Altman en Superintendencia de Sociedades

VerificaciÓn y adaptación del modelo de
ALTMAN a la Superintendencia
de Sociedades de Colombia
Deysi Berrío Guzmán
Administradora de Empresas y Especialista en Finanzas, Universidad del Norte.
Profesora de la División de Ciencias Administrativas, Universidad del Norte.
tkl'[email protected]
Leonor Cabeza de Vergara

M¡¡temático, Universidad de Antioquia. Especialista en Administración Financiera,
Universidad del Norte. Profesora de la División de Ciencias Administrativas, Universi·
dad del Norte. [email protected]
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 investigación correlacionada que buscó establecer cuáles son
los indicadores financieros recomendables para la Superintendencia de Sociedades que
permiten clasificar la {mpresa en activa o en liquidación. La investigación generó un modelo
que permitió discriminar las empresas; además, se comparó el modelo de Altman con el
generado en la investigación para seleccionar el que mej?r hizo la discriminación. Es de resaltar
que el modelo de las Empresas Jvlanufactureras cumplió la probabilidad mínima de acierto del
67.25% con respecto al modelo de las Empresas Comerciales}' de Servicio.
Palabras claves: Quiebra, liquidación 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 Superintender¡cia 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 Supen·ntendencia 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 seru·ccs indus/nÚ
Keywords: Altman model, financia!indicators, bankruptcy, prediction, manufacturing,
services and commercial industries.
Fecha de recepción: 1 de septiembre de 2003

Fecha de aceptación: 16 de cctubre de 2003
26 pensamiento & gestión, 1.5.Universidad del Norte, 26-51, 2003

INTRODUCCIÓN
En la actualidad los cambios que se viven en e! ámbito social, económico y

politico como consecuencia de! mundo tan convulsionado y dinámico en e! que
vivimos ha incrementado la incertidumbre a nivel individual y organizacional.
Uno de los aspectos que preocupa a cualquier empresario de! país es la

posibilidad de quiebra, la cual ha golpeado fuertemente a las empresas colom-
bianas en los últinlOS años como consecuencia de la recesión económica. Esto
conlleva a desear contar con herramientas cuantitativas y cualitativas que les
sirvan de guia para la puesta en práctica de estraregias que garanticen su
permanencia en e! mercado.
En 1966 Edward 1. Atlman contribuyó con e! desarrollo de! índice Z,

también conocido como modelo Z de Altrnan, para la predicción de la quiebra
o bancarrota. Este modelo se desarrolló mediante la aplicación de! análisis
discriminante, método estadistico desarrollado por Fisher en 1936, y que se basa
en una variable chsificatoria y otras cuantitativas, las que a través de una regla
matemática permiten establecer a qué grupo pertenece un ente y pueden
producir un conjunto o subconjunto de combinaciones lineales que revelan las
diferencias entre las clases.
El interés de este trabajo es generar un modelo de fácil manejo para la

Superintendencia de Sociedades; nos apoyamos en e! modelo que generó
Edward Altrnan, pero utilizando un modelo transversal y no longitudinal. Para
este estudio se contó con el apoyo de la Superintendencia de Sociedades que
suniinistró la info,mación de un grupo de empresas que se hallan debidamente
registradas.
Queremos resaltar la realización de un análisis transversal y no longitudinal

de los datos. Se consideró que e! período en e! cual una empresa presenta
dificultades que la pueden llevar a la bancarrota no debe ser superior a tres años,
por lo tanto e! estudio se basó en la información de un gran grupo de empresas
en este período y de acuerdo con su comportamiento se generalizó e! modelo
para las empresas manufactureras y comerciales y de servicio.
pensamiento & gestión, 15. Universidad del Norte, 26-51, 2003 27

