Anexo 1

Ejercicio práctico – Cálculo de los requisitos habilitantes de capacidad

financiera y organizacional

El DACP requiere contratar el servicio de mantenimiento de vehículos para la Alcaldía

de Santiago de Cali. Johan es el analista encargado de realizar el estudio de mercado
para el proceso de contratación y el análisis financiero de los potenciales proveedores
que puede ofrecer este servicio al Municipio de Santiago de Cali.

1 Recolección de la información y cálculo de los indicadores de capacidad

financiera y organizacional

Johan revisó la base de datos del SIREM para consultar los indicadores financieros de
los potenciales proveedores del sector. Luego de hacer un ejercicio de verificación para
identificar los proveedores que podrían prestar este servicio al Municipio de Santiago de
Cali, Johan consolidó una Muestra de 74 proveedores del sector de mantenimiento de
autos a nivel nacional.

Usando la información financiera disponible en la base de datos, Johan calculó los

indicadores de capacidad financiera y organizacional de la siguiente manera:

Índice de Liquidez = Activo corriente / Pasivo corriente

Ilustración 1: Ejemplo en Excel del cálculo del índice de liquidez

Índice de Endeudamiento = Pasivo total / Activo total

Ilustración 2: Ejemplo en Excel del cálculo del índice de endeudamiento

Razón de Cobertura de Intereses = Utilidad operacional / Gastos de intereses

1
 Ilustración 3: Ejemplo en Excel del cálculo del Razón de cobertura de intereses

Rentabilidad sobre activos: Utilidad operacional / Activo total

Ilustración 4: Ejemplo en Excel del cálculo del rentabilidad del activo

Rentabilidad sobre patrimonio: Utilidad operacional / Patrimonio

Ilustración 5: Ejemplo en Excel del cálculo de la rentabilidad del patrimonio

2 Tratamiento de los datos

Con los indicadores calculados Johan nota que en algunos casos hay indicadores con
un comportamiento poco común; es decir, son demasiado altos o bajos respecto al resto
de proveedores o al resto de sectores. En algunos casos, estos comportamientos
extraños pueden distorsionar el cálculo de los Requisitos Habilitantes de capacidad
financiera y organizacional.

Johan puede determinar las razones probables de este comportamiento extraño, entre
ellas: (i) errores de digitación, (ii) proveedores con desempeños muy alejados del
promedio del sector, o (iii) comportamiento financiero típico del sector. Según la causa
probable identificada, Johan puede identificar los Datos Atípicos a través del método de
la Puntuación Z y darles el tratamiento que corresponda.

2

No obstante, si Johan determina que la causa de los datos extraños es el
comportamiento propio del sector, no es necesario que aplique un tratamiento a los
mismos.

2.1 Posibles causas del comportamiento extraño de los datos de una Muestra

A continuación, se describen tres posibles situaciones que pueden explicar un

comportamiento extraño en los datos de una Muestra.

i. Errores de digitación: se trata de errores a la hora de calcular los rubros financieros

de los proveedores. Lo más probable es que se presente de forma aislada y no
reiterativa en los demás indicadores de un mismo proveedor.

ii. Proveedores con desempeños muy alejados del Promedio del sector: cuando un
proveedor tienen todos sus indicadores muy por encima o muy por debajo del resto
de los proveedores del sector. Puede suceder si un proveedor ha logrado altos
niveles de desempeño, mejorando notablemente sus indicadores financieros con
respecto a los demás del sector, lo cual podría significar que es más competitiva que
las demás. También puede suceder en el caso opuesto, cuando el proveedor está
muy por debajo del sector, obteniendo unos indicadores muy malos, lo que podría
ser un síntoma de poca eficiencia.

iii. Comportamiento financiero típico del sector: cuando debido al tipo de actividad
económica que desarrollan todos los proveedores del sector, los indicadores tienen
valores poco comunes. En algunas ocasiones, por el tipo de actividad económica a
la que pertenecen los proveedores, los indicadores financieros tienen valores poco
comunes. Cuando esto sucede se observarán indicadores fuera de lo normal para un
gran número de proveedores, sin que esto implique un error. Es importante
mencionar que el comportamiento irregular del indicador, como consecuencia de la
actividad económica propia que manejan los proveedores del sector no es un Dato
Atípico, pero es una situación que se deberá tener presente para la determinación de
los Requisitos Habilitantes de capacidad financiera y organizacional. Un ejemplo de
esto son los indicadores de rentabilidad del patrimonio y rentabilidad del activo para
las universidades, en este caso, debido a la finalidad con la que fueron creadas estas
entidades sin ánimo de lucro, por lo general su utilidad operacional es cercana a cero
o negativa, lo cual hace que estos proveedores usualmente tengan estos dos
indicadores cercanos a cero o negativos.

