Professional Documents
Culture Documents
CONOCIDA
flujos de efectivo siguen una distribucin normal por lo que se utilizar el paquete
Minitab 14, adems se utilizar Excel para simular los escenarios necesarios y calcular
este caso de los flujos de efectivo. Para saber este comportamiento se utilizar el
decir, hay flujos en los que slo se contempla la colegiatura y otros en los que se
trabajar con datos que posean caractersticas similares. Debido a que no todos los flujos
cabo es quitar las inversiones para luego separarlos de manera que se trabajen con
flujos donde se tengan solo colegiaturas y por otra parte con flujos de colegiaturas
1
El pago de la inscripcin se realiza en los meses de agosto y para facilitar dicho pago tambin se puede
realizar en cuatro pagos mensuales.
donde tambin hay pago de inscripciones. En el apndice B se pueden apreciar los
debido a que stas son fijas, ya que hay una planeacin definida del instituto. Entonces,
inscripcin
Ya que los datos contienen tanto flujos negativos como positivos, en primera instancia
Ahora bien, procederemos a realizar cada una de estas pruebas para tratar de ajustar los
70
60
50
40
30
20
10
5
0.1
-500000 -250000 0 250000 500000 750000
C2
La figura 5.1, que fue obtenida con el paquete de Minitab 14, nos seala lo ajustados
que se encuentran los datos a la distribucin normal (lnea azul), donde los puntos rojos
representan los valores de los flujos de efectivo de colegiatura, es por ello que gracias a
esta grfica nos podemos dar cuenta de la diferencia que existe entre estos flujos y la
distribucin antes mencionada. Sin embargo, un modo ms fiable de comprobar que los
70
60
50
40
30
20
10
5
0.1
-500000 -250000 0 250000 500000 750000
C2
En este caso nos podemos dar cuenta en la figura 5.2 que el P-Value es de 0.010 y
como es menor que a entonces rechazamos H0 por lo que podemos concluir que los
obtenemos que:
Probability Plot of C2
Normal
99.9
Mean 144541
StDev 198978
99 N 161
KS 0.053
95 P-Value >0.150
90
80
Percent
70
60
50
40
30
20
10
5
0.1
-500000 -250000 0 250000 500000 750000
C2
apreciamos que el P-Value es mayor a 0.15 y con este resultado no rechazamos H0 por
lo que se concluye que no tenemos evidencia suficiente para rechazar que los datos se
Debido a que en dos de tres pruebas se rechaz que los datos se distribuyen normal se
puede concluir que los flujos de efectivo de colegiaturas no se pueden ajustar a una
tratar de transformar ciertos datos que no se pueden ajustar a una distribucin normal a
datos que si se pueden ajustar, pero cabe mencionar que este mecanismo no siempre
0.050
50
0.025
10
0.000
1 0.4
0.8 0.6 1.0 1.2
0.1 Z Value
-500000 0 500000 1000000 (P-Value = 0.005 means <= 0.005)
10
1
0.1
-2 0 2 4
Para comprobar que dichos datos se pueden ajustar a una distribucin normal,
70
60
50
40
30
20
10
5
0.1
-3 -2 -1 0 1 2 3
C7
Probability Plot of C7
Normal
99.9
Mean 0.008921
StDev 0.9889
99 N 161
RJ 0.992
95 P-Value 0.051
90
80
Percent
70
60
50
40
30
20
10
5
0.1
-3 -2 -1 0 1 2 3
C7
Fuente: Minitab 14
Probability Plot of C7
Normal
99.9
Mean 0.008921
StDev 0.9889
99 N 161
KS 0.056
95 P-Value >0.150
90
80
Percent
70
60
50
40
30
20
10
5
0.1
-3 -2 -1 0 1 2 3
C7
Como podemos darnos cuenta en las figuras 5.5, 5.6 y 5.7 el P-Value es mayor que a ,
por lo que podemos decir que no contamos con evidencia suficiente para rechazar la
normalidad.
En segundo trmino, trataremos los datos que contienen tanto colegiaturas como
70
60
50
40
30
20
10
5
0.1
-500000 0 500000 1000000 1500000
C5
En este caso podemos fijarnos en la figura 5.8 que el P-Value es de 0.286 y con esto no
podemos rechazar H0, por lo que podemos decir que no se cuenta con evidencia
70
60
50
40
30
20
10
5
0.1
-500000 0 500000 1000000 1500000
C5
Con los resultados que arroja esta prueba podemos darnos cuenta de que, como se
muestra en la figura 5.9, el P-Value es mayor a 0.10 por lo que tampoco se cuenta con
siguiente:
Probability Plot of C5
Normal
99.9
Mean 487376
StDev 279171
99 N 115
KS 0.065
95 P-Value >0.150
90
80
Percent
70
60
50
40
30
20
10
5
0.1
-500000 0 500000 1000000 1500000
C5
Como podemos observar, en la figura 5.10, en esta prueba el P-Value es mayor a 0.15
con lo cual se puede decir que no se cuenta con evidencia suficiente para rechazar la
normalidad.
