usados para la generación de variables
aleatorias con distribuciones más complejas.

En los modelos de simulación siempre hay que reproducir el comportamiento

de variables aleatorias y por lo general existe más varias variables que
interactúan entre si, estas variables, en la mayoría de los casos, tienen
distribuciones de probabilidad teóricas o empíricas, diferentes a la distribución
uniforme. Por lo tanto, para simular el comportamiento de dichas variables,
se debe utilizar un generador de variables aleatorias uniformes y una función
que transforme los números obtenidos de las variables aleatorias uniformes
en los valores de la función de probabilidad deseada.

Coss Bu, 2000, sostiene que existen varios métodos para transformar los
valores obtenidos de las variables aleatorias uniformes en los de las
distribuciones deseadas y entre los más utilizados menciona los siguientes:

 El método de la transformada inversa

 El método del rechazo
 El método de la composición
 Procedimientos especiales

En lo personal recomendamos el método de la transformada inversa, porque

existe un teorema que garantiza que dada una función de distribución F(x) = y,
con y є [0,1], entonces existe la función inversa F-1(x), de tal forma que x = F-
1
(y). Por otra parte muchas de las inversas de las funciones de distribución de
los principales modelos probabilísticos ya están tabuladas y disponibles en
varios software estadísticos.

15
 Debido a que este método utiliza la distribución acumulada F(x) de la
distribución a simular definida en el intervalo [0 , 1] a partir de los números
aleatorios uniformes se pueden establecer los valores simulados de la variable
aleatoria para la cual su valor acumulado es “y” o equivalentemente que sigue
una función de probabilidad f(x).

4. Determinación del Riesgo Asociado a un Proyecto de Inversión

Cuando en el cálculo del Valor Presente Neto intervienen variables aleatorias se
genera incertidumbre sobre los resultados del proyecto bajo análisis, lo cual induce
la necesidad de medir esa incertidumbre o equivalentemente determinar el riesgo
de la inversión.

Cuando algunas de las variables que intervienen en el cálculo del Flujo de Caja son
aleatorias, entonces los criterios que se utilizan para la evaluación del proyecto: el
VAN o la TIR, también serán variables aleatorias y por tanto, la determinación del
riesgo del proyecto equivale a establecer su distribución de probabilidad.

La determinación de la distribución de probabilidad del criterio utilizado para

evaluar el proyecto debe considerar dos casos: a) El caso univariante cuando solo
una de las variables consideradas en el cálculo del criterio es aleatoria y b) El caso
multivariante, cuando dos o más de las variable intervinientes en el cálculo del
criterio de evaluación, son variables aleatorias.

4.1 Caso Univariante:

Cuando alguna de las variables que intervienen en el cálculo de los ingresos o
de los egresos de un proyecto es aleatoria y el resto determinísticas, entonces
el flujo neto resultante para cada año será una función de esa variable
aleatoria y por tanto también constituirá una variable aleatoria.

Si el criterio de evaluación es el Valor Presente Neto entonces en la fórmula de

su cálculo se puede iniciar el contador en j = 0, teniendo presente que F 0
corresponde a la inversión del proyecto y por tanto siempre es negativo,
entonces el VPN y su valor esperado se puede expresar de la forma siguiente:
n n n
−j −j
VPN
n
=∑ F j ( 1+ i ) => E(VPN) = E[∑ F j ( 1+i ) ]= ∑ (1+i )− j E ( F j ) =
j=o j=o j=0
∑ (1+i )− j μ j.
j=0 16
Si se considera que los flujos de efectivo de un período a otro son
independientes, entonces la varianza se expresa de la siguiente forma:
Var ( VPN ) =Var ¿

Obviamente se requiere conocer la distribución de la variable aleatoria

incluida en el cálculo del flujo neto de efectivo del proyecto. Al determinar la
distribución del VPN, su valor esperado y su varianza, se puede tipificar y bajo
los preceptos del Teorema Central del Límite se considera que la variable
tipificada tiene un distribución normal de media cero y varianza uno, lo cual
posibilita el cálculo de probabilidades como se muestra en los ejemplos que se
presentan a continuación.

Ejemplo Nº 1
Un grupo de inversionistas evalúa un proyecto para producir quesos
pasteurizados cuya planta industrial se ubicará en una región ganadera, con
alta producción de leche.

