1

Rentabilidad econmica-financiera y modelo DuPont

Olmer Paul Capatinta Aparicio
Al estar en constante cambio y se requiere informacin financiera gil y veraz, los
empresario, inversionistas y accionistas requieren informacin actualizada y detallada de sus
inversiones para la toma de decisiones, tener claro en qu sectores incrementar o reducir la
inversin, con el fin de obtener mayores utilidades. Es as que una de las herramientas que
utilizan los inversionistas para analizar y tomar decisiones son los indicadores financieros
siendo uno de los ms importantes en relacin a la rentabilidad, el ROE (Return on equity)
dado que los inversionistas buscan que sus inversiones les genere un retorno o rentabilidad
satisfactoria sobre el patrimonio invertido. Si bien la rentabilidad es un factor determinante
para analizar una empresa y la tomar de decisiones, es as que surge la gran disyuntiva Qu
beneficios nos ofrece el modelo DuPont frente al analizar la rentabilidad Econmicafinanciera?, El presente ensayo busca demostrar que el modelo Dupont proporciona mayor
informacin en variables y posibilidades de inversin y reduccin en costos proporcionando
informacin analtica y grfica para la toma de decisiones.
INTRODUCCION
Un problema relevante de un administrador o de un ingeniero en un ambiente altamente
globalizado es realizar excelentes pronsticos del futuro, sobre todo en presencia de riesgo e
incertidumbre. Por ejemplo, en problemas cotidianos de nuestro entorno como maximizar un
portafolio de inversiones. Al considerar el modelo matemtico de este portafolio, observamos
que no es difcil encontrar una solucin de manera que el retorno esperado sea mximo, esta
posible solucin del problema puede ser encontrada usando programacin lineal en el caso en
que el modelo se comporte como tal, o bien utilizando un mtodo alternativo. Sin embargo

esta solucin solamente es una respuesta al momento presente, seguir siendo vlida dentro
de un ao, un mes o tres aos?, o a largo plazo cul ser la mejor inversin?
Observemos que no solamente queremos hacer un buen pronstico de las inversiones, sino
adems queremos que stas sean mximas en determinado tiempo, es decir que alcancen
valores ptimos. As esperaremos al final del proyecto de inversin un retorno mximo.
Por tanto al hacerse ms complejo el mundo de los negocios, ha aumentado la necesidad de
asegurar, sobre cierta base racional, el futuro. Se necesitan planear ventas, tasas de inters
para futuras inversiones, indicadores econmicos para planeamiento financiero, niveles de
ingreso, inventarios, tasas de natalidad, desempleo, etc.
En el caso de optimizar un modelo lineal usando Solver de Excel y realizando el estudio de
sensibilidad, podramos mantener vlida nuestra solucin siempre y cuando, nuestras
variables tengan un dominio adecuado dentro de los rangos asignados en el estudio de
sensibilidad, de lo contrario tendramos que volver a optimizar en cada caso y por tanto
cambiar de nuevo nuestra inversin para posibles cambios del dominio de las variables.
Ventajas y desventajas de la simulacin
La simulacin es una herramienta de amplia aceptacin por parte de los gerentes por varias
razones:
1. Es relativamente directa y flexible, y se puede utilizar para comparar muchos escenarios
diferentes.
2. Los avances recientes en software hacen que sea muy sencillo desarrollar algunos modelos
de simulacin.

3. Sirve para analizar situaciones reales grandes y complejas, que los modelos convencionales
de anlisis cuantitativo no pueden resolver. Por ejemplo, no es posible construir un modelo
matemtico de un sistema gubernamental de una ciudad que incorpore factores econmicos,
sociales, ambientales y polticos importantes. La simulacin se ha empleado con xito para
modelar sistemas urbanos, hospitales, sistemas educativos, economas nacionales y estatales,
e incluso sistemas de alimentacin mundial.
4. La simulacin permite preguntas del tipo qu sucedera si? A los gerentes les gustara
saber de antemano qu opciones son atractivas. Con una computadora, el gerente puede
intentar varias decisiones polticas en unos cuantos minutos.
5. Las simulaciones no interfieren con el sistema real. Por ejemplo, quiz sera demasiado
perturbador experimentar nuevas polticas o ideas en un hospital, escuela o planta de
manufactura. Con simulacin, los experimentos se hacen en el modelo no el sistema real.
6. La simulacin nos permite estudiar el efecto interactivo de los componentes o variables
individuales para determinar cules son importantes.
7. El tiempo de compresin es posible con simulacin. El efecto de ordenar, publicar o
aplicar otras polticas durante muchos meses o aos se puede obtener con la simulacin por
computadora en un tiempo muy corto.
8. La simulacin acepta la inclusin de complicaciones del mundo real que la mayora de los
modelos de anlisis cuantitativo no acepta. Por ejemplo, algunos modelos de lneas de espera
requieren una distribucin exponencial o de Poisson; en tanto que algunos modelos de
inventarios y de redes requieren una distribucin normal. Pero la simulacin puede usar
cualquier distribucin de probabilidad que defina el usuario; no necesitan una distribucin en
particular. RENDER p.535