El objetivo principal de la investigación fue determinar un modelo para
pronosticar quiebra para las empresas registradas en la Superintendencia de
Sociedades, a partir de una adaptación del modelo de Altman.
Para esto se realizaron una serie de pasos tales como identificar y calcular los
indicadores financieros iniciales para la predicción de quiebra de las empresas
manufactureras, comerciales y de servicio registradas en la Superintendencia de
Sociedades. Se seleccionaron 25 indicadores para el análisis; con base en ellos se
definió la función discriminante para las empresas.
Posteriormente, se contrastó la proporción de aciertos del nuevo modelo con

el modelo de Altman lo cual permitió determinar cuál tenia un mayor porcentaje
de aciertos en cada uno de los grupos de análisis de las empresas registradas en
la Superintendencia de Sociedades.
A continuación se relacionan las teorías, conceptos y el contexto que sirvió

de apoyo en el desarrollo de este trabajo, lo cual es importante pues aclara
muchos delos términos y criterios que se tuvieron en cuenta durante el desarrollo
de la investigación.
FUNDAMENTOS TEÓRICOS DEL MODELO
Uno de los conceptos que se debe aclarar inicialmente es el de la función

discriminante para poder entender el modelo.
Según Javier Sánchez, El problema de la discriminación entre dos grupos o seres vivos
o de objetos sepresenta confrecuencia y se hace basándose 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'! combinación lineal que reduzca estas
incidencias en las especies por medio de un índice numérico;para esto se necesita un valor critico
de/indice que lepermit" discriminar si un elemento pertenece a una especie o a otra según su
resultado o valor caiga /,or encima opor debajo de dicho índice.
La naturaleza de l., variable dependiente es la que establece la diftrencia esencial entre una
ecuación corriente de regresión y una función discriminante. La función discriminante no opera
como la función ordina/ia de regresión que encuentra los valores condicionados de la variable
28 pensamiento & gestión, 15. Universidad del Norte, 26-51, 2003

dependiente para el v.•lor de la variable independiente, se refiere más al liSOde IIna clasificación
doble de los datos y "si obtener IIna fllnción. 1
En esta investigación no se trabajó con una regresión múltiple tradicional,

sino con un modelo que clasifica empresas; no muestra la relación de causa y
efecto, sino determina cuál es el plano que contiene la función discriminante
cuyos vectores direccionales son los coeficientes de las variables que maximizan
la dispersión entre los grupos de empresas (activas y en liquidación). El plano que
logra esto permit<: separar las empresas activas o en liquidación en dos planos
ortogonales entre si:
Plano de empresas activas donde están los valores de las variables (Xl ;X2;...Xn).
Plano de empresas en liquidación donde están los valores de las variables
(YI;Y2; ...Yn);
Gráficamente
Si se proyecta sobre el plano en el piso el grupo de empresas activas y en

liquidación y el plano generado por la función discriminante se tiene:
*
* * *
** ** *
_2 * ***
* ****
* * ****
Los puntos (.) :;on las empresas en liquidación y los (*) las empresas activas.
Lo que se pretende es:
1 SANCHEZ A. JavÚ:r l. (1990). Manual prádico de eJfadiJlica, 4- ed., Bogotá: Universidad Nacional, p. 530.

Donde _1 es el promedio o el centroide del modelo evaluado para las
empresas en liquidación y _2 es el centroide del modelo calculado para las
empresas activas. El modelo que se generó es por tanto el modelo que maximiza
esta distancia pero con una menor dispersión dentro de los grupos.
Es importante analizar por qué se utilizó un análisis transversal y no

longitudinal, para esto nos basamos en tres citas que consideramos da apoyo a
nuestra disertación:
Primero recordemos lo que se entiende por análisis momentáneo o trans-

