Verificacin y adaptacin del modelo de ALTMAN a la Superintendencia de Sociedades de Colombia

Deysi Berro Guzmn

Administradora de Empresas y Especialista en Finanzas, Universidad del Norte. Profesora de la Divisin de Ciencias Administrativas, Universidad del Norte.
tkl'rfrio@uninorte.tdu.fO

Leonor Cabeza de Vergara

Mtemtico, Universidad de Antioquia. Especialista en Administracin Financiera, Universidad del Norte. Profesora de la Divisin de Ciencias Administrativas, Universi dad del Norte. kaheza@Jminortt.tdu.ro

Resumen El objetivo de este trabajo fue determinar un modelo para pronosticar quiebra para las empresas registradas en la Superintendencia de Sociedades de Colombia, a partir del modelo de Altman. Es una investigacin correlacionada que busc establecer cules son los indicadores financieros recomendables para la Superintendencia de Sociedades que permiten clasificar la {mpresa en activa o en liquidacin. La investigacin gener un modelo que permiti discriminar las empresas; adems, se compar el modelo de Altman con el generado en la investigacin para seleccionar el que mej?r hizo la discriminacin. Es de resaltar que el modelo de las Empresas Jvlanufactureras cumpli la probabilidad mnima de acierto del 67.25% con respecto al modelo de las Empresas Comerciales}' de Servicio. Palabras claves: Quiebra, liquidacin de empresas manufactureras, modelo de Altman.
Absttact

The objective of Ihis paper WaJ lo delmnine a modello predict bankruptry for enterprises regislmd in Ihe Colombian Superintendercia de Sociedades based on Ihe Alfman model. This was a correlaled investigation whose aim was lo eslabf/sh which are Ihe financial indicators recommended for Ihe Supenntendencia de Sociedades in order lodass!fy indllstries aJ active orinprocessofliqllidation. Theinvestigationgeneraled a model which WaJ able lo discrimit.'ale Ihe industries; besides, Ihe model generaled WaJ compared wilhAJfman 's in order lofind oul which was more successful in doing Ihe discrimination. 11is worth pointing out that the model for Ihe manllfacturing induslTies reached Ihe minimum succm probabili!J of 67.25% wilh respect lo Ihe model o/ commercial and seruccs indus/n Keywords: Altman model, financia!indicators, bankruptcy, prediction, manufacturing, services and commercial industries.
Fecha de recepcin: 1 de septiembre de 2003 Fecha de aceptacin: 16 de cctubre de 2003

26

pensamiento & gestin, 1.5.Universidad del Norte, 26-51, 2003

INTRODUCCIN En la actualidad los cambios que se viven en e! mbito social, econmico y politico como consecuencia de! mundo tan convulsionado y dinmico en e! que vivimos ha incrementado la incertidumbre a nivel individual y organizacional. Uno de los aspectos que preocupa a cualquier empresario de! pas es la posibilidad de quiebra, la cual ha golpeado fuertemente a las empresas colombianas en los ltinlOS aos como consecuencia de la recesin econmica. Esto conlleva a desear contar con herramientas cuantitativas y cualitativas que les sirvan de guia para la puesta en prctica de estraregias que garanticen su permanencia en e! mercado. En 1966 Edward 1. Atlman contribuy con e! desarrollo de! ndice Z, tambin conocido como modelo Z de Altrnan, para la prediccin de la quiebra o bancarrota. Este modelo se desarroll mediante la aplicacin de! anlisis discriminante, mtodo estadistico desarrollado por Fisher en 1936, y que se basa en una variable chsificatoria y otras cuantitativas, las que a travs de una regla matemtica permiten establecer a qu grupo pertenece un ente y pueden producir un conjunto o subconjunto de combinaciones lineales que revelan las diferencias entre las clases. El inters de este trabajo es generar un modelo de fcil manejo para la Superintendencia de Sociedades; nos apoyamos en e! modelo que gener Edward Altrnan, pero utilizando un modelo transversal y no longitudinal. Para este estudio se cont con el apoyo de la Superintendencia de Sociedades que suniinistr la info,macin de un grupo de empresas que se hallan debidamente registradas. Queremos resaltar la realizacin de un anlisis transversal y no longitudinal de los datos. Se consider que e! perodo en e! cual una empresa presenta dificultades que la pueden llevar a la bancarrota no debe ser superior a tres aos, por lo tanto e! estudio se bas en la informacin de un gran grupo de empresas en este perodo y de acuerdo con su comportamiento se generaliz e! modelo para las empresas manufactureras y comerciales y de servicio.

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

27

El objetivo principal de la investigacin fue determinar un modelo para pronosticar quiebra para las empresas registradas en la Superintendencia de Sociedades, a partir de una adaptacin del modelo de Altman. Para esto se realizaron una serie de pasos tales como identificar y calcular los indicadores financieros iniciales para la prediccin de quiebra de las empresas manufactureras, comerciales y de servicio registradas en la Superintendencia de Sociedades. Se seleccionaron 25 indicadores para el anlisis; con base en ellos se defini la funcin discriminante para las empresas. Posteriormente, se contrast la proporcin de aciertos del nuevo modelo con el modelo de Altman lo cual permiti determinar cul tenia un mayor porcentaje de aciertos en cada uno de los grupos de anlisis de las empresas registradas en la Superintendencia de Sociedades. A continuacin se relacionan las teoras, conceptos y el contexto que sirvi de apoyo en el desarrollo de este trabajo, lo cual es importante pues aclara muchos delos trminos y criterios que se tuvieron en cuenta durante el desarrollo de la investigacin.

