Domingo, 17 de mayo de 2015

Administracin Financiera

Msc. Pedro Antonio Ruiz Martinez

Centro de Altos Estudios Universitarios
Centro de Investigaciones y Estudios Avanzados
Universidad Nacional Autnoma de Mxico
Universidad del Valle de Mxico
Universidad Riviera

Poltica de Dividendos

La poltica de dividendos forma parte de las decisiones de financiamiento de las empresas. La razn de pago
de dividendos establece la cantidad de utilidades que se puede retener en las compaas como fuente de
financiamiento. Sin embargo, retener una cantidad mayor de utilidades corrientes en las empresas significa
que se dispondr de menos recursos para los pagos corrientes de dividendos. Entonces, un aspecto importante
de la poltica de dividendos consiste en establecer la asignacin adecuada de utilidades entre pagos de divi-
dendos y adiciones a las utilidades retenidas de las empresas. Pero dicha poltica tiene otros aspectos impor-
tantes, como el legal, la liquidez y el control; la estabilidad de los dividendos; los dividendos y las divisiones
de las acciones; la readquisicin de acciones y las cuestiones administrativas.

Por principio de cuentas, nos enfocamos en una pregunta de dos partes: EL pago de dividendos puede
influir en la riqueza de los accionistas y, de ser as, la razn de pago de dividendos la incrementar
al mximo? Suponemos que el riesgo empresarial se mantiene constante. Para evaluar la pregunta de si la
razn del pago de dividendos influye en la riqueza de los accionistas, es necesario analizar primero la poltica
de dividendos de las empresas nicamente como una decisin de financiamiento que implica la retencin de
utilidades. Cada periodo, las compaas deben decidir si retener las utilidades o distribuir una parte o la totali-
dad entre los accionistas en forma de dividendos (en este apartado, se descarta la readquisicin de acciones).

Si las empresas tienen proyectos de inversin que rebasan sus rendimientos requeridos, es decir, con un Valor
Presente Neto (VPN) positivo, recurrirn a las utilidades, adems de los valores principales que resistirn el
incremento de la base de capital para financiar tales proyectos. Si les quedan utilidades despus de financiar
todas las oportunidades aceptables de inversin, se distribuirn entre los accionistas como dividendos. De lo
contrario, no habra dividendos. Si el nmero de oportunidades aceptables de inversin implicara una cantidad
de recursos que rebase el monto de las utilidades retenidas y los valores principales que sustentan tales utili-
dades retenidas, las empresas financiaran las necesidades extraordinarias con la mezcla de una nueva emisin
de capital y valores principales.

Cuando se trata de polticas de dividendos estrictamente como una decisin de financiamiento, el pago de
dividendos es un pasivo residual. El porcentaje de utilidades pagadas como dividendos fluctuar de un periodo
a otro para mantener las variaciones en el nivel de oportunidades de inversin aceptable para las empresas.
Si dichas oportunidades son abundantes, es posible que el porcentaje de utilidades pagadas sea cero. Por otra
parte, si las compaas no pueden encontrar oportunidades residuales de inversin, el pago de dividendos ser
del 100% de las utilidades. Cuando se presentan situaciones entre estos dos extremos, la razn del pago de
dividendos ser una fraccin entre cero y uno.

El manejo de la poltica de dividendos como un pasivo residual, determinado exclusivamente con base en la
disponibilidad de propuestas aceptables de inversin, implica que los dividendos son irrelevantes. Son en
realidad los dividendos slo una forma de distribuir fondos no utilizados? Debe ser, ms bien, el
pago de dividendos una variable de decisin activa con retenciones de utilidades como un efecto
residual? Para dar respuesta a estar interrogantes, es necesario analizar el argumento de que los dividendos
son irrelevantes, lo cual significa que los cambios en la razn de pago de dividendos (si se mantienen constantes
las oportunidades de inversin) no influyen en la riqueza de los accionistas.
 Domingo, 17 de mayo de 2015
Modelo de minimizacin de costos de agencia y de costos de transaccin

ste modelo formulado por Rozeff minimiza los costos de transaccin y los costos de agencia para optimizar la
poltica de dividendos de las empresas. El modelo combina los costos de transaccin que pueden ser controla-
dos, limitando el pago de dividendos, ya que recurrir al mercado tiene altos costos (riesgo) y por otra parte,
controlando los costos de agencia, aumentando el pago de dividendos, para evitar el uso ineficiente de los
recursos, dispersin de la propiedad, implica disminucin de control. La idea central del modelo es que el ratio
ptimo de pago de dividendos es el nivel donde la suma de estos costos se reduce al mnimo (Gutirrez Urza,
2009).