Las principales desventajas de la simulacin son:

1. Los buenos modelos de simulacin para situaciones complejas suelen ser muy costosos.
Con frecuencia el desarrollo del modelo es un proceso tardado y complicado. Por ejemplo, un
modelo de planeacin corporativa tomara meses o aos para desarrollarse.
2. La simulacin no genera soluciones ptimas para los problemas como lo hacen otras
tcnicas de anlisis cuantitativo, por ejemplo, la cantidad ptima a ordenar (lote econmico),
programacin lineal o PERT. Es un enfoque de ensayo y error que puede generar diferentes
soluciones de una corrida a otra.
3. El gerente debe generar todas las condiciones y restricciones para la solucin que desea
examinar. El modelo de simulacin no produce respuestas por s mismo.
4. Cada modelo de simulacin es nico. Sus soluciones e inferencias no suelen transferirse a
otros problemas. RENDER p.536

Optimizacin
Un ejercicio cotidiano es elegir la opcin ms adecuada entre varias opciones, es decir,
encontrar la mejor solucin a un problema determinado, entre un conjunto factible de
soluciones. La mayora de las veces se nos presenta un conjunto grande de posibles
restricciones y debemos obtener un modelo matemtico del problema para poder resolverlo,
desde luego tambin queremos que este modelo sea lo ms cercano a la descripcin del
problema real.
La teora que nos proporciona los resultados y herramientas adecuadas para estudiar este tipo
de problemas se llama Optimizacin Matemtica. Las aportaciones de esta teora se remontan

a los aos cuarenta y cincuenta del siglo pasado. Entre sus ramas importantes podemos
mencionar la Programacin lineal y no lineal, Programacin entera, Programacin Convexa,
Optimizacin Dinmica, etc, siendo indispensable tambin un conocimiento general en
Algebra Lineal y Anlisis Matemtico.
En este tipo de problemas podemos encontrar optimizacin sin restricciones y con
restricciones, sin embargo podemos observar que todos estos problemas sean con ms o
menos componentes matemticos son determinsticos, es decir, cada uno de ellos se puede
resolver con la tcnica adecuada. Si no existen restricciones o bien la restriccin es de
igualdad y con un nmero menor o igual de variables que la funcin objetivo, entonces la
respuesta al problema es el clculo diferencial, pues solamente lo que necesitamos es buscar
los extremos de una funcin; esto es, lo que conocemos como Optimizacin clsica. En
cambio, si las restricciones contienen una cantidad mayor de variables que la funcin objetivo
o hay restricciones de desigualdad, es fcil encontrar mtodos de resolucin. Por ejemplo, si
las restricciones y la funcin objetivo son lineales se utiliza la Programacin Lineal y el
Solver de Excel (Optimizacin no clsica).
Por el contrario, si las condiciones no se cumplen, tenemos las llamadas Condiciones de
Khun-Tucker, que en algunos casos funcionan para localizar puntos crticos. En otros casos
cuando fallan por ejemplo las condiciones anteriores se pueden usar en caso de tener
informacin imperfecta (la funcin objetivo puede no conocerse) mtodos numricos, como
por ejemplo el mtodo de Runge Kuta (Matemtica borrosa).
Estos procesos de optimizacin tienen como propsito central asignar de la mejor manera
posible los recursos para lograr el mximo de una funcin objetivo, teniendo en cuenta pocas
o muchas restricciones. Es decir, debemos escoger los mejores valores para el conjunto
formado por las variables de decisin con el fin de minimizar o maximizar una funcin

objetivo satisfaciendo limitaciones o restricciones de estas variables, usualmente las

restricciones se aplican mediante ecuaciones o inecuaciones.
Por tanto debemos tener un modelo matemtico que especifique la variable objetivo, por
ejemplo:
1-.Maximizar utilidades o la produccin, minimizar costos o recursos.
2-.Un conjunto de restricciones, y
3-.Un conjunto de variables de decisin.

MONTE CARLO
La historia de la simulacin se remonta 5,000 aos en el tiempo, a los juegos de guerra
chinos, llamados weichi. Despus, en 1780, los prusianos usaron los juegos como apoyo en
el entrenamiento militar. Desde entonces, todas las potencias militares importantes han usado
juegos de guerra para probar estrategias militares en condiciones simuladas. A partir del juego
militar y de operaciones se desarroll un nuevo concepto, la simulacin Monte Carlo, que fue
concebida como una tcnica cuantitativa por los grandes matemticos como John von
Neumann durante la Segunda Guerra Mundial. Trabajando con neutrones en el laboratorio
cientfico de Los lamos, Von Neumann us simulacin para resolver problemas de fsica,
cuyo anlisis manual o fsico era demasiado complejo o costoso. La naturaleza aleatoria de
los neutrones sugiri que una ruleta ayudara a manejar las probabilidades. Debido a la
naturaleza del juego, Von Neumann lo llam modelo Monte Carlo para estudiar las leyes de
probabilidad. Con el surgimiento y uso comn de las computadoras en los negocios en la
dcada de 1950, la simulacin creci como una herramienta administrativa. Se desarrollaron
lenguajes de computadora especializados en la dcada de 1960 (GPSS y SIMSCRIPT),

para manejar

los problemas de gran escala con mayor efectividad. En la dcada de 1980, se

desarrollaron programas preelaborados de simulacin para analizar situaciones que iban de

una lnea de espera a los inventarios. Tenan nombres como Xcell, SLAM, SIMAN, Witness
y MAP/1. RENDER p.536