FUNDAMENTOS TERICOS DEL MODELO

Uno de los conceptos que se debe aclarar inicialmente es el de la funcin discriminante para poder entender el modelo. Segn Javier Snchez, El problema de la discriminacin entre dos grupos o seres vivos o de objetos sepresenta confrecuencia y se hace basndose en ciertas propiedades inherentes a ellos. El problema se presenta cuando al e/asificar dos especies se presentan traslados en sus propiedades de tal mamra que se hace necesario usar un'! combinacin lineal que reduzca estas incidencias en las especies por medio de un ndice numrico;para esto se necesita un valor critico de/indice que lepermit" discriminar si un elemento pertenece a una especie o a otra segn su resultado o valor caiga /,or encima opor debajo de dicho ndice. La naturaleza de l., variable dependiente es la que establece la diftrencia esencial entre una ecuacin corriente de regresin y una funcin discriminante. La funcin discriminante no opera como la funcin ordina/ia de regresin que encuentra los valores condicionados de la variable

28

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

dependiente para el v.lor de la variable independiente, se refiere ms al liSOde IIna clasificacin doble de los datos y "si obtener IIna fllncin. 1 En esta investigacin no se trabaj con una regresin mltiple tradicional, sino con un modelo que clasifica empresas; no muestra la relacin de causa y efecto, sino determina cul es el plano que contiene la funcin discriminante
cuyos vectores direccionales son los coeficientes de las variables que maximizan

la dispersin entre los grupos de empresas (activas y en liquidacin). El plano que logra esto permit<: separar las empresas activas o en liquidacin en dos planos ortogonales entre si: Plano de empresas activas donde estn los valores de las variables (Xl ;X2;...Xn). Plano de empresas en liquidacin donde estn los valores de las variables (YI;Y2; ...Yn); Grficamente Si se proyecta sobre el plano en el piso el grupo de empresas activas y en liquidacin y el plano generado por la funcin discriminante se tiene:

*
**
_2

* * *
*

**

* ***

* ****

* * ****

Los puntos (.) :;on las empresas en liquidacin y los (*) las empresas activas. Lo que se pretende es:

SANCHEZ A. Jav:r l. (1990). Manual prdico de eJfadiJlica, 4- ed., Bogot: Universidad Nacional, p. 530.

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

29

Donde _1 es el promedio o el centroide del modelo evaluado para las empresas en liquidacin y _2 es el centroide del modelo calculado para las empresas activas. El modelo que se gener es por tanto el modelo que maximiza esta distancia pero con una menor dispersin dentro de los grupos. Es importante analizar por qu se utiliz un anlisis transversal y no longitudinal, para esto nos basamos en tres citas que consideramos da apoyo a
nuestra disertacin:

Primero recordemos lo que se entiende por anlisis momentneo o transversal desde el punto de vista de un texto financiero: Consiste en la comparacin de diftrentes indices financieros de la empresa en un momento determinado. A todo negocio le interesa saber cmo se ba desempeado en relacin con sus competidores, para esto compara el desempeo de la empre.ra con el/ider en la industria o del sector, siendo importante el anlisis de /as desviaciones a c.,alquier /ado del estnc/ar, o normal industrial o sectorial. El punto jundamental es que el anlisis de razones slo gua al analista a reas potenciales de cuidado.2 Segundo, segn los mtodos de investigacin: El anlisis transversal examina varios grupos de personas en un solo punto del tiempo. Este mtodo sirve para examinar diftrencias (por ejemplo en edad) ms que cambios (en /a edad) como se hace en el mtodo longitudinal. Este mtodo es mucho ms econmico que ellongitudinal,ya que /as pruebas se realizan durante un tiempo limitado. Gracias a /a brevec/ad de esteperodo, los abandonos son mnimos.3 Segn los libros de econometra, la informacin que se va a utilizar pueden ser series de tiempo., series de corte transversal o informacin combinada. Las series de tiempo consisten en informacin de una variable en diftrentes momentos del tiempo. La informacin de cor1'etransversal consiste en dtos de una o ms variables recogidas en el mismo momento de tiempo. Cada mtodo tiene sus pros y sus contra; las series de tiempo debido a losjactores estacionarios y los cortes trasversales por la heterogeneidad, lo cual se evita teniendo cuidado con las escalas.4

2GITMAN, Lawrence J. (1996). Adminlratinfinandrra bricQ,3" ed., Mxico: Ed. Harla, p. 93. 3SALKIND, Neil . Mtodos t invntigadn. Universidad de Kansas, p. 220. 4 GUAJURATI. Damodar N. (1997). Eronomia bsico, 3" ed., McGraw-Hill Interamericana, p. 25.

30

pensamiento

& gestin, 15. Universidad

del Norte, 26-51, 2003

En el caso concreto de la generacin del nuevo modelo para discriminar las empresas activas o en liquidacin se trabaj con un anlisis transversal el cual se aplic en los aos 1997, 1998 Y1999 a un grupo de empresas manufactureras y comerciales y de servicios registradas en la Superintendencia de Sociedades. En la investigacin se manejaron 25 indicadores para un gran nmero de empresas, lo cual permiti icientificar los indicadores de mayor peso en la discriminacin de stas ya que se cont con un grupo de empresas sometidas a los mismos efectos micra y macroeconmicos en el mismo tiempo; adems, las diferencias entre los valores de los indicadores financieros es un reflejo de la situacin individual de la empresa que est activa o en liquidacin. El modelo que presentamos fue obtenido con la informacin de 1998 ya que mostr el mayor coeficiente de correlacin cannica y mayor autovalor. Lo que
hace esta ecuacin es dar un Hcampanazo" de alerta para tener en cuenta durante

la definicin de las estrategias correspondientes

a cada empresa.

Los indicadores financieros utilizados se tomaron de los estados financieros bsicos: Balance General y Estado de Resultados, los cuales aportan informacin de la empresa; unD esttico y el otro el resultado del perodo que reflejan su comportamiento y los efectos de los factores externos e internos, tanto macros como micros, que permitieron identificar los indicadores de mayor poder de
discriminacin para clasificar las empresas como activas o en liquidacin en un

momento determinado, de tal manera que le permitir a la empresa y a la Superintendencia de Sociedades detectar la posibilidad de quiebra. Para el uso de la nueva herraruienta (modelo) el criterio que se debe tener es el mismo que se utiliza cuando se realiza un anlisis financiero que maneja los indicadores financieros tradicionales, que no requiere un gran nmero de perodos para detectar la situacin de la empresa, los cuales, dependiendo de su valor cuantitativo y anlisis conjunto de varios indicadores, permiten ver cmo est la empresa en ese instante e identificar las estrategias que se deben disear para tratar de aumentar o disminuir un indicador lo que se refleja en el comportamiento de la empresa en particular. En resumen se puede afirmar que: El mtodo transversal es vlido para el desarrollo de la investigacin puesto que permite diferenciar las empresas, una de las caractersticas de esta forma de trabajo, tal como lo cita Salkind Nej].
pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