versal desde el punto de vista de un texto financiero: Consiste en la comparación de
diftrentes indices financieros de la empresa en un momento determinado. A todo negocio le
interesa saber cómo se ba desempeñado en relación con sus competidores, para esto compara el
desempeño de la empre.ra con el/ider en la industria o del sector, siendo importante el análisis
de /as desviaciones a c.,alquier /ado del estánc/ar, o normal industrial o sectorial. El punto
jundamental es que el análisis de razones sólo guía al analista a áreas potenciales de cuidado.2
Segundo, según los métodos de investigación: El análisis transversal examina

varios grupos de personas en un solo punto del tiempo. Este método sirve para examinar
diftrencias (por ejemplo en edad) más que cambios (en /a edad) como se hace en el método
longitudinal. Este método es mucho más económico que ellongitudinal,ya que /as pruebas se
realizan durante un tiempo limitado. Gracias a /a brevec/ad de esteperíodo, los abandonos son
mínimos.3
Según los libros de econometría, la información que se va a utilizar pueden

ser series de tiempo., series de corte transversal o información combinada. Las
series de tiempo consisten en información de una variable en diftrentes momentos del tiempo.
La información de cor1'etransversal consiste en dátos de una o más variables recogidas en el
mismo momento de tiempo. Cada método 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). AdminÚlratiónfinandrra báricQ,3" ed., México: Ed. Harla, p. 93.
3SALKIND, Neil . Métodos tÚ invntigadán. Universidad de Kansas, p. 220.
4 GUAJURATI. Damodar N. (1997). Eronomia básico, 3" ed., McGraw-Hill Interamericana, p. 25.

En el caso concreto de la generación del nuevo modelo para discriminar las
empresas activas o en liquidación se trabajó con un análisis transversal el cual se
aplicó en los años 1997, 1998 Y1999 a un grupo de empresas manufactureras y
comerciales y de servicios registradas en la Superintendencia de Sociedades. En
la investigación se manejaron 25 indicadores para un gran número de empresas,
lo cual permitió icientificar los indicadores de mayor peso en la discriminación
de éstas ya que se contó con un grupo de empresas sometidas a los mismos
efectos micra y macroeconómicos en el mismo tiempo; además, las diferencias
entre los valores de los indicadores financieros es un reflejo de la situación
individual de la empresa que está activa o en liquidación.
El modelo que presentamos fue obtenido con la información de 1998 ya que

mostró el mayor coeficiente de correlación canónica y mayor autovalor. Lo que
hace esta ecuación es dar un Hcampanazo" de alerta para tener en cuenta durante
la definición de las estrategias correspondientes a cada empresa.
Los indicadores financieros utilizados se tomaron de los estados financieros

básicos: Balance General y Estado de Resultados, los cuales aportan información
de la empresa; unD estático y el otro el resultado del período 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
discriminación para clasificar las empresas como activas o en liquidación en un
momento determinado, de tal manera que le permitirá 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 análisis financiero que maneja los
indicadores financieros tradicionales, que no requiere un gran número de
períodos para detectar la situación de la empresa, los cuales, dependiendo de su
valor cuantitativo y análisis conjunto de varios indicadores, permiten ver cómo
está la empresa en ese instante e identificar las estrategias que se deben diseñar
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 método transversal es válido para el desarrollo de la investigación puesto

que permite diferenciar las empresas, una de las características de esta forma de
trabajo, tal como lo cita Salkind Nej].

Al trabajar con razones financieras se evita el problema de la heterogeneidad
en los valores ya que todos están dentro de una misma escala, lo cual reduce uno
de los inconvenientes de este método.
Edward Alttnan probó 22 índices financieros de los cuales sólo seleccionó

cinco que considerÓ permitían discriminar la empresa en una de las siguentes
categorías: empresa en quiebra o empresa en no quiebra. Para la creación del
modelo se seleccionó en 1966 una muestra de 66 empresas, de las cuales 33
habían caído en quiebra entre 1946 y 1965 Y las otras 33 se seleccionaron
aleatoriamente, entre las empresas que aún existían en 1966. Se utilizaron
empresas de diferente tamaño cuyo actívo total oscilaba entre 1 millón a 26
millones de dólares.
El modelo de Alttnan se desarrolló con el apoyo del análisis discriminante