Si el costo total (CT) es la suma del costo de agencia asociado con el capital comn externo (CA) y el costo de
transaccin asociados con el financiamiento externo (CB), que se representa con la siguiente expresin:

= +
Modelo terico de la tasa ptima de pago de dividendos

Modelo I

Costos totales de agencia (CA): = +

Donde:

CFA = Costos fijos totales de agencia (aquellos que son independientes del monto de dividendos paga-
dos en el periodo)
CVA = Costos variables totales de agencia (los que cambian en razn inversa al monto de dividendos
pagados en el periodo).

La funcin de costos variables totales de agencia CVA se define con la siguiente expresin:

= ( )
Donde:

D = Total de dividendos pagados durante el periodo

X = Utilidad neta total de la firma obtenida en el periodo
c = Proporcin de disminucin marginal de CVA por el peso adicional pagado de dividendos.
b = Constante de proporcin

Se asume que es posible estimar los CVA cuando D = 0, como una proporcin que llamamos b respecto del
nivel de X. Por ejemplo:
= ( ) Por la ley de exponentes sabemos que el exponente cero equivale a 1.
Por lo tanto, tendremos:

=
Supongamos que b = 10% y que X = $10000. Cuando D = 0, obtenemos:

= . ( )

= $
 Domingo, 17 de mayo de 2015
Modelo II

De acuerdo al Modelo de Sealizacin de Lintner (1956) en su es-

tudio ya clsico, demostr que los gerentes consideraban utilidades
esperadas en el futuro, as como utilidades actuales, al establecer
polticas de dividendos supuestamente porque no estaran dis-
puestos a disminuir los dividendos en el futuro (Wong, 2007). De
manera similar al Modelo I, este modelo nos conduce a un pro-
blema de optimizacin no lineal pero ahora con restricciones
de desigualdad. Si k = tasa mnima aceptable de pago de dividen-
dos entonces se tiene el siguiente planteamiento:

Tomando los datos del ejemplo anterior, tendremos:

CFA = $20
= 20%
b = 10%
c = 0.1%
X = $10000
k = 12%

Sustituyendo datos en ecuacin, tendremos:

Min CT = 20 + 10% (10000) (1 0.1%) D + 20% (0.00)

Min CT = 20 + 1000

Min CT = 1020

kX = 12% (10000) por lo tanto, kX = $1200

Las condiciones necesarias que deben satisfacer los ptimos de problemas de optimizacin no lineal con res-
tricciones de desigualdad se conocen como las condiciones de Kuhn-Tucker y son una generalizacin del mtodo
de los multiplicadores de LaGrange para restricciones de desigualdad.
 Domingo, 17 de mayo de 2015
Variables aleatorias

Recuerda que entendemos como experimento a cualquier proceso que genera resultados bien definidos. Ahora
queremos concentrarnos en el proceso de asignar valores numricos a los resultados experimentales. Para
hacerlo presentamos la nocin de variable aleatoria.

Para cualquier experimento en particular una variable aleatoria puede definirse de modo que cada resultado
experimental posible genere exactamente un valor numrico para la variable aleatoria. Por ejemplo, si con-
sideramos el experimento de vender automviles un da en una concesionaria, podramos describir los resul-
tados experimentales en funcin de la cantidad de automviles vendidos. En este caso, si x = cantidad de
automviles vendidos, x se conoce como variable aleatoria. El valor numrico particular que asume este tipo
de variable depende del resultado del experimento; es decir, el valor especfico de la variable aleatoria no se
conoce hasta que se observa el resultado experimental.

Por ejemplo, si cierto da se

venden tres automviles, el valor
de la variable aleatoria es 3; si
otro da (una repeticin del expe-
rimento) se venden cuatro auto-
mviles, el valor es 4. Definimos
una variable aleatoria como si-
gue: Una variable aleatoria es la
descripcin numrica del resul-
tado de un experimento. Algunos
ejemplos adicionales y sus varia-
bles aleatorias asociadas se pro-
porcionan en la tabla a la dere-
cha. Aunque muchos experimentos tienen resultados experimentales que se prestan de manera muy natural a
representarse como valores numricos, otros no lo hacen.