31

Al trabajar con razones financieras se evita el problema de la heterogeneidad en los valores ya que todos estn dentro de una misma escala, lo cual reduce uno de los inconvenientes de este mtodo. Edward Alttnan prob 22 ndices financieros de los cuales slo seleccion cinco que consider permitan discriminar la empresa en una de las siguentes categoras: empresa en quiebra o empresa en no quiebra. Para la creacin del modelo se seleccion en 1966 una muestra de 66 empresas, de las cuales 33 haban cado en quiebra entre 1946 y 1965 Y las otras 33 se seleccionaron aleatoriamente, entre las empresas que an existan en 1966. Se utilizaron empresas de diferente tamao cuyo actvo total oscilaba entre 1 milln a 26 millones de dlares. El modelo de Alttnan se desarroll con el apoyo del anlisis discriminante mltiple que permite combinar muchas caractersticas ~ndicadores financieros) en un solo valor, donde el valor indica a qu grupo pertenece el sujeto en estudio, y se ofrecen en este caso tres alternativas: un valor alto que indica que se tiene una empresa saludable, es decir, con una baja probabilidad de quiebra; un valor bajo que indica que la empresa est cerca de la quiebra, es decir, con una alta probabilidad de qui.ebra, y un valor intermedio que coloca la empresa en una zona de incertidumbre. El modelo de Alttnan fue desarrollado originalmente con una muestra de
empresas manufactureras cotizadas en bolsa; posteriormente, por la serie de criticas al modelo, ~e aplic a empresas manufactureras no cotizadas en bolsa,

construyndose el ndice Z 1;luego se determin para empresas comerciales y de servicio cotizadas o no en bolsa el indice Z2. La construccin del modelo Z de Alttnan se apoya en el anlisis discriminante mltiple que permite combinar muchas caractersticas en un solo valor; las funciones discriminantes que se generaron para cada sector son las siguientes:
Para empresas nlanufactureras cotizadas en bolsa:

Z = 1.2 Xl + 1.4 X2 + 3.3 X3 +O.6X 4 +O.99x5. Los parmetros o lmites de referencia para las separaciones de los grupos son las siguientes: Z >: 2.99. Se tiene baja probabilidad de quiebra Z s 1.81. Se tiene alta probabilidad de quiebra 1.81 <Z < 2.99 Zona gris.

32

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

Para empresas manufactureras no cotizadas en bolsa: Zl = 0.717 Xl + 0.847 X2 +3.107 X3 +0.42X4 +0.998x5. Los parmetros o lmites de referencia para las separaciones de los grupos son las siguientes: Z :. 2.90. Se tiene baja probabilidad de quiebra Z s 1.23. Se tiene alta probabilidad de quiebra 1.23 <Z < 2.90 Zona gris. Para empresas comerciales y de servicio Z2 = 6.56 Xl + 3.26 7 X2 + 6.72 X3 + 1.05 2X 4. Los parmetros o lmites de referencia para las separaciones de los grupos son las siguientes: Z :. 2.60. Se tiene baja probabilidad de quiebra Z s 1.10. Se tiene alta probabilidad de quiebra 1.10 <Z < 2.60 Zona gris. Donde Xl = (Capital de trabajo / Activos totales); X2 = (Utilidad retenida/ activo total); X3 =, (U.A.I.I / activo total); X4 = (Valor de mercado de! capital contable / Valor en libro de la deuda); X5 = (Ventas / Activos totales) (en veces), estos indicadores corresponden a las empresas manufactureras que cotizan en bolsa; para las empresas manufactureras que no cotizan en bolsa e! indicador X4 se reemplaza por X4 = (Valor contable de! patrimonio / Pasivo total) y para las empresas de servicio y comerciales e! indicador X5 se elimina ya que en este tipo de empresas vara significativamente el valor de los activos. Es importante resaltar lo siguiente: La ecuacin de EdwardAltman para empresas manufactureras cotizadas en bolsafuncion bienpara describir la situacin de quiebra del94% de las empresas que GlTrojaronun Z inftrior a 2.7, el ao antes de que fuera a la quiebra;por lo contrario el97% & las empresas que nofueron a la quiebra tenan puntuaciones Zpor encima de este nivel. La ecu"cin funcion un poco peor cuando se us para predecir quiebra despus de 1965.' El anlisis discriminante, base de la formulacin de! modelo de Altman, busca una unidad estad;tica. Los grupos de unidades estadisticas son e! objeto central de esta tcnica estadstica multivariada. Los grupos estn predeterminados y e! propsito fundamental es proporcionar mecanismos que petrnitan ubicar en algunos de los gmpos, una nueva unidad estadstica. El anlisis discriminante

SBREALEY, p.607.

RichardA., :MYERS STEW ART, MarcusAhm.. Fundamentos definanzascorpor-ativas.

McGraw-Hill.,

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

33

asume la existencia de una particin de un universo, en g grupos de unidades estadsticas, g ;"2, grupos que se denominan poblaciones y se representan por _1 ; _2 ; _3 ; ~4 ; ~ . Las variables seleccionadas para el anlisis, representadas por Xl ;X2 ;X3 ;X4 ....;XI': y llamadas variables dscriminatorias, se dsponen en un vector aleatorio X, cuya funcin de densidad es denotada por f(X) asociada a la poblacin general o universo y con cada una de las subpoblaciones se le awcia una funcin de densidad al vector X; fk(X); denotada la funcin de densidad del vector aleatorio X correspondente a la poblacin_k k = 1, 2, 3, 4, ,g. Uno de los propsitos del anlisis dscriminante es la determinacin de un mecanismo que permita ubicar a una nueva unidad estadstica con informacin especfica del vector aleatorio X = x, en alguno de los grupos. Ese mecanismo se conoce como regla dscriminante o regla de clasificacin, la cual induce una participacin del espacio de las observaciones {, en regiones disjuntas {,1 ; {,2 ; {,3 ; {,4 ;.... {,g ; ral que g ~ {,k = {" llamada regiones de clasificacin, regla definida en forma
genrica

K= 1 como" Ubicar la unidad estadstica con informacin el grupo _k , si x __{,k." Para k =1,2,3, , g.