Para identificar las situaciones señaladas anteriormente, Johan puede hacer un

estudio de los datos utilizando las siguientes preguntas.

  ¿Un mismo proveedor tiene uno o varios indicadores financieros con datos
anormales?

Se busca con esta pregunta que el analista evalúe los indicadores financieros de un
mismo proveedor para verificar si se trata de un dato aislado o si consistentemente
la mayoría de los indicadores del proveedor son alejados del Promedio de la Muestra.
Si la mayoría de indicadores del proveedor se encuentran muy alejados del Promedio
es probable que la situación corresponda al caso (ii) y este presente un desempeño
alejado del Promedio.

  ¿La mayoría de los proveedores tienen el mismo comportamiento extraño en el

indicador analizado?

3

 Al responder esta pregunta el analista podrá identificar si se trata de una situación
propia de algún proveedor en particular, correspondiente al caso (ii) o si el
comportamiento extraño se debe a la actividad económica que desempeña, lo cual
corresponde al caso (iii). En este último caso el comportamiento extraño se refleja en
los indicadores de otros proveedores por lo cual es necesario realizar un análisis
general de los estados financieros del sector.

2.2 Identificación de los Datos Atípicos - Método de la Puntuación Z

Si Johan identifica que los datos con comportamiento extraño se deben a las causas (i)
o (ii) de la sección 2.1, puede proceder a identificar cuáles de esos datos extremos
pueden ser catalogados como Datos Atípicos a través del método de la Puntuación Z.

El método de la Puntuación Z utiliza la distribución normal para estandarizar la

distribución de los datos, dándoles un puntaje a cada uno. De esta forma, es posible
ordenar los datos estableciendo un criterio estadístico para determinar desde qué
distancia del Promedio, calculada en desviaciones Estándar, los datos se consideran
Atípicos.

Johan debe realizar este cálculo de forma independiente para cada uno de los
indicadores. El procedimiento a seguir es el siguiente1:

(i) Calcular la mediana para el conjunto de datos de cada indicador.

Ilustración 5: Ejemplo en Excel del cálculo de la mediana para el índice de liquidez

(ii) En una segunda columna calcular para cada proveedor el valor absoluto de la
resta entre el valor del indicador (dato) y la mediana del indicador calculado
previamente.
|𝑑𝑎𝑡𝑜 − 𝑚𝑒𝑑𝑖𝑎𝑛𝑎|

1
El ejemplo en Excel corresponde al índice de liquidez, pero puede aplicarse a todos los indicadores de capacidad
financiera y organizacional.

4

 Ilustración 6: Ejemplo en Excel del cálculo de la distancia del dato con la mediana para el
índice de liquidez

(iii) En una celda aparte, calcular la mediana (que llamaremos MAD) de la segunda
columna obtenida en el numeral anterior.

𝑀𝐴𝐷 = 𝑀𝐸𝐷𝐼𝐴𝑁𝐴 𝑑𝑎𝑡𝑜 − 𝑚𝑒𝑑𝑖𝑎𝑛𝑎

Ilustración 7: Ejemplo en Excel del cálculo del MAD para el índice de liquidez

(iv) En una tercera columna calcule para cada empresa la Puntuación Z siguiendo la
fórmula:
0.6745 ∗ (𝑑𝑎𝑡𝑜 − 𝑚𝑒𝑑𝑖𝑎𝑛𝑎)
𝑝𝑢𝑛𝑡𝑢𝑎𝑐𝑖ó𝑛 𝑍 =
𝑀𝐴𝐷

Es decir, a cada dato, restarle la mediana inicial del indicador, éste resultado
multiplicarlo por 0.6745 y todo eso dividirlo por MAD.

5

 Ilustración 8: Ejemplo en Excel del cálculo de la puntuación Z para el índice de liquidez

(v) Aplicar la siguiente regla de decisión: Si la Puntuación Z es menor que −3 o

mayor que 3 el dato al que le corresponde esta Puntuación Z se considera un
Dato Atípico y deberá eliminarse. Por el contrario, si la puntuación Z se encuentra
entre -3 y 3 (−3 < 𝑝𝑢𝑛𝑡𝑢𝑎𝑐𝑖ó𝑛 𝑍 < 3) entonces el dato al que corresponde esta
Puntuación Z es un dato no atípico.