Con lo anterior podemos concluir que no se cuenta con evidencia suficiente para
Como ya sabemos que los datos se pueden ajustar a una distribucin normal, entonces
nuestro objetivo, ahora, ser crear 1000 escenarios con variables aleatorias que
de enero del ao 2005 debido a que a partir de esa fecha los datos fueron proyectados.
2. Mediante el uso de Excel crear los escenarios para cada tipo de datos
3. Convertir los datos simulados, con la media y desviacin estndar de los flujos
Este punto es importante ya que para simular los escenarios es necesario saber los
provengan de una misma distribucin de la que provienen los datos originales, y como
La creacin de los escenarios se realizar utilizando Excel debido a que este paquete
cuenta con una funcin que calcula variables aleatorias provenientes de distintas
En la figura 5.11 se muestran los datos que se requieren para llevar acabo la simulacin
quieren generar dichos datos; parmetros; en esta parte se piden los datos que se
requieren para cada una de las distribuciones, es decir, en nuestro caso como es una
generarn datos aleatorios provenientes de una normal con una misma media y una
son flujos de efectivo sino datos que provienen de una ecuacin realizada por dicha
Zn es el dato n normalizado
Xn es el flujo de efectivo n
Despejando Xn tenemos:
Se llevar acabo una reordenacin de los datos simulados debido a que, como se
mencion anteriormente, fue necesario separar los datos de tal manera que trabajramos
como se observa en la figura 5.12, elaborada en Excel, los meses cambiaran de orden.
Figura 5.12 Flujos de Efectivo
Fuente: Elaboracin propia
el tiempo por lo que graficaremos los flujos originales para ver dicho comportamiento.
En la figura 5.13, elaborada en Excel, se muestra cmo estn distribuidos los flujos de
efectivo originales. Por una parte, los puntos que se encuentran en la parte superior
inscripcin simulados sern acomodados de menor a mayor, donde primer dato de cada
Por otra parte, todos los puntos que se encuentran por debajo de los puntos verdes son
por los datos negativos (puntos rojos), correspondientes a los meses de julio. El
segundo grupo, estar compuesto por los datos ms altos (puntos negros),
compuesto por los datos restantes (puntos azules), correspondientes a los meses de
En primer trmino, los primeros 22 datos de los 150 correspondern al primer grupo, ya
ya que la prdida es cada vez mayor. Ya una vez ordenados, el primer dato pertenecer
a julio de 2005; el segundo dato, a julio de 2006; el tercer dato, a julio de 2007 y as
En segundo trmino, los ltimos 21 datos de los 150 pertenecern al segundo grupo, ya
que los meses de diciembre son los flujos ms altos y tienen un comportamiento
Por ltimo, los datos restantes pertenecern al tercer grupo; donde el primer dato
Ahora bien, para calcular el VPN de cada escenario es necesario juntar de nuevo los
un principio.
Teniendo los 1000 escenarios con variables aleatorias procederemos a calcular el VPN
de cada uno de ellos, aplicando la ecuacin 2.3 a cada escenario. Para lograr este
elaborada en Minitab 14, se muestra un histograma de los 1000 valores presentes netos,
100
80
Frequency
60
40
20
0
-2400000 -1600000 -800000 0 800000 1600000 2400000
VPN's
Podra suponerse que los VPNs se distribuyen normal debido a que son calculados con
flujos de efectivo que provienen de una distribucin normal por lo que se puede
suponer que el VPN es una suma de normales, pero existe el factor inters con el que se
descuentan los flujos de efectivo. Es por ello, que procederemos a realizar las pruebas
de bondad de ajuste para una normal, ya que de esta manera podemos comprobar y
80
50
20
5
1
0.01
-3000000 -2000000 -1000000 0 1000000 2000000 3000000 4000000
C1
Probability Plot of C1
Normal
99.99
Mean 380984
StDev 803875
N 1000
99 RJ 0.999
P-Value >0.100
95
Percent
80
50
20
5
1
0.01
-3000000 -2000000 -1000000 0 1000000 2000000 3000000 4000000
C1
80
50
20
5
1
0.01
-3000000 -2000000 -1000000 0 1000000 2000000 3000000 4000000
C1
Como podemos observar el P-Value, en las tres pruebas, fue mayor a a , por lo que se
puede concluir que no se cuenta con evidencia suficiente para rechazar que los VPNs
se distribuyen normal.
es decir, calcular P(VPN > 0) y de esta manera comprobar que el Instituto Cosmos es
Para llevar a cabo lo anteriormente mencionado lo primero ser identificar las variables
media m y desviacin estndar s de los VPNs. Dichas variables son de $380, 984 y
X -m a-m a-m
2
P( X > a) = P( > ) = P( Z > )
s s s