Cuando un sistema contiene elementos que exhiben azar en su comportamiento, se puede

aplicar el mtodo Monte Carlo de simulacin. La idea bsica en la simulacin Monte Carlo es
generar valores de las variables que forman el modelo que se estudia. En los sistemas reales
hay muchas variables que tienen naturaleza probabilstica y que podemos querer simular.
Unos cuantos ejemplo de estas variables son: RENDER p.536
PASOS MONTECARLO
Cinco pasos para la simulacin Monte Carlo
1. Establecer las distribuciones de probabilidad para las variables importantes de entrada
2. Elaborar una distribucin de probabilidad acumulada para cada variable del paso 1
3. Establecer un intervalo de nmeros aleatorios para cada variable
4. Generar nmeros aleatorios
5. Simular una serie de pruebas

CONCLUCION

Para obtener informacin adecuada bajo un respaldo estadstico con el fin de escoger el
modelo ms confiable de pronstico de una manera rpida y fcil tenemos un aliado:
@Crystal Ball, l nos proporciona las herramientas adecuadas cuando Solver no puede
resolver nuestros problemas, ya sea por tener incertidumbre, o bien por no cumplir las
caractersticas necesarias, para ello contamos con: la simulacin Montecarlo para efectos de
riesgo de inversin, el CB Predictor para realizar pronsticos con los estudios estadsticos
correspondientes que respaldan la escogencia del mtodo adecuado, y, el OptQuest para
encontrar la solucin o inversin adecuada a largo plazo optimizando el retorno del portafolio

Referencias

Anderson, Sweeney, Williams. Mtodos cuantitativos para los negocios. Sptima edicin.
Mxico. Editorial Thomson.1999.
Azarang,M-Graca, E. Simulacin y anlisis de modelos estocsticos. McGraw-Hill. Mxico.
1996.
Bierman, Bonini, Hausman. Anlisis cuantitativo para la toma de decisiones. Editorial
McGraw-Hill. Mxico. 2000.
Crystal Ball. OptQuest 2.1 User Manual Decisioneering. Denver, Colorado. 2004.
Eppen, F/ Gould, G/ Schmidt, C.P/ Moore, J/ Weatherford, L. Investigacin de operaciones
en la ciencia administrativa. Prentice Hall. Mxico. 2000.
Evans J-Olson D. Introduction to Simulation and Risk Analysis. Prentice Hall.New Jersey.
2002.
Hanke / Reitsch. Pronsticos en los negocios. Prentice Hall. Mxico.1996.
Hillier /Hillier/Lieberman. Mtodos cuantitativos para administracin. Un enfoque y casos de
estudio, con hoja de clculo. McGraw-Hill, Inc. Mxico. 2000.
Makridakis.S. Forcasting in the 21st Century, Internacional Journal of forcasting, 7(2)(1991):
123-126.
Mathur, K/ Solow, D. Investigacin de operaciones. El arte de la toma de decisiones. Prentice
Hall. Mxico. 1996.

10

Referencias

Vzquez Tito, A. (2015). Diseo piramidal para el sistema DE COSTES ABC. Revista
Contable, (32), 94-103.
Carlos Fernando Cuevas, V., Guillermo, C., Jhon Alberto, C., Nelson Marino, C., & William
Fernando, S. (2004). Costeo ABC. Por qu y cmo implantarlo?. Estudios
Gerenciales, (092), 47.
Julio Castellanos, E. (2003). Revisin crtica al ABC y a los "nuevos mtodos de costeo".
Contadura Y Administracin, (209), 47.
da Costa Marques, M. C. (2012). Contribucin del modelo ABC en la toma de decisiones: el
caso universidades. Cuadernos De Contabilidad, 13(33), 527-543.
Cherres Jurez, S. L. (2010). Un caso de aplicacin del sistema ABC en una empresa
peruana: Frenosa. Contabilidad Y Negocios, 5(10), 29-43.
Caicedo, Nelson Marino; Castillo, Jhon Alberto; Cuevas Villegas, Carlos Fernando; Chvez,
Guillermo; Solarte, William Fernando; (2004). Costeo ABC. Por qu y cmo
implantarlo?. Estudios Gerenciales, julio-septiembre, 47-103.
Uribe Marn, R. (2011). Costos para la toma de decisiones. Bogot : McGraw-Hill, 2011.
Horngren, C., Foster, G., y Datar, S. (2012). Contabilidad de Costos: Un enfoque gerencial
(14 ed.). Mxico: Prentice Hall.