X =x en

Antes de asignar o ubicar una nueva unidad a alguno de los grupos, independentemente de su informacin x, a dcha unidad se le asocian las probabilidades _1 ; __ ;_3 ; 2 ~; de pertenecer a cada uno de las g poblaciones. La probabilidad _k recibe el nombre de probabilidad a priori de perrenecer a la poblacin _k. La asignacin de la unidad a un grupo puede ser errnea, es decir, ubicarla en un grupo o poblacin a la cual no debe pertenecer, con ello se configura una decisin equivocada denominada error de clasificacin incorrecta; igualmente, la decisin de ubicar errneamente una unidad, puede implicar algn costo, conocido como costo de clasificacin incorrecta. El costo denotado C(k/h) es el causado al ubicar a la unidad en la poblacin _k cuando de hecho ella pertenece a la poblacin _h, y la probabilidad p(k/ h) es la probabilidad de ubicar a la unidad en la poblacin _k cuando de hecho ella pertenece a la poblacin _h" donde k, h = 1,2,3, ,g. p(k/h) puede calcularse una vez se especifica fk(x), como:

34

pensamiento & gestin:, 15. Universidad del Norte, 26-51, 2003

p(k/h) = f fh(x) dx, si X es un vector de variables continuas, o [,k p(k/h). = ~ fh(x) , si X es una variable discreta. [,k El costo espetado de una clasificacin incorrecta de una unidad que pertenece a la poblacin ,-h es: g ~c(k/h) p(k/h) , Para h = 1,2,3, ...g
K= 1

hk El costo esperado general de clasificacin incorrecta

expresin:

tiene la siguiente

g ~c(k/h) p(k/h) ~ h =1 K=1

g hk

Luego la regla que induce la particin de [, en regiones de clasificacin que minimizan e! co,;to esperado general de clasificacin incorrecta es la siguiente: Ubicar la unidad estadistica con informacin X g ~ _h c(k/h) Ih(x), tiene e! mnimo valor.

= x en la poblacin

_k, si

=1

hk Si existe razn para considerar que los costos de clasificacin incorrecta no difieren entre s!' entonces la .regla de clasificacin puede enunciarse como: Ubicar la unidad estadistlCa con informacin X = x en la poblacin _k, si _k fk(x) > _h fh(x)," h k; h, k = 1,2,3,...,g. Como en todo procedimiento multivariado, la informacin muestral se representa en IDla matriz X de dimensiones nxp, puesto que se estudian p variables en n unid~des est~disticas, slo que para e! caso de! anlisis discriminante hay que tener en cuenta e! grupo o poblacin a la cual pertenecen las unidades de la muestra. Por lo tanto

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

35

X(l) X(2) X= X(n) Siendo X(k) una matriz de orden nkxp, que contiene la informacin de las p variables en la nk unidades estadsticas que pertenece a la poblacin k. X(g) k = 1,2,3,....g ;n1 +n2+ ...+ng=n A partir de la matriz X(k) se calcula e! vector de promedios muestrales X (k) Yla matriz de covarianzas S(k) , k = 1,2,3 g, Ycon base en dicha matriz se
determina la matriz mancomunada de covarianzas Sp, cuya expresin es:

(n1-1) S(l) + (n2-1) S(2) +

+ (ng-1) + ng - g

S(g)

Sp
n1 +n2 +n3 +

Luego las funciones discriminantes estimadas, cuadrtica o lineal son respectivamente:

ilh (x) = In _h ilh (x) = In _h

In / S(h) / - _ (x - x h)T S-l (h) (x - x h) x T(h)S-lpx -_xT(h)S-lpx (k).

Las herramientas que se requieren para e! desarrollo de la investigacin son: Los estados financieros (Balance General y Estado de Resultados) que nos permitir construir los ndices financieros. Los ndices utilizados en e! modelo de Altman son los siguientes: Xl = (Capital de tmbajo /Activos totales); CAPITAL DE TRABAJO NETO: Es la difereacia entre los activos cotrientes y los pasivos corrientes; donde los ACTIVOS CORRIENTES comprenden e! disponible y aquellos bienes sobre los cuales existe una expectativa razonable de ser convertidos en efectivo o en
servicios, venderlos o consumidos en el corto plazo, es decir, en un trmino no

superior a un ao a partir de la fecha de! balance; y los PASIVOS CORRIENTES son las obligaciones contradas por la empresa con terceros, las cuales deben cubrirse en un plazo no mayor de un ao.

36

pensamiento

& gestin,

15. Universidad

del Norte, 2651, 2003

ACTIVOS: Es la representacin financiera de un recurso obtenido por la empresa como resultado de eventos pasados, de cuya utilizacin se espera que fluyan beneficios futuros. X, = (Utilidad retenida/ activo total); = UTILIDAD RETENIDA es la suma de las utilidades obtenidas por la empresa durante e! ejercicio de su objeto social, las cuales no han sido distribuidas a sus socios. X, = (U .A.I.I / activo total); U .A.I.I = UTILIDAD ANTES DE INTERESES E IMPUESTOS. Se obtiene despus de restar de los ingresos operacionales netos los costm y gastos operacionales que se incurrieron para producir los ingresos. X, = (VALOR CONTABLE DEL PATRIMONIO / PASIVO TOTAL); PATRIMONIO: Es e! valor residual de los activos de la empresa, despus de deducir todos los pasivos y e! PASNO es la representacin financiera de una obligacin presente de la empresa, derivada de eventos pasados, en virtud de la cual se reconoce que en e! futuro se debern transferir recursos o proveer servicios a otros entes. X, = (VENTAS / ACTIVOS TOTALES): Las ventas corresponden a los ingresos operacionales neros obtenidos por la empresa durante un perodo. NMERO DE FUNCIONES DISCRIMINANTES': El nmero de funciones discriminantes significativas se determina mediante un contraste secuencial de hiptesis. Si denotamos por k = nmero de funciones discriminantes significativas e! proceso comienza con k=O. En e! (k+ 1)-simo paso de! algoritmo la hiptesis nula a contrastar es: Ha:
~+1

= ... =

Ann{G_l,p)

=O

y e! estadstico de contraste viene dado por:

min(q -1, p)

T = [n-l-(p+q)/2]

2;Ln(1+ _i) J ~ k+l

Estadistica <

6 $ALVATORE FIGUERAS, M. (2000) Anl discriminante [en lineal Scampus.com. http:www.Scampus.com/leccin/discri>

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

37

el cual se distribuye como una X' (P-k)(q-k-!) es verdad. El p-valor asociado al si Ho contraste viene dado por:

prv' (P-k)(g-k-t) ~ Tob J LA.