Ilustración 9: Ejemplo en Excel de los resultados de la puntuación Z para el índice de

liquidez

2.3 Tratamiento de los Datos Atípicos de una Muestra

Una vez Johan ha identificado los Datos Atípicos de su Muestra puede proceder a darles
tratamiento. Para ello esta sección propone la eliminación o ponderación de los datos,
sin ser estas herramientas excluyentes de cualquier otra que pueda considerarse
apropiada para el caso particular al que se enfrenta.

a. Poda o eliminación – Caso (i)

Si Johan determinara que la causa del comportamiento extraño de los Datos Atípicos
de su Muestra se debe al caso (i) podría proceder a la eliminación o poda de los mismos
ya que no tienen sentido económico o financiero y afectarían el cálculo del Requisito
Habilitante de capacidad financiera u organizacional.

En muchas ocasiones, dentro de los datos con comportamientos extraños identificados

a través de la Puntuación Z, hay datos que son demasiado extremos y alteran los

6

cálculos estadísticos, en estos casos es recomendable eliminarlos. Para identificarlos,
el encargado puede observar el valor de la Puntuación Z asociada a cada dato. En
aquellos casos en los que el analista note una distancia muy amplia entre el valor de
una puntuación Z y otra, observará que a partir de ahí los datos se vuelven muy
extremos, siendo candidatos para la eliminación.

En el caso especial en el que los indicadores correspondan a divisiones entre cero, en

otras palabras, valores indivisibles, estos deben ser eliminados de la Muestra del
indicador en cuestión.

Lo anterior no implica necesariamente un mal desempeño del proveedor al cual

pertenece el indicador financiero. Por ejemplo, una razón de cobertura de interés
indivisible significa que el proveedor no paga intereses y si bien es imposible trabajar
con este dato, el proveedor debe quedar habilitado con respecto a este indicador ya que
su indicador muestra una buena señal financiera, que implica que el proveedor no tiene
obligaciones financieras que cubrir con los recursos obtenidos de su operación.

Es posible que un mismo proveedor posea un indicador con Datos Atípicos y otro sin
Datos Atípicos; en este caso, Johan debe eliminar únicamente los Datos Atípicos que
corresponden a cada indicador. Por ejemplo, si una empresa reporta un índice de
liquidez con un Dato Atípico, solo se elimina para el índice de liquidez, pero se conserva
la información de los demás indicadores de esta empresa. Como resultado de esta
operación, Johan puede tener indicadores con tamaños de Muestra diferentes.

Ejemplo de la poda o eliminación

Johan observó que dentro de los ocho datos identificados con comportamientos
extraños para su índice de liquidez (con una puntuación Z asignada superior a 3), cinco
de ellos eran demasiado extremos, puesto que se encontraban después de una
distancia de 17 puntos entre los valores de las puntuaciones Z asignados a cada uno.
En este caso, Johan toma la decisión de podar estos datos.

Adicionalmente, para el índice de liquidez se presentaron tres datos que eran indivisibles
por cero, estos datos también fueron eliminados y corresponden a las casillas de la 75
a la 77.

Ilustración 10: Ejemplo en Excel de la poda o eliminación de los datos con

comportamiento extraño para el índice de liquidez

7

 b. Ponderación de los datos – Caso (ii)

Una vez eliminados los datos más extremos, Johan determinó que también se
encontraba frente al caso (ii). Para aplicar un tratamiento en este caso, Johan puede
optar por la ponderación de los datos de su Muestra a través del método de
Winsorización.

El método de Winsorización busca halar los valores extremos hacia el Promedio de tal
forma que afecten en menor magnitud los cálculos de estimadores como el Promedio y
la Desviación Estándar. El nivel de acercamiento al Promedio lo decide el analista y
podrá ser diferente para cada extremo de la distribución de los datos.

Se recomienda que el analista utilice este método cuando se enfrente a datos con
comportamientos extraños, que han sido identificados por la puntuación Z, pero que
encuentran cerca de los límites de la Puntuación Z de 3 y -3.