múltiple que permite combinar muchas características ~ndicadores financieros)
en un solo valor, donde el valor indica a qué 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 está 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 aplicó a empresas manufactureras no cotizadas en bolsa,
construyéndose el índice Z 1;luego se determinó para empresas comerciales y de
servicio cotizadas o no en bolsa el indice Z2.
La construcción del modelo Z de Alttnan se apoya en el análisis discriminante

múltiple que permite combinar muchas características 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 parámetros o límites 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.

Para empresas manufactureras no cotizadas en bolsa:
Zl = 0.717 Xl + 0.847 X2 +3.107 X3 +0.42X4 +0.998x5. Los parámetros
o límites de referencia para las separaciones de los grupos son las siguientes:
Z :. 2.90. Se tiene baja 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 parámetros o límites
de referencia para las separaciones de los grupos son las siguientes:
Z :. 2.60. Se tiene baja 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 varía significativamente el valor de los activos.
Es importante resaltar lo siguiente: La ecuación de EdwardAltman para empresas

manufactureras cotizadas en bolsafuncionó bienpara describir la situación de quiebra del94%
de las empresas que GlTrojaronun Z inftrior a 2.7, el año antes de que fuera a la quiebra;por
lo contrario el97% & las empresas que nofueron a la quiebra tenían puntuaciones Zpor encima
de este nivel. La ecu"ción funcionó un poco peor cuando se usó para predecir quiebra después
de 1965.'
El análisis discriminante, base de la formulación de! modelo de Altman, busca

una unidad estadÚ;tica. Los grupos de unidades estadisticas son e! objeto central
de esta técnica estadística multivariada. Los grupos están predeterminados y e!
propósito fundamental es proporcionar mecanismos que petrnitan ubicar en
algunos de los gmpos, una nueva unidad estadística. El análisis discriminante
SBREALEY, RichardA., :MYERS STEW ART, MarcusAhm.. Fundamentos definanzascorpor-ativas. McGraw-Hill.,

p.607.

asume la existencia de una partición de un universo, en g grupos de unidades
estadísticas, g ;"2, grupos que se denominan poblaciones y se representan por
_1 ; _2 ; _3 ; ~4 ; ~ . Las variables seleccionadas para el análisis,
representadas por Xl ;X2 ;X3 ;X4 ....;XI': y llamadas variables díscriminatorias,
se dísponen en un vector aleatorio X, cuya función de densidad es denotada por
f(X) asociada a la población general o universo y con cada una de las sub-
poblaciones se le awcia una función de densidad al vector X; fk(X); denotada
la función de densidad del vector aleatorio X correspondíente a la población_k
k = 1, 2, 3, 4, ,g.
Uno de los propósitos del análisis díscriminante es la determinación de un

mecanismo que permita ubicar a una nueva unidad estadística con información
específica del vector aleatorio X = x, en alguno de los grupos. Ese mecanismo
se conoce como regla díscriminante o regla de clasificación, la cual induce una
participación del espacio de las observaciones {, en regiones disjuntas {,1 ; {,2
; {,3 ; {,4 ;.... {,g ; ral que
g
~ {,k = {" llamada regiones de clasificación, regla definida en forma
genérica
K= 1 como" Ubicar la unidad estadística con información X =x en
el grupo _k , si x __{,k." Para k =1,2,3, , g.
Antes de asignar o ubicar una nueva unidad a alguno de los grupos,

independíentemente de su información x, a dícha unidad se le asocian las
probabilidades _1 ; __2 ;_3 ; ~; de pertenecer a cada uno de las g poblaciones.
La probabilidad _k recibe el nombre de probabilidad a priori de perrenecer a la
población _k. La asignación de la unidad a un grupo puede ser errónea, es decir,
ubicarla en un grupo o población a la cual no debe pertenecer, con ello se
configura una decisión equivocada denominada error de clasificación incorrecta;
igualmente, la decisión de ubicar erróneamente una unidad, puede implicar
algún costo, conocido como costo de clasificación incorrecta.
El costo denotado C(k/h) es el causado al ubicar a la unidad en la población