donde Tobs es el valor observado de T. AUTOV ALOR: (1..): Para r nmero de funciones discriminantes se tiene que WD = 1, Y BD = diag(l..,... ,A~ donde WD y BD son las matrices W y B calculadas utilizando las puntuaciones discriminantes. Se sigue que:
q

A, = ~ n g (d;g - dj'; i=l, ...,r

g=l

donde {d; ; g= 1,..,q} son las puntuaciones medias de la i-sima funcin discriminante en los q grupos y es la puntuacin media total. Por lo tanto, los valores propios {Ai; i=l ,...,r} miden el poder de discriminacin de la i-sima funcin discriminante de forma que si Ai = O la funcin discriminante no tiene ningn poder discriminante. Dado que el rango de la matriz W!B es a lo ms min {q-1,p} el nmero mximo de funciones discriminantes que se podrn calcular ser igual a min{q-l,p}. Para aclarar estos conceptos se utilizarn ejemplos, en los cuales se aplica cada
uno de los trminos descritos anteriormente

Ejemplo: Se cuenta con 622 empresas comerciales y la informacin de 25 indicadores financieros para cada una; se desea determinar cules son los indicadores que
mejor discriminan las empresas como activas o en liquidacin; adems, se tienen

clasificadas las empresas en 573 empresas activas y 49 en liquidacin. Segn lo descrito anteriormente n = 622 empresas P= 25 '1 = 2 (grupos) se tiene:

K = O,1...,n

38

pensamiento

& gestin,

15. Universidad

del Norte, 26-51, 2003

Aplicando la definicin anterior se requiere determinar primero el autovalor. El nmero mximo de funciones discriminantes es C= mn( q- 1; p) , luego C = Mn(2-1 ;25) = 1 (una funcin). FUNCIONES EN LOS CENTROIDES Situacin actual 1 2 DE LOS GRUPOS

Funcin 1 0,099 -1,159351

El valor 0.099 corresponde al valor de la funcin discriminante evaluada en las medias de cada uno de los indicadores seleccionados para las empresas clasificadas como activas; el valor-1.159351 es el valor de la funcin calculada en las medias de los indicador es de las empresas en liquidacin. Segn la definicin anterior corresponden a {; g=1,2}; {0.099;-1.159351} el promedio ponderado de estos valores es: d; = (0.099* 573 -1.159351* 49)/ 622 = -0.0001. Luego A;el autovalor es: A; =573*(0.099+0.0001)2+49*(-1.159351 + 0.0001)' /622=1..;=0.1149. A= 0.115. Como se observa es el valor que sumnistra el paquete estadistico SPSS. Autovalores
I

Funcin 1

Autovalor

% de varianza

% acumulado

Correlacin cannica .322

.11"

100.0

100.0

a. Se han empleado las 1 primeras funciones discriminantes cannicas en el anlisis.

LAMBDA DE WILKS': Estadistica que mide el poder discriminante de un conjunto de variables, viene dado por

A-

Iwl
I W+BI
i= 1

1
min(q -1. p)

rr (1 +1..;)

7 Salvatore FIGUERAS, M (2000) "Anlisis Discriminante" http:www.Scampus.cc-m/leccin! discri>

[en lineal Scampus.com. Estadstica <

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

39

y toma valores entre Oy 1 de forma que cuanto ms cerca de O est, mayor es el poder discriminante de las variables consideradas y cuanto ms cerca de 1, menor es dicho poder. Este estadistico tiene una distribucin Lambda de Wilks con p, q-1 Y n-q grados de libertad si se verifica la hiptesis nula: Ho: Y/Gi - Np(!A;>~): i=l,,,.,q con [.tl = ". = [.tq H o: Al = ... = Amln{ 1 ,pI = O . qq = es nmero de grupos = 2 P = nmero de variables clasificatorias.

Ejemplo Retornando el ejemplo anterior para e! clculo de! Lambda de Wilks se tiene: 1 A =-----min(q -1, p)

1 -----.m;n(2-1.25)

1 ---= 0.8969 1.115

TI (1 +1..;)
j

TI (1 +0.115)
j=

=1

Luego e! A= 0.8969 " 89.69% Lambda

Contraste 1 Lambda de Wilks .897

de Wilks
Chicuadrado 67.390 gl 5 Sigo .000

El poder discriminante de la funcin es bajo ya que est cerca de 1. Este estadistico tiene una di,:tribucin Lambda de Wilks conp=5, q-1= 1Y n-q = 255 = 20 grados de libertad si se verifica la hiptesis nula:
Ho: [.tl = [.t2

Ho: A,

= A, = O

q = es nmero de grupos = 2 P = nmero de variables clasificatorias =5 Hiptesis que se verifica en e! paquete estadistico mediante una prueba Chicuadrado de 5 grados de libertad. Donde e! valor de la variable es

40

pensamiento & gestin, 15. Cniversidad del Norte, 26-51, 2003

min(2 -1. 5)

TOb',= [622-1-(5+2)/2]

}:Ln(1+0.1149) J ~ 0+1

= 67.39

La probabilidad: P [_' (p.k)(g.k.!!) ;,. TobJ = P[_2(5.0)~.O.') ;,. 67.390] = 0.00, por tanto se rechaza la hiptesis nula y afirmamos que las medias de los grupos; empresas
activas y en liquidacin son diferentes o los autovalores son diferentes a cero,

luego la funcin discriminante es significativa. CORRELACIN por: CANNICA: La i-sima correlacin cannica viene dada

Cr

=
~

]
1 +A..

i = 1,2,..., r

y mide, en trminos relativos, el poder discriminante de la i-sima funcin discriminante ya que es el porcentaje de la variacin total en dicha funcin que es explicada por las diferencias entre los grupos. Toma valores entre O y 1 de forma que cuanto ms cerca de 1 est su valor, mayor es la potencia discriminante de la i-sima funcin discriminante. Ejemplo Utilizando el mismo caso del ejemplo anterior se sabe que el autovalor es de li = 0.1149, ahora se proceder al clculo de la correlacin cannica:

0.1149

Cr.,
1 +0.1149

= 0.32

Retomando la informacin del paquete estadstico se observa el mismo valor: El 32.2% de la variacin total es explicada por la diferencia entre los grupos FUNCIN DI SCRIMINANTE CANNICA:
discriminantes