También es recomendable que el encargado haga uso de esta metodología en el

momento que identifique que estos datos con comportamientos extraños son
proveedores con desempeños extremos, en esta situación hay dos casos, muy buen
desempeño o muy malo. En el primer caso, quisiéramos que la empresa eficiente
participara en el proceso y en el segundo, quisiéramos que la empresa se quedara por
fuera, sin embargo, esos proveedores son casos particulares y no necesariamente se
presentarán en el proceso, de hecho, lo más probable es que los proveedores que se
presenten tengan indicadores cercanos al Promedio del sector y lejanos al de la
empresa con desempeño extremo.

Por lo tanto, lo que le interesa al analista es que el Requisito Habilitante se ajuste al

comportamiento de la mayoría de los proveedores, por lo cual el método más
recomendable es la Winsorización, para mantener a los proveedores con desempeño
extremo en la Muestra, pero reduciendo su impacto en los indicadores.

El método de Winsorización ajusta los extremos de la distribución de los datos como lo

Muestra la Figura 1:

8

 Ilustración 11: Gráfico del resultado de la Winzorización para la cola inferior de una
distribución.

Johan debe aplicar el método de Winsorización de forma independiente para cada uno
de los indicadores donde se presenten los Datos Atípicos. El procedimiento a seguir es
el siguiente.

(i) Seleccionar los dos niveles de Winsorización según el nivel de dispersión de los
Datos Atípicos. Entre más apartados estén los datos del Promedio se necesita
un nivel de Winsorización mayor para el extremo inferior y entre más apartados
estén los datos del Promedio más pequeño debe ser el nivel de Winsorización
para el extremo superior.
  El nivel de Winsorización para el extremo inferior puede ser elegido entre
los siguientes: 0.5% hasta 20%.
  El nivel de Winsorización para el extremo superior puede ser elegido
entre los siguientes: 99.5% hasta el 80%.

Para el ejemplo de mantenimiento de autos que se ha venido trabajando Johan

decidió usar los siguientes niveles de Winsorización para el índice de liquidez:
  Extremo inferior: 0.0%
  Extremo superior: 95%

(ii) Calcular los dos percentiles de la distribución de los datos con los niveles de
Winsorización elegidos en la anterior sección. En otras palabras, se determina
el valor máximo y el valor mínimo de los datos a partir de los cuales se
transformarán los valores extremos.

  Extremo inferior: 0.0%

9

 Ilustración 12: Ejemplo en Excel del cálculo del percentil inferior al 0% para el índice de
liquidez

  Extremo superior: 95%

Ilustración 13: Ejemplo en Excel del cálculo del percentil superior al 95% para el índice de
liquidez

Una vez elegidos los niveles de Winsorización los percentiles asociados para el
índice de liquidez son: 0,27 y 6,65.

(iii) Transformar los datos extremos que están más allá de los valores mínimo y
máximo seleccionados, igualándolos al valor mínimo o máximo, según
corresponda. Por ejemplo, si el valor máximo es 3 para el índice de liquidez, y
hay dos proveedores con nivel de endeudamiento superior a 3, para estas dos
proponentes su nuevo índice será igual a 3.

Una vez aplicado el método de Winsorización, los nuevos datos del indicador
con los que se trabajará para calcular el Requisito Habilitante respectivo serán
los datos arrojados por el método de Winsorización.

Siguiendo con el ejemplo, el analista debe transformar los datos que están por
debajo de 0,27 y por encima de 6,65. Como el nivel de Winsorizacion para la

10

 cola inferior era cero, esto implica que en la cola inferior no se hace ponderación
y los datos del indicador quedan iguales en esa cola. Mientras que en la cola
superior se transforman tres datos que eran superiores a 6,65, cambiando su
valor por el del percentil 95, es decir por 6,65.

Para hacerlo el analista utiliza la combinación de las funciones máximo y mínimo

de Excel. Esta fórmula permite modificar solo los índices que se encuentren por
encima del percentil 95 remplazándolos por su percentil correspondiente.

Las celdas donde se encuentran los percentiles calculados anteriormente deben

quedar fijas dentro de la formula.

Ilustración 14: Ejemplo en Excel del uso de la función máximo y mínimo para el cálculo de
la Winsorización del índice de liquidez

El resultado final para la cola superior queda como lo Muestra la siguiente

ilustración:

11

 Ilustración 15: Ejemplo en Excel del uso de la función máximo y mínimo para el cálculo de
la Winsorización del el índice de liquidez

Una vez se tenga la información de los indicadores de capacidad financiera y

organizacional de cada empresa organizada y con los Datos Atípicos debidamente
ajustados en una hoja de Excel se prosigue a establecer los Requisitos Habilitantes de
Capacidad Financiera y Organizacional.