Por ejemplo, para el experimento de lanzar una moneda una vez, el resultado experimental ser cara o cruz,
de los cuales ninguno tiene un valor numrico natural; sin embargo, podramos querer expresar los resultados
en funcin de una variable aleatoria. Por tanto, necesitamos una regla que pueda utilizarse para asignar un
valor numrico a cada uno de los resultados experimentales. Una posibilidad es establecer la variable aleatoria
x = 1 si el resultado experimental es cara, y x = 0 si el resultado experimental es cruz. Aunque los valores
numricos para x son arbitrarios, x es una variable aleatoria porque describe los resultados experimentales en
forma numrica.

Una variable aleatoria puede clasificarse ya sea como discreta o continua, dependiendo de los valores nu-
mricos que asuma. Si slo puede asumir una secuencia finita o infinita de valores (por ejemplo, 1, 2, 3,...) se
trata de una variable aleatoria discreta. La cantidad de unidades vendidas, el nmero de defectos observados,
el nmero de clientes que entra en un banco en un da de operacin, y as por el estilo, son ejemplos de
variables aleatorias discretas. Las primeras dos y la ltima variable aleatoria de la tabla anterior son discretas.
Otros ejemplos, como el peso, el tiempo y la temperatura que pueden asumir cualquier valor en un intervalo
determinado o en una coleccin de intervalos son variables aleatorias continuas. Tambin, la tercera variable
aleatoria de la tabla anterior es una variable aleatoria continua, ya que puede asumir cualquier valor del inter-
valo de 0 a 100 (por ejemplo, 56.33 o 64.223).

Una manera de determinar si una variable aleatoria es discreta o continua es pensar en los valores de la variable
como si fueran puntos de una recta. Elija dos puntos que representen los valores que la variable aleatoria podra
asumir. Si el segmento de recta entero entre los dos puntos tambin representa los valores posibles que la variable
aleatoria puede asumir, sta es continua.
 Domingo, 17 de mayo de 2015
Variables aleatorias discretas

Podemos demostrar el uso de una variable alea-

toria discreta al considerar las ventas de autom-
viles en DiCarlo Motors, Inc., con sede en Sara-
toga, Nueva York.

El propietario de esta compaa est interesado

en el volumen de ventas diario de los automvi-
les.

Suponga que x es una variable aleatoria que de-

nota la cantidad de automviles vendidos en un
da determinado. Los registros de ventas mues-
tran que 5 es el nmero mximo de automviles que DiCarlo vendi en un da. El propietario considera que el
historial de ventas anterior representa de manera adecuada lo que ocurrir en el futuro, as que esperaramos
que la variable aleatoria x asumiera uno de los valores numricos 0, 1, 2, 3, 4 o 5. Los valores posibles de la
variable aleatoria son fi nitos; por tanto, clasificaramos a x como una variable aleatoria discreta.

Distribucin de probabilidad de una variable aleatoria discreta

Suponga que al revisar los registros de ventas de

DiCarlo descubrimos que el ao pasado la em-
presa estuvo abierta durante 300 das. El volu-
men de ventas generado y la frecuencia de su
ocurrencia se resumen en la tabla anterior. Con
estos datos histricos disponibles, el propietario
de esta empresa piensa que el mtodo de fre-
cuencia relativa proporcionar un medio razona-
ble para evaluar las probabilidades de la variable
aleatoria x. La funcin de probabilidad, denotada
por f (x), determina la probabilidad de que la
variable aleatoria x tome un valor especfico. Dado que en 54 de los 300 das del historial de datos DiCarlo
Motors no vendi ningn automvil y como ninguna venta corresponde a x = 0, asignamos a f (0) el valor
54/300 = 0.18. De modo parecido, f (1) indica la probabilidad de que x tome el valor 1, as que asignamos
a f (1) el valor de 117/300 = 0.39. Despus de calcular las frecuencias relativas para los otros valores
posibles de x, podemos elaborar una tabla de valores de x y f (x). La tabla 3.3 muestra una presentacin
tabular de la distribucin de probabilidad de la variable aleatoria x.