Es la funcin que se obtiene

con varianza 1, Y que sean

si se quiere calcular r funciones incorre1acionadas

entre s, es decir, que verifiquen que u'Wuj

= () i,j=l,

... ,t, se

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

41

obtienen como soluciones los r vectores propios de W -1B asociados a los r mayores valores propios de esta matriz Al 2: ... 2: A, > O.A las funciones Di D = u.'Y i=l, .. o,t , B= Es la Matriz de suma de cuadrados Imer-grupos W = Es la matriz de suma de cuadrados - intragrupos. COEFICIENTES ESTANDARIZADO S DE LAS FUNCIONES CRIMINANTES: Vienen dados por la expresin: u* = F-1u donde F = daig (SI/2) siendo sjj elemento de la diagonal de la matriz
11

DIS-

S' =n"!u . A partir de ellos se puede deducir la expresin matemtica de las funciones discriminantes en trminos de las variables originales estandarizadas. Estos coeficientes son poco fiables si existen problemas de multicolinealidad entre las variables clasificadoras. FUNCIN DE LOS CENTROIDES DE LOS GRUPOS: Es el valor de la funcin discriminante evaluada para las medias de las variables discriminatorias en cada grupo (activ,.s o liquidacin). Ejemplo Continuando con el mismo ejemplo para esta definicin se requiere las medias de las variables de la funcin discriminante, las variables o indicadores son: INDICADORES Deuda lp/(Deulp+Patr) (Act-Pc)/ventas VAn/ Act. total INDICADORES Patrim/Pasiv. Total Patr/a':t.tot
Const:3.nte

COEFICIENTES 0,3982674619433 -7,516079847931e-007 1,313086989896 COEFICIENTES -0,02722753088159 2,108719576004 -0,69710

Al evaluar la funcin en las medias de cada variable del grupo (1) Y (2) se obtiene la siguiente informacin:

42

pensamiento

& gestin,

15. Universidad del Norte, 26-51, 2003

Funciones

en los centroides de los grupos Funcin 1 0.099 -1.159351

Situacin actual 1 2

Funciones discriminantes cannicas no tipificadas evaluadas en las medias de los grupos DESARROLLO DE LA INVESTIGACIN

Para e! desarrollo de esta investigacin se sigui e! siguiente esquema: Mediante e! uso de! paquete estadstico SPSS se utiliz e! mtodo de inclusin por pasos, se seleccionaron las variables independientes que mayor informacin aporraran sobre los valores de la dependiente y mejor discriminaran los grupos establecidos (activa y en liquidacin). Para esto se siguieron los siguientes pasos: PASO 1 1. Criterio del Lambda de Wi1ks Las variables se seleccionaron con e! mtodo de Lambda de Wilks, estadstico que mide e!poder discriminante de un conjunto de variables, e! cual toma valores entre O y 1 de forma que cuanto ms cerca de O est, mayor es e! poder discriminante de las variables consideradas y cuanto ms cerca de 1, menor es dicho poder. Se tom variable por variable, se fue combinado con las restantes y se determin su poder de discriminacin utilizando este criterio. 2. Criterio para aceptar o rechazar la variable en cada paso No slo es escoge:t las variables paso a paso, sino determinar si la nueva variable aumenta e! poder de discriminacin y las variables prese!eccionadas lo mantienen o aumentan su valor; para esto se tom e! siguiente criterio: Eliminar la variable que muestre e! mnimo incremento en e! Lambda de Wilks, e! estadstico de prueba es una F de Student:

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

43

Si el F de entrada es: F> 3.84 se acepta la nueva variable. Si F de salida es. F < 2.71 se rechaza la variable preseleccionada. 3. Criterio de tolerancia Permite determinar si existe multicolinialidad entre las variables. Esto se mide con la toletancia, la cual se define por: Tolerancia j = 1- R2 donde R2 es el coeficiente de correlacin mltiple de la variable j, con las dems variables. Si la tolerancia es igual a O,la variable presenta una combinacin lineal de las restantes variables y no sirve para ser incluida en el modelo. Se analiz la tolerancia de cada variable con las restantes para definir si se acepta o se rechaza la variable.

4. Extraccin

de la funcin discriminante

Despus de generar el posible modelo se mide el poder de discriminacin y para esto se utiliza la CORRELACIN CANNICA de cada funcin posible, la cual mide en trminos relativos el poder discriminante de la i-sima funcin discriminante, ya que es el porcentaje de la variacin total en dicha funcin que es explicada por las diferencias entre los grupos. El criterio utilizado es: Como los valores de la correlacin oscilan entre O y 1, cuanto ms cerca de 1 est su valor, mayor es la potencia discriminante de la i-sima funcin discriminante. Es de anotar que para cada posible combinacin de variables se verif.ca la funcin mediante una prueba de hiptesis que nos permite determinar si el modelo matemtico generado discrimina los grupos. Para esto se apoya en el autovalor que mide las desviaciones de las puntuaciones discriminantes entre !-osgrupos respecto alas puntuaciones dentro de los grupos, si el valor es grande la dispersin ser consecuencia de las diferencias entre los grupos, luego la funcin discrimina mejor los grupos. La hiptesis que se prueba para cada funcin es: HO = Los centroides de los grupos son iguales; utilizando un estadstico de prueba Chi cuadrado. (Es decir no se pueden separar los grupos, uno est sobre el otro). 5. Validacin de lo" resultados

Como se tiene un conocimiento previo de la situacin de las empresas se procede a clasificarlas en acti.vas o en liquidacin a partir del teorema de Bayes que

44

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

permite estimat la probabilidad de que una empresa con una puntuacin zi pertenezca al grupo j. Adicional a este concepto se utiliz la distancia de Mahalanobis al cuadrado hasta el centroide que permite determinar cules son los casos atpicos dependiendo del valor de la P(X2 '" D). Estos dos criterios petmiten clasificat la empresa en activa o en liquidacin. 6. Prediccin Se determin el valor de prediccin del modelo utilizando una muestra donde se aplica el modelo determinado, se clasifica cada empresa y determina el porcentaje de acierto, los resultados para cada modelo fueron:

Tabla 1
Resultados de clasificacin en la prediccin. Empresas manufactureras.
SITUACIN ACTUAL Original
Recuento Grupo de pertcnencia

1 2 1

pronosticado 2 4 64 15 10 94.1 5.9 1

Total 68 25 100.0

40.0 100.0 2 60.0 Clasificados correctamente el 79.6% de los casos agrupados originales.
Fuente: Tomado de los resultados procesados en el paquete estadstico SPSS 7.5 para Windows.