La planta tiene compromisos para atender la demanda seis zonas a las cuales
enviaría toda su producción cada dos meses, pero la selección de la zona será
aleatoria y todas las zonas tienen la misma probabilidad de ser seleccionadas
para el despacho de la producción, debido a que estos centros de consumo se
encuentran a distancias diferentes de la planta, los flujos de fondos anuales
serán menores en las regiones más alejadas y mayores en las más cercanas
debido a que los fletes representan una proporción importante del costo del
producto.

La inversión requerida por el proyecto es de 1.484 y los flujos de efectivo

estarán distribuidos uniformemente entre los siguientes valores: 500; 700;
900; 1.100; 1300 y 1.500. Si los inversionistas exigen un rendimiento mínimo
(TREMA) del 25% y el riesgo máximo que está dispuesto asumir es del 10%, ¿se
debe aceptar el proyecto?

Que el riesgo máximo aceptable por los inversionistas sea del 10%, significa
que P{VPN < 0} = 0,10 => P{VPN >0} > 0,90. Sobre la base de lo establecido en
el Teorema Central del Límite se procede a calcula la media y la varianza del
VPN para tipificar sus valores y procede a calcular la probabilidad deseada
mediante el uso de una tabla de la normal (0, 1). 17
 Del resumen de las distribuciones discretas más utilizadas en el cálculo del
riesgo se obtiene que la media y la varianza de la distribución uniforme
discreta se obtienen aplicando las siguientes fórmulas:

( F1 + F 2+ , … ,+ Fn ) ( 500+700+900+ 1.100+1.300+1.500 )
E ( X ) =μ= = =1.000
n 6

2 {( F 1−μ )2 +( F 2−μ )2 +, …+( F n−μ ) 2 }

σ = =¿
n

¿
[ ( 500−1.000 )2 +(700−1.000)2+ , … , ( 1.500−1.000 )2 ] =116.667
6

Luego se procede a calcular la media y la varianza del VPN, considerando que

este criterio es una función de los Fj, según lo expuesto en párrafos
precedentes. Los cálculos se muestran a continuación:

Cuadro Nº 1
Cálculo de la Media y de la Varianza del VPN
Años (1,25)-j µj E(VPN) [(1,25)-j]2 σj2 Var(VPN)
0 1,00 -1.484,00 -1.484,00 1,00 0,00 0,00
1 0,80 100,00 80,00 0,64 116.667,00 74.666,88
2 0,64 1.000,00 640,00 0,41 116.667,00 47.786,80
3 0,51 1.000,00 512,00 0,26 116.667,00 30.583,55
4 0,41 1.000,00 409,60 0,17 116.667,00 19.573,47
5 0,33 1.000,00 327,68 0,11 116.667,00 12.527,02
6 0,26 1.000,00 262,14 0,07 116.667,00 8.017,30
E(VPN) = 747,42 Var(VPN) = 193.155,03

Del Teorema Central de Límite se conoce que la variable:

μ j −E(VPN )
Z j= se distribuye como una N(0, 1), por tanto se infiere que
√2 Var (VPN )

0−747 , 42 −747,42
{
P{VPN > 0} = P Z > 2
√ 193.155,03
=P Z >
439,49 } {
=P { Z>−1,70 }=0,95543 }
18
Debido a que esta probabilidad excede al valor crítico de 0,90, es decir que el
riesgo se ubica en 0,4457 y por tanto es menor al máximo de 0,1 (10%)
establecido por los inversionistas, el proyecto puede ser acometido.

Ejemplo Nº 2
Un grupo de inversionistas evalúa un proyecto para la producción de bloques
de arcilla, en virtud que estos productos se consideran de baja densidad de
valor (el costo de transporte representa una proporción importante de su
precio de venta), la planta industrial debe ubicarse en la cercanía de la fuente
materia prima y su mercado debe estar en un radio no mayor de 100
kilómetros.

El monto de la inversión y de las ventas anuales son inciertos, pero los

promotores han logrado identificar tres posibles escenarios para el
comportamiento de los flujos de efectivo: uno pesimista, uno optimista y uno
más probable, los cuales se muestran en el cuadro siguiente.

Se considera que los flujos de efectivo entre dos períodos cualesquiera son
independientes y los inversionistas exigen una TREMA del 30% para evaluar
sus inversiones y el riesgo máximo que está dispuesto aceptar es del 15%.