Tambin podemos representar la distri-

bucin de x grficamente. En la figura
siguiente los valores de la variable alea-
toria x se muestran en el eje horizontal.
La probabilidad de que x tome estos va-
lores se muestra en el eje vertical. Para
muchas variables aleatorias discretas la
distribucin de probabilidad tambin
puede representarse mediante una fr-
mula que proporciona f (x) para todo
valor posible de x. Ilustramos este m-
todo en la seccin siguiente. En la ela-
boracin de una distribucin de proba-
bilidad discreta, siempre deben cum-
plirse dos requisitos:
 Domingo, 17 de mayo de 2015
El requisito f(x) 0 especifica que las probabilidades asociadas con cada valor de x deben ser mayores que o
iguales a cero, mientras que el requisito f(x) = 1 indica que la suma de las probabilidades de todos los
valores de la variable aleatoria x deben ser iguales a 1. La tabla anterior muestra que se satisfacen los requi-
sitos f(x) 0 y f(x) = 1; por tanto, la distribucin de probabilidad elaborada para DiCarlo Motors es una
distribucin de probabilidad discreta vlida.

Despus de establecer una variable aleatoria y su distribucin de probabilidad, podemos determinar una va-
riedad de informacin de probabilidad adicional, dependiendo de las necesidades e intereses de quien toma las
decisiones. Por ejemplo, en el problema de DiCarlo Motors la distribucin de probabilidad mostrada en la tabla
anterior se puede utilizar para proporcionar la informacin siguiente:

1. Existe una probabilidad de 0.18 de que no se venda ningn automvil durante un da.
2. El volumen de ventas ms probable es 1, con f (1) = 0.39.
3. Hay una probabilidad de 0.05 de un da de ventas excepcional en que se vendan cuatro o cinco auto-
mviles.

Utilizando informacin de probabilidad como la que acabamos de proporcionar, la administracin de DiCarlo

puede entender mejor las incertidumbres asociadas con la operacin de ventas. Quizs esta comprensin ms
profunda pueda servir como base para una nueva poltica o decisin que aumente la efectividad de la empresa.

Valor esperado

Despus de construir la distribucin de probabilidad para

una variable aleatoria, con frecuencia queremos calcular
la media o valor esperado de esa variable. El valor espe-
rado de una variable aleatoria discreta es un promedio
ponderado de todos los valores posibles de la misma,
donde los pesos son las probabilidades asociadas con los
valores. La frmula matemtica para calcular el valor es-
perado de una variable aleatoria discreta x es:

Como muestra la ecuacin E(x) =

= xf(x), las dos notaciones
E(x) y se utilizan para referirse al valor esperado de una
variable aleatoria. Para calcular el valor esperado de una
variable aleatoria discreta, debemos multiplicar el valor de la variable aleatoria por su probabilidad correspon-
diente y luego sumar los trminos resultantes. El clculo del valor esperado de la variable aleatoria (cantidad
de ventas diaria) para DiCarlo Motors se muestra en la tabla anterior. La primera columna contiene los valores
de la variable aleatoria x y la segunda columna seala sus probabilidades asociadas f(x). La multiplicacin de
cada valor de x por su probabilidad f(x) proporciona los xf(x) valores en la tercera columna. Siguiendo la
ecuacin E(x) = = xf(x), sumamos esta columna, a xf(x), para obtener el valor esperado de 1.50 auto-
mviles vendidos por da.

El valor esperado de una variable aleatoria es el valor medio o promedio. Para experimentos que pueden
repetirse varias veces, el valor esperado se interpreta como el valor medio a largo plazo para la variable
aleatoria. Sin embargo, el valor esperado no necesariamente es el nmero que pensamos asumir la variable
aleatoria la siguiente vez que se realice el experimento. De hecho, es imposible que DiCarlo venda exactamente
1.50 automviles en un da cualquiera. No obstante, si imaginamos que en esta compaa se venden autom-
viles durante muchos das en el futuro, el valor esperado de 1.50 automviles proporciona el volumen medio,
o promedio, de ventas diario.