El modelo acert en un 79.6%. El porcentaje mnimo de clasificacin correcta del modelo es de 67.52%; (0.7962 +(1-0.796) 2 = 0.6752), como el porcentaje de acierto 79.6% > 67.52% se puede afirmar que el modelo es bueno para clasificar las empresas observadas.

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

45

Tabla 2
Resultados de la clasificacin en la prediccin. Empresas Comerciales y de Servicio
SITUACIN ACTUAL GRUPO DE PERTENENCIA PRONOSTICADO Original
Recuento

TOTAL

Casos no seleccionados

%
Clasificados Windows. correctamente

1 2 1 2

1 988

2 2 990

67
99.8 91.8
originales

6
0.2 8.2
no seleccionados.

73
100.0 100.0

el 93.5% de casos agrupados

Fuente: Tomado de los resultados procesados en el paquete estadstico SPSS 7.5 para

Es decir, el modelo acert en un 93.5% de los datos. Es de anotar que al generar la ecuacin cannica tipificada para todos los datos, los coeficientes de las variables presentan variaciones muy pequeas que era lo que se esperaba. El porcentaje mnimo de clasificacin correcta del modelo es de 87.85%; (0.9352 +(1-0.935) 2 = 0.8n:5); como el porcentaje de acierto es del 93.5% > 87.85% se puede afirmar que el modelo es bueno para clasificar las empresas observadas. PASO 2 Despus de encontrar el modelo se procedi a comparar/os, el de Altman y el nuevo modelo. Para la comparacin de los modelos se aplic a los aos 1997, 1998 Y 1999 a todas las empresas, 1.112 empresas comerciales y de servicio en promedio por ao)' 212 empresas manufactureras, en lo cual se obtuvo: Empresas manufactureras

Se determin el porcentaje de aciertos del modelo y del modelo de Altman. Se utiliz la funcin discriminante evaluada en los centroides de los grupos, para determinar el valor crtico que permitir clasificar la empresa en activa o en liquidacin.

46

pensamiento

& gestin,

15. Universidad del Norte, 26-51, 2003

MODELO NUEVO ALTMAN

1997 75.4% 47.4%

1998 80.2% 49.1%

1999 77.1% 48.1%

Promediando los tres aos, el porcentaje de acierto de Altman es de 48.19% yel porcentaje promedio del nuevo modelo es de 77.55%. Empresas comerciales y de servicio 1998 1999 1997 66.24% 66.58% 66.32% 68.1% 64.0% 60.5"/,

MODELO NUEVO ALTMAN

Promediando los tres aos, el porcentaje de acierto de Altman es de 63.9% y el porcentaje promedio del nuevo modelo es de 66.38%. Adems, se prob la siguiente biptesis para cada modelo: Empresas HO H1 manufactureras

= =

El porcentaje de aciertos del modelo nuevo es inferior o igual al modelo de Altman El porcentaje de aciertos del modelo nuevo es superior al modelo de Altman.

A un nivel de significanca del 5%, con un Zc de 1,96, la biptesis nula se rechaz ya que el valor real del estadistico fue de: Zr =(pn - PA)/_pnPA = (0.7755 - 0.4819)/0.02707 = 10.84 Mayor que 1.96, luego si es significativa la afirmacin de que el nuevo modelo tiene un mayor porcentaje de acierto que el modelo d~ Altman. Empresas HO H1 com<:rciales y de servicio

= =

El porcentaje de aciertos del modelo' nuevo es inferior al modelo de Altman El porcentaje de aciertos del modelo nuevo es superior al modelo de Altman.

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

47

El nivel de significancia de prueba que se utiliz es de 5%, luego el Zc es de 1.96 y el Z real es:. Zr =( Pn - PA-) / _ Pn - PA- = (0.6638 - 0.639)/ 0.0112= 2.2157 Mayor que 1.96; luego si es significativa la afirmacin de que el nuevo modelo tiene un mayor porcentaje de acierto que el modelo de Altman. RESULTADOS Y CONCLUSIONES

Como producto de esta investigacin se gener un nuevo modelo para las empresas manufactureras, comerciales y de servicio registradas en la Superintendencia de Sociedades y ajustado a las condiciones del pas. Los modelos respectivos son: Para empresas manufactureras Z = 0,099 * Xl - 0,017 * X, + 1,273* X, -1.573* X4 + 2.014*Xs + 0.707 La regla de clasificacin es: Si Zi > 0.0002821 la empresa se clasifica como activa (1) Zi < 0.0002821 la empresa se clasifica como en liquidacin (2) Con una zona gris entre [-1.626 ; 0.524 ] Xl X2 X3 X4 X5 = Ventas / Kn.O =Costo de Ventas/ Inv. Promedio =UAII/Venta =Deuda Largo plazo/(Deud. Lp + Patriinonio) =Utilidad Retenida / Activo Total

- Para empresas ,comerciales y de servicio Z = -1,275* Xl -1,275* X, + 0,008* X, + 8,811e-007* X4 + 2,064* Xs - 1.206 La regla de clasificacin es: Si Zi > 0.00003095 .laempresa se clasifica como en iquidacin (2) Zi < 0.00003095 la empresa se clasifica como activa (1) Con una zona gri:; entre [-0,0866; 1.074]

48

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003

XI

X, X,
X4 Xs

UAIII Activo total Patrimoniol Pasivo Total Deuda largo plazo ICDeud.lp+Patrimonio) (Activo -Pasivo Corriente)1 Ventas Pasivo Total I Activo Total

Analizando el modelo generado para empresas manufactureras se les recomienda que para mantenerse activas deben centrar su atencin, en primera instancia, sobre los indicadores de actividad tales como rotacin de inventarios y la productividad del capital de trabajo, es decir, la empresa debe ser ms eficiente operativamente con el fin de garantizar su permanencia en el largo plazo. En segunda instancia, el nfasis se debe centrar en la rentabilidad: Utilidad Retenidal Activo Total y Margen de utilidad, lo que equivale a disminuir costos y gastos buscando ser eficiente en los procesos productivos, administrativos y comerciales y, por ltimo, el endeudamiento con el fin de reducido para llegar a niveles ptimos y disminuir la carga financiera y por ende aumentar la utilidad. Con respecto a las empresas comerciales y de servicio es de anotar que la funcin clasifica las empresas como activas cuando la puntuacin del Z de la empresa es negativa. Se recomienda centrar su atencin en primera instancia en ndices de endeudamiento seguido de los ndices de rentabilidad. Las recomendaciones anteriores garantizan el mejor comportamiento del modelo. Es de anotar que cada indicador deber aumentar o disminuir de acuerdo al signo que presenta en la funcin discriminante analizada anteriormente.