Cuadro Nº 2
Distribución Triangular de los Flujos Netos de Efectivo
Año Estimación Estimación más Estimación
s Pesimista Probable Optimista
0 -2.800 -2.200 -1.800
1 400 1.000 1.200
2 450 1.100 1.400
3 500 1.200 1.600
4 500 1.300 1.800
5 500 1.400 2.000

Procediendo en forma similar al ejemplo anterior se calcula la media y la

varianza de los flujos netos de efectivo, para lo cual se utilizan las fórmulas
expuestas en el cuadro resumen de las distribuciones continuas más
importantes, en este caso específico se aplican las fórmulas correspondiente a
la media y la varianza de la distribución triangular. Luego se procede a calcular
la media y la varianza del VPN, como se muestra en el cuadro siguiente:
19
 Cuadro Nº 3
Cálculo de la Media y la Varianza del VPN

Años (1,30)-j µj E(VPN) [(1,30)-j]2 σj 2 Var(VPN)

0 1,00 -2.267 -2.266,67 1,00 42.222 42.222

1 0,77 867 666,67 0,59 28.889 17.094
2 0,59 983 581,85 0,35 39.306 13.762
3 0,46 1.100 500,68 0,21 51.667 10.704
4 0,35 1.200 420,15 0,12 71.667 8.786
5 0,27 1.300 350,13 0,07 95.000 6.891
E(VPN) = 252,82 Var(VPN) = 99.459

0−252,82 −252,82
{
P{VPN > 0} = P Z > 2
√ 99.459 } {
=P Z >
315,37 }
=P { Z>−0,80 }=0,7881

El resultado indica que el riesgo del proyecto se ubica en 0,2119, el cual supera
el límite máximo de 0,15 que los promotores están dispuestos a aceptar y por
tanto el proyecto debe ser rechazado.

Ejemplo Nº 3
A una empresa se le presenta la oportunidad de invertir en la explotación de un
pozo de petróleo, cuya vida útil es incierta. El monto de la inversión asciende a
6.000 y los administradores de la empresa estarían dispuestos a aceptar un
riesgo máximo del 20% solo si la rentabilidad del proyecto supera el 30%.
Considere que los flujos netos de efectivo que generará el proyecto tienen el
comportamiento como el que se muestra en el cuadro siguiente y que la vida
útil del pozo tiene la distribución de probabilidad que se presenta en el mismo
cuadro.

Cuadro Nº 4
Distribución de los Flujos Netos y de la Vida útil dl Proyecto
Años 1 2 3 4 5 6 7
Flujo Neto 3.500 3.000 2.500 2.000 1.500 1.000 500
Probabilidad 0,40 0,25 0,15 0,10 0,05 0,03 0,02

20
Sobre la base de las condiciones expuestas se pregunta lo siguiente: a) ¿Cuál es
la probabilidad que la rentabilidad del proyecto se superior al 30%? b) ¿Cuál es
la probabilidad que el proyecto sea aceptado?

Para responder las preguntas del problema, en primer lugar es necesario

calcular el VPN del proyecto descontado a la tasa del 30%, pero con una
pequeña modificación. En lugar de sumar los valores descontados, se calcula la
suma acumulada de dichos valores año a año, con el propósito de verificar si en
algún año el VPN se hace positivo.

En el cuadro que se inserta a continuación se muestran los cálculos que

permiten establecer el número de años que requiere el proyecto para devolver
a la economía el monto de la inversión que requirió:

Cuadro Nº 5
Cálculo del VPN del Proyecto
Años Fj (1,30)-j Fj(1,30)-j ∑Fj(1,30)-j
0 -6.000 1,00 -6.000 -6.000
1 3.500 0,77 2.692 -3.308
2 3.000 0,59 1.775 -1.533
3 2.500 0,46 1.138 -395
4 2.000 0,35 700 306
5 1.500 0,27 404 710
6 1.000 0,21 207 917
7 500 0,16 80 996
VPN(30%)
= 996