El valor esperado puede ser importante para un administrador o gerente desde el punto de vista tanto de la
planeacin como de la toma de decisiones. Por ejemplo, suponga que DiCarlo Motors estar abierta 60 das
durante los tres meses siguientes. Cuntos automviles se vendern durante este tiempo? Aunque podemos
especificar las ventas exactas para cualquier da, el valor esperado de 1.50 automviles por da proporciona
una estimacin de ventas esperada o promedio de 60(1.50) = 90 automviles para el periodo siguiente de
tres meses. En cuanto a establecer cuotas de ventas o planear pedidos, el valor esperado puede ser una
informacin til para la toma de decisiones.
 Domingo, 17 de mayo de 2015
Varianza

El valor esperado proporciona una idea del valor medio o central para la variable aleatoria, pero con frecuencia
queremos una medida de la dispersin, o variabilidad, de los valores posibles de esta variable.

Por ejemplo, si los valores de la variable

aleatoria varan de muy grandes a muy pe-
queos, esperaramos un valor grande para
la medida de la variabilidad. Si los valores
muestran slo una variacin modesta, espe-
raramos un valor relativamente pequeo. La
varianza es una medida que se utiliza co-
mnmente para resumir la variabilidad de los
valores que asume una variable aleatoria. La
expresin matemtica para la varianza de
una variable
aleatoria dis-
creta es:

Como muestra la ecuacin Var(x) = 2 = (x )2 f(x), una parte esencial de la frmula de la varianza es
la desviacin, x , la cual mide la distancia de un valor particular de la variable aleatoria al valor esperado
o medio, . En el clculo de la varianza de una variable aleatoria discreta, elevamos al cuadrado las desvia-
ciones y luego las ponderamos por la probabilidad correspondiente. La suma de estas desviaciones cuadradas,
ponderadas para todos los valores de la variable aleatoria, es la varianza. En otras palabras, la varianza es un
promedio ponderado de las desviaciones elevadas al cuadrado.

El clculo de la varianza para la cantidad de ventas diarias en el problema de DiCarlo Motors se resume en la
tabla anterior. Vemos que la varianza para la cantidad de automviles vendidos por da es 1.25. Una medida
de variabilidad relacionada es la desviacin estndar, , que se define como la raz cuadrada positiva de la
varianza. Para DiCarlo Motors la desviacin estndar de la cantidad de automviles vendidos por da es:
= 1.25 = 1.118

Con el propsito de facilitar la interpretacin gerencial, la desviacin estndar puede preferirse sobre la varianza
debido a que se mide en las mismas unidades que la variable aleatoria ( = 1.118 automviles vendidos por
da). La varianza ( 2) se mide en unidades cuadradas y por tanto para un gerente es ms difcil interpretarla.

En este punto nuestra interpretacin de la varianza y la desviacin estndar se limita a comparaciones de la

variabilidad de diferentes variables aleatorias. Por ejemplo, si los datos de las ventas diarias de una segunda
concesionaria de DiCarlo en Albany, Nueva York, proporcionan 2 = 2.56 y = 1.6, podemos concluir que la
cantidad de automviles vendidos por da en esta concesionaria exhibe ms variabilidad que en la primera
concesionaria de DiCarlo, donde 2 = 1.25 y = 1.118.

Otra medida de tendencia central es el rango medio. Cuando se ordena un conjunto de datos de acuerdo a
su magnitud, siempre habr un valor ms bajo (L) y otro ms alto (H). El rango medio es un nmero situado
exactamente a medio camino entre ambos. Se determina sacando el promedio de las puntuaciones alta y baja:

+
=

Por ejemplo, en una muestra ordenada tenemos los siguientes datos: 3, 3, 4, 5, 5 y 7; por lo tanto, L = 3 y H
= 7. De esta manera, el rango medio ser:
+
= =

 Domingo, 17 de mayo de 2015
Una vez determinado el punto medio de un conjunto de datos, nuestra bsqueda de informacin se dirigir
de inmediato a las medidas de dispersin. Estas medidas de dispersin son el rango, la varianza y la des-
viacin estndar. Estos valores numricos describen la cantidad de dispersin o variabilidad que puede en-
contrarse entre los datos. Los datos estrechamente agrupados tendrn valores relativamente pequeos, mien-
tras que los ms extendidos poseern valores ms grandes de las diversas medidas de la dispersin.