Es importante resaltar que Altrnan al construir su modelo trabaj conjuntamente las empresas comerciales y de servicio. En esta investigacin se consider prudente analizar independientemente las empresas comerciales y de servicio ya que las caractersticas de sus estados financieros son diferentes. En este anlisis se calcul un modelo slo para las empresas comerciales y otro para las empresas de servicio, para esto se siguieron los pasos descritos y se compar con el modelo de A1trnan, lo cual nos llev a concluir que el modelo de A1trnan presentaba mayores porcentajes de aciertos, pero al verificar esta

pensamiento & gestin. 15. Universidad del Norte, 26-51, 2003

49

afirmacin estadsticamente se demostr que los nuevos modelos pueden ser iguales o superiores al de Altman. Pero el modelo conjunto, es decir, el modelo obtenido con las empresas comerciales y de servicios el cual estamos presentando, ofreci un mejor comportamiento para este tipo de empresas. Al analizar el comportamiento de las empresas comerciales y de servicio bajo la funcin discriminante hallada se concluy que apesar de aceptar estadisticamente la hiptesis que afirma que la nueva funcin clasifica mejor las empresas que el modelo de Altman, no es muy fiable, ya que el porcentaje de acierto de los aos 1997 a 1999 fue inferior al porcentaje minimo de aciertos del 87.85% establecido por el modelo cuando se determin su poder de prediccin; los porcentajes de aciertos en estos aos fueron 66.24%; 66.58%; 66.32%, respectivamente. En cambio en la! empresas manufactureras se ratifica la probabilidad mnima de acierto del modelo del 67 .25% esto se cumpli en los tres aos. Los aciertos por ao fueron 75.4%; 80.2%; 77.1%, respectivamente. Es de resaltar que acrualmente se est probando el modelo con un grupo de empresas de la Superintendencia de Sociedades, tomadas en el perodo de 2000 a 2002, para analizar el comportamiento de las funciones en un perodo de tres aos, igual a lo realizado en este trabajo y determinar los aciertos del modelo generado versus el modelo de Altman en las empresas manufactureras, comerciales y de servicio.

BIBLIOGRAFA AKTOUF, Ornar. La' administracin: Entre tradiciny renovacin, 3' ed., Cali: Universidad del Valle. 750 p. --(2001) La melodologa de /as ciencias sociaesy el enfoque cualitalivo en as organizaciones. Una introduccin a/jJrocedimiento clsicoy una critica. Cali: Universidad del Valle. BECERRA A., Rigoberto. Anlisis financiero para a determinacin deprobabilidad de quiebra
de as empresas. www.iamnet.com/rbecerra/
altman.htffi.

BREALEY, Richard A., MYERS, Stewart, MARCDS, Alan (1999). Fundamentos

Finanzas Coporatitos. McGraw-Hill. lteramericana de Espaa S.A., 771 p.

de

CHENG, F. Lee (1985). FinacialAnaysis and Planning. Theory andApPicalion. AddisonWesley Publishing Company, 777p. DALLAS, E. Json (1998). Mtodos mullivariados aplicados al anlisis de datos intemaliona/, Thomson Editores, 566 p.

50

pensamiento

& gestin, 15. Universidad del Norte, 26-51, 2003

DE LA GARZA GARCA, Jorge (1995). Anlisis de la infirmacin mercadolgica, a travs de la estadstica multivariente. Mxico: Ed.Alambra Mexicana, 235 p. DILLON, William R., MATIHEW, Goldste. Multivariate Ana/ysis. New York: John Wiley & Sons, !;87 p. , .. FERRN ARANAZ, Magdalena cl996): SPSS para Windows P y anlisis estadlstico. McGraw-Hill. Interamenricana de Espaa. S.A., 580 p. GITMAN LA WRENCE,j. (1996). Administracin financiera bsica, 3' ed., Mxico: Ed. Harla. " HERNADEZ, S. Roberto, FERNADEZ e, Carlos, BAPTISTA L., Pilar (1996). Metodologa de la investigacin. Mxico: McGraw-Hill. lnteramerican, 501 p. LEON GARCA, Oscar. Administracin financiera, 3' ed., Cali: Prensa Moderna Impresores, 573 p. LEY 550 de 1999. Intervencin econmica para la reactivacin empresarial y acuerdo de reestructuracin. Bogot: Legis MARTHE DE CARVAJALES, Norma, MORENO e, Francisco, ESTRADA e, Rebeca, REBOLLEDO S., Luis Alberto (1999). Cmo elaborar y presentar un trabajo escrito. Barranquilla: Ediciones Uninorte. 222 p. MA YORGA, Humberto (1994). Fundamentos de anlisis multivariado. Bogot: Universidad Nacional de Colombia. MIQUEL, Salvador, BIGN, Enrique, LVY, Jean-Pierre, CUENCA, Antonio e, MIQUEL, M' Jos (1991). Investigacin de mercados. Madrid: McGraw-Hill. Interamericana, 453 p. MONCLS, Salamero A. (2000): Disolucin y Liquidacin de Sociedades, [en lnea] 5campus.com, Consolidacin contable <hup:/ /www.5campus.com/leccion/ disoliqui> MONTGOMERY, D.e Diseo y anlisis de experimentos. Grupo Editorial Iberoamericana, 684 p. SALVATORE, Figueras M. (2.000) "Anlisis Discriminante"[en lnea] 5campus. com.Estadistica.http:www.5campus.com/leccin/discri SHARO N, Ander. S tatistical methods jorcomparative studies. N ew York: J ohn Wiley & Sons. SANCHEZ A. JAVIER l. (1990). Manual prctico de estadlstica, 4' ed., Universidad Nacional. VAN HORNE,]annes C. Administracinfinaciera, 911. eJ., Prentice-Hall Hispanoamericana, 835 p. WESTON, Copeland. Finanzas en administracin. 9' ed., McGraw-Hill, vol 1, 596 p.

pensamiento & gestin, 15. Universidad del Norte. 26-51, 2003

51