Como se puede apreciar en el cuadro precedente, el VPN se hace positivo en el

cuarto año, lo cual significa que con una vida útil de cuatro años o más el
proyecto tendría una rentabilidad superior al 30% y de acuerdo a las
condiciones del problema la probabilidad que la vida útil del proyecto sea
mayor o igual a cuatro años es de 0,20, lo cual responde a la primera pregunta.
En este caso el riesgo del proyecto está asociado a que su vida útil sea menor a
cuatro años y su probabilidad es el complemento a uno de la probabilidad
anterior, es decir, 0,80. Ahora bien como los administradores de la empresa
inversionista están dispuestos a aceptar un riesgo máximo del 20% entonces la
probabilidad de admitir este proyecto será cero. 21
4.2 Caso Multivariante
Cuando el número de variables aleatorias que deben considerarse en el cálculo
del flujo de efectivo neto es mayor a uno, y estas poseen distribuciones
diferentes y no necesariamente son independientes, el problema desde el
punto de vista estadístico, alcanza dimensiones de alta complejidad si se
pretende resolver aplicando la teoría clásica de probabilidades.

En estos casos Coss Bu, 1981 propone una solución alterna, por la vía de los
modelos de simulación, que se basa en la Teoría Frecuentista de la Probabilidad
y que consiste en simular los resultados de las variables aleatorias mediante su
ajuste al modelo probabilístico que mejor se le adapta. La descripción del
procedimiento paso a paso es la siguiente:

 Para un vector nx1 con p variables aleatorias y n-p determinísticas, se

determina la distribución de probabilidad de cada una de las variables
consideradas aleatorias, es decir, se verifica si se ajusta a alguno de los
modelo probabilísticos conocidos o se especifica el modelo empírico
asociado a esa variable aleatoria.

 Se calcula la inversa de la función de distribución de cada modelo

probabilístico.

 Para cada período proyectado se generan p números aleatorios entre

cero y uno y se les aplica la inversa de las funciones de distribución para
generar vectores aleatorios, que tendrán tantas componentes como
variables aleatorias se hayan identificado.

 A cada vector aleatorio se le aplica la fórmula del criterio que se use

para determinar la rentabilidad (VPN, TIR, etc.) y esto se repite un número
grande de veces, mientras más veces se repita, más aproximada será la
estimación.

 Finalmente se procede a encontrar la distribución de frecuencia

empírica del criterio utilizado y la función de distribución, lo cual permitirá
efectuar los cálculos probabilísticos requeridos y por tanto estimar el riesgo
asociado al proyecto.
22
En el diagrama que se inserta a continuación se ilustra el procedimiento
descrito:

23
Procedimiento Para Calcular el Riesgo en el Caso Multivariante

Revisión de los datos

del presupuesto de
inversiones, ingresos
y egresos

Construir el Flujo
de Caja

Clasificar las
variables en
aleatorias y en
determiníticas

Identificar las
distribuciones de
probabilidad de las
variables aleatorias

Generar número
aleatorios entre
cero y uno

1 1
F (x) Calcular la inversa F (x)
de la Función de
Distribución

Con cada grupo de n-p

valores generados y los
determinísticos calcular
el VAN o la TIR

Encontrar la distribución Construir la Función de 24

empírica del criterio Distribución del criterio
Bibliografía

1. Coss Bu Raúl, 1981. Análisis y Evaluación de Proyectos de Inversión. Editorial Limusa.

México

2. Coss Bu Raúl, 2000, Simulación Un enfoque práctico. Editorial Limusa. México.

3. Loève M. 1977, Probability Theory I, 4th Edition. Springer-Verlag. New York

4. Luhmann, Niklas. 1992. Sociología del riesgo. Universidad Iberoamericana. Universidad

de Guadalajara. La construcción social de la realidad. Barcelona PAIDOS.

5. Materiales sobre Epistemología:

http://sunwc.cepade.es/~jrivera/bases_teor/epistem_intro.html

6. Revuelta Javier, Ponsoda Vicente, 2003. Simulación de Modelos Estadísticos en

Ciencias Sociales. Editorial La Muralla. Madrid.

7. Pimentel Edmundo, 2009. Formulación y Evaluación de Proyectos de Inversión. En

edición

8. http://www.tdcat.cesca.es/TESIS_UPC/AVAILABLE/TDX-0416102-
075520/04Capitulo2.PDF

9. Wikipedia: La Enciclopedia Libre. http://es.wikipedia.org/wiki/Wikipedia:Portada

25