El rango es la medida ms simple de la dispersin. Consiste en la diferencia entre las piezas de datos mayor
(H) y menor (L):
=

Por ejemplo, en la muestra 3, 3, 5, 6 y 8, el rango es 8 3 = 5.

El rango es una medida de la distancia a lo largo de todo el conjunto de datos. Las otras dos medidas de
dispersin la varianza y la desviacin estndar son en realidad medidas de dispersin alrededor de la media.
A fin de desarrollar una medida de dispersin alrededor de la media, consideremos primero el concepto mismo
de desviacin a partir de la media. Un valor individual x se desva de la media en una distancia igual a (x ).
Esta desviacin ser de cero si x tiene un valor igual al de la media. (x ); ser positivo si x es mayor que
, y negativo si x es menor que .

Por ejemplo, consideramos la muestra 6, 3, 8, 5 y 3.

6+3+8+5+3 25
Al calcular la media, tendremos: Media = = = =5
5 5

Ahora, obtenemos la desviacin de la media de cada una de las cinco piezas de datos de la siguiente manera:

65=1 35=2 85=3 55=0 35=2

Podramos suponer que la suma de todas estas desviaciones, (x ), puede funcionar como medida de
dispersin en torno a la media; sin embargo, debes observar con detalle que la suma de los valores (x ) en
la muestra anterior es exactamente cero. De hecho, siempre tendr valor de cero.

Con base en lo anterior, podemos entender que si esta medida va a ser siempre cero, no tendr ningn valor
para describir un conjunto particular de datos. No obstante, todava queremos utilizar el concepto de desviacin
alrededor de la media. De este modo puedes observar que parece haber un valor de cancelacin entre los
valores de x menores que la media (negativos) y los valores mayores que la media (positivos). Este efecto de
cancelacin podra evitarse si todas las desviaciones fueran positivas. Para realizar este paso, utilizamos el
valor absoluto de x representado por: |x - |. Con la muestra del ejemplo
anterior, obtenemos las desviaciones, cuya suma es 8.

Utilizando este dato, podemos definir un valor conocido como desviacin media = |x | = 8 = 1.6
n 5

Aun cuando esta medida particular de la desviacin no se emplea con frecuencia, si constituye una medida de
la dispersin.

Existe otra forma de eliminar el efecto de cancelacin. Al elevar al cuadrado todas las desviaciones, se tendrn
siempre valores positivos. Cuando se sumen tales valores, el resultado ser positivo. La suma de los cuadrados
de las desviaciones en torno a la media, (x )2, se utilizar entonces para definir la varianza.

La varianza, 2 = s2 de una muestra es el valor numrico obtenido al evaluar con los datos de la muestra la
frmula siguiente:

Varianza = 2 = s2 = (x )2
n1
 Domingo, 17 de mayo de 2015
Donde n es el tamao de la muestra. La varianza de una muestra es una medida
de dispersin de los datos alrededor de la media. Por ejemplo, la varianza de la
muestra anterior 6, 3, 8, 5, 3 se obtendr de la siguiente manera:

2 = (x - )2 = 18 = 18 = 4.5
n1 51 4

Ejemplo 2: calcula la varianza de la siguiente muestra de datos

2, 3, 7, 8 y 10

Paso 1

Calculamos la media = 2 + 3 + 7 + 8 + 10 = 30 = 6
5 5

Ordenamos en una tabla los datos de la muestra y calculamos x - y (x )2.

Obtenemos la varianza = 2 = (x )2 = 46 = 46 = 11.5

n1 51 4

Nota:

1. Se utiliza la suma de todas las x para encontrar

2. La suma de las desviaciones (x ) nos da cero

BIBLIOGRAFA

Ehrhardt, Michael C., y Brigham, Eugene F. (2007) Finanzas corporativas. 2 edicin. Mxico. Cengage Lear-
ning.

Freund, John E., y Simon, Gary A. (1994) Estadstica Elemental. 8 edicin. Mxico. Editorial Pearson Educa-
cin.

Johnson, Robert R. (1990) Estadstica Elemental. 2 edicin. Mxico. Editorial Trillas.

Van Horne, James C., y Wachowicz, John JR. (2002) Fundamentos de administracin financiera. Mxico.
Pearson Educacin.