2.4 Casos especiales de comportamientos típicos del sector – Caso (iii)

Este caso no hay existencia de Datos Atípicos puesto que el comportamiento extraño
es propio del sector y debe presentarse en varios de los poteniales proveedores que
conforman el mercado.

Para corroborar que los datos en efecto se enmarcan en una situación de

comportamiento típico del sector, el presente Anexo sugiere la consulta de algunas
posibles fuentes que permitan determinar si el comportamiento del indicador es normal
según el tipo de actividad económica que ejercen los proveedores de un mercado.

  Investigar en libros de texto, documentos técnicos u otros documentos

especializados en el sector económico, cuál es el comportamiento normal de estos
indicadores en este caso especial o cuál es el indicador alternativo a usar para
evaluar el Requisito Habilitante.
  Preguntar a expertos en el sector, qué particularidades tienen estos indicadores
según la actividad económica desarrollada. Estos expertos pueden ser personas
con mucha experiencia en contratación o especialistas en temas financieros.
  Consultar el RUP de al menos 5 proveedores que desarrollen la actividad
económica analizada y verificar el comportamiento de sus indicadores financieros.
  Establecer contacto directo, reglado y debidamente documentado con potenciales
proveedores del mercado para conocer y entender las particularidades del
comportamiento financiero del sector.

Si a través de la consulta es posible determinar que el indicador presenta un

comportamiento irregular, es recomendable calcular los Requisitos Habilitantes con los

12

datos originales de la Muestra. La razón es que la actividad económica en estudio
produce ese tipo de indicadores financieros, y los Requisitos Habilitantes que establezca
el Municipio para quienes ejercen dicha actividad deben ser coherentes con el
comportamiento del sector.

3 Métodos para establecer los Requisitos Habilitantes de capacidad

financiera y organizacional

Después de tratar los datos que componen la Muestra, Johan debe estimar los valores
referencia para establecer los Requisitos Habilitantes de capacidad financiera y
organizacional para el sector objeto del estudio.

Para cumplir este objetivo la presente guía propone dos métodos: (i) el método de la
Desviación Estándar y (ii) el método del Intervalo de Confianza. Los métodos son
similares en la secuencia de pasos que contienen, pero se diferencian por la forma en
cómo se calculan los Rangos de valores que finalmente dan lugar al valor estimado que
podría exigirse en el proceso de contratación.

A continuación, se describen en detalle los pasos para aplicar los métodos propuestos.

3.1 Paso 1 - Calcular el Promedio, la Desviación Estándar y la tamaño de Muestra

para cada indicador a evaluar

Para iniciar los cálculos, Johan debe contar con la información en Excel de los
indicadores de capacidad financiera y organizacional a evaluar de cada Proveedor. El
primer paso es calcular el Promedio, la Desviación Estándar y el tamaño de la Muestra
para cada indicador.

Ilustración 16: Ejemplo en Excel del cálculo del Promedio para los indicadores ajustados
después del tratamiento de datos

13

 Ilustración 17: Ejemplo en Excel del cálculo de la Desviación Estándar para los
indicadores ajustados después del tratamiento de datos

Ilustración 18: Ejemplo en Excel del cálculo del Tamaño de Muestra para los indicadores
ajustados después del tratamiento de datos

3.2 Paso 2 - Construir un Rango para cada indicador de capacidad financiera y

organizacional de acuerdo con el método de la Desviación Estándar

Para utilizar este método Johan debe construir un Rango de valores para cada indicador
a evaluar a partir del Promedio y la Desviación Estándar de la Muestra. El Rango, que
está compuesto por valor mínimo y un máximo, se construye de la siguiente forma.

14

 (𝐿í𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 , 𝐿í𝑚𝑖𝑡𝑒 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟 )

(𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 − 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝐸𝑠𝑡á𝑛𝑑𝑎𝑟 , 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 + 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝐸𝑠𝑡á𝑛𝑑𝑎𝑟 )

Ilustración 19: Ejemplo en Excel del cálculo para establecer el límite inferior del método de
la Desviación Estándar

Ilustración 20: Ejemplo en Excel del cálculo para establecer el límite superior del método
de la Desviación Estándar

Ilustración 21: Ejemplo en Excel de los resultados del método de la Desviación Estándar

3.3 Paso 2 - Construir un Rango para cada indicador de capacidad financiera y

organizacional de acuerdo con el método del Intervalo de Confianza

Si decidiera utilizar este método, Johan debe construir un Intervalo de Confianza para
cada indicador de la siguiente manera haciendo uso del Promedio, la Desviación
Estándar, el tamaño de Muestra y el valor t.

[𝐿𝑖𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 , 𝐿𝑖𝑚𝑖𝑡𝑒 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑟 ]

𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝐸 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝐸
O𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑡 ∗ Q S , 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 + 𝑣𝑎𝑙𝑜𝑟 𝑡 ∗ Q ST
√𝑛 √𝑛

15

Donde:

  𝑛 = tamaño de la Muestra.
  𝑣𝑎𝑙𝑜𝑟 𝑡 = se toma de la Tabla 1

(i) ¿Cómo obtener el valor t?

Para obtener el valor t el analista requiere dos datos: el tamaño de la Muestra y

el nivel de confianza.

La Tabla 1 relaciona el tamaño de Muestra (que aparece en las filas) y el nivel

de confianza deseado (en las columnas) para determinar el valor t.

Tabla 1 - Valores de la distribución t para los diferentes niveles de confianza y tamaños de

Muestra
Nivel de confianza
80% 90% 95% 99% 98%
2 3.078 6.314 12.706 31.821 63.657
4 1.638 2.353 3.182 4.541 5.841
6 1.476 2.015 2.571 3.365 4.032
8 1.415 1.895 2.365 2.998 3.499
10 1.383 1.833 2.262 2.821 3.250
𝑛 12 1.363 1.796 2.201 2.718 3.106
14 1.350 1.771 2.160 2.650 3.012
16 1.341 1.753 2.131 2.602 2.947
18 1.333 1.740 2.110 2.567 2.898
20 1.328 1.729 2.093 2.539 2.861
22 1.323 1.721 2.080 2.518 2.831
24 1.319 1.714 2.069 2.500 2.807
26 1.316 1.708 2.060 2.485 2.787
28 1.314 1.703 2.052 2.473 2.771
30 1.311 1.699 2.045 2.462 2.756
>30 1.282 1.645 1.960 2.326 2.576

(ii) ¿Cómo elegir el nivel de confianza?

En general, el nivel de confianza puede verse como un porcentaje que determina

qué tan confiable es el cálculo que está realizando el analista; en este caso, el
nivel de confianza le indica al analista qué tan probable es que el rango calculado
contenga el indicador de un Proveedor de la Población.

Es recomendable fijar el nivel de confianza en 95%, para garantizar una

razonable probabilidad de acertar manteniendo cierto rigor en el tamaño del
intervalo. La elección tendrá en cuenta que a mayor nivel de confianza más
grande será el intervalo y a menor nivel de confianza más pequeño será el
intervalo, aunque en algunos casos el analista puede ver la necesidad de
aumentar o disminuir el nivel de confianza. Por ejemplo, podría ser útil cuando
se considere que los intervalos de confianza son tan estrictos que no entraría
ningún proponente a participar del proceso, en ese caso aumentar el nivel de
confianza incrementaría la habilitación de los proponentes presentados.

16

 Es recomendable establecer un mismo nivel de confianza para todos los
indicadores del mismo estudio del sector, lo contrario podría vulnerar la
objetividad del método seleccionado por el analista.

En Excel existe una función para obtener este valor t de manera automática. El analista
ha decidido elegir un nivel de confianza del 95% y con esta decisión tomada puede
proceder al cálculo en Excel del valor t como lo Muestra la siguiente ilustración.

Ilustración 22: Ejemplo en Excel del cálculo para obtener el valor t para el índice de
liquidez del método del Intervalo de Confianza.

Recordando la fórmula se calculan los límites inferior y superior para el método del
Intervalo de Confianza, como lo Muestran las siguientes ilustraciones:

Ilustración 23: Ejemplo en Excel del cálculo para establecer el límite inferior del método
del Intervalo de Confianza.

Ilustración 24: Ejemplo en Excel del cálculo para establecer el límite superior del método
del Intervalo de Confianza.

17

Finalmente, Johan toma la decisión de usar el método del Intervalo de Confianza
teniendo en cuenta que para su proceso hay un gran número de proveedores, y que de
acuerdo con el estudio del sector, más del 80% de los proveedores tienen indicadores
que les permitirían participar del proceso. En consecuencia, el analista elige el método
con Requisitos Habilitantes de capacidad financiera y organizacional más estrictos, que
para el caso concreto, es el método del Intervalo de Confianza.

18