_k cuando de hecho ella pertenece a la población _h, y la probabilidad p(k/
h) es la probabilidad de ubicar a la unidad en la población _k cuando de hecho
ella pertenece a la población _h" donde k, h = 1,2,3, ,g.
p(k/h) puede calcularse una vez se especifica fk(x), como:
34 pensamiento & gestión:, 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 clasificación incorrecta de una unidad que pertenece
a la población ,-h es:
g
~c(k/h) p(k/h) , Para h = 1,2,3, ...g
K= 1
h••k
El costo esperado general de clasificación incorrecta tiene la siguiente
expresión:
g g
~ ~c(k/h) p(k/h)
h =1 K=1
h••k
Luego la regla que induce la partición de [, en regiones de clasificación que

minimizan e! co,;to esperado general de clasificación incorrecta es la siguiente:
Ubicar la unidad estadistica con información X = x en la población _k, si

g
~ _h c(k/h) Ih(x), tiene e! mínimo valor.
h =1 .•
h••k
Si existe razón para considerar que los costos de clasificación incorrecta no

difieren entre s!' entonces la .regla de clasificación puede enunciarse como:
Ubicar la unidad estadistlCa con información X = x en la población _k, si

_k fk(x) > _h fh(x)," h •• k; h, k = 1,2,3,...,g.
Como en todo procedimiento multivariado, la información muestral se

representa en IDla matriz X de dimensiones nxp, puesto que se estudian p
variables en n unid~des est~disticas, sólo que para e! caso de! análisis discri-
minante hay que tener en cuenta e! grupo o población a la cual pertenecen las
unidades de la muestra. Por lo tanto

X(l)
X(2)
X=
X(n)
Siendo X(k) una matriz de orden nkxp, que contiene la información de las
p variables en la nk unidades estadísticas que pertenece a la población 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 expresión es:
(n1-1) S(l) + (n2-1) S(2) + + (ng-1) S(g)

Sp
n1 +n2 +n3 + + ng - g
Luego las funciones discriminantes estimadas, cuadrática o lineal son respec-

tivamente:
ilh (x) = In _h In / S(h) / - _ (x - x h)T S-l (h) (x - x h)

ilh (x) = In _h + x T(h)S-lpx -_xT(h)S-lpx (k).
Las herramientas que se requieren para e! desarrollo de la investigación son:

Los estados financieros (Balance General y Estado de Resultados) que nos
permitirá construir los índices financieros. Los índices 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 término no
superior a un año a partir de la fecha de! balance; y los PASIVOS CORRIENTES son
las obligaciones contraídas por la empresa con terceros, las cuales deben cubrirse
en un plazo no mayor de un año.
36 pensamiento & gestión, 15. Universidad del Norte, 26·51, 2003

ACTIVOS: Es la representación financiera de un recurso obtenido por la
empresa como resultado de eventos pasados, de cuya utilización 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 INTERE-

SES E IMPUESTOS. Se obtiene después 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, después de
deducir todos los pasivos y e! PASNO es la representación financiera de una
obligación presente de la empresa, derivada de eventos pasados, en virtud de la
cual se reconoce que en e! futuro se deberán 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 período.
NÚMERO DE FUNCIONES DISCRIMINANTES': El número de fun-

ciones discriminantes significativas se determina mediante un contraste secuencial
de hipótesis.
Si denotamos por k = número de funciones discriminantes significativas e!

proceso comienza con k=O. En e! (k+ 1)-ésimo paso de! algoritmo la hipótesis
nula a contrastar es:
Ha: ~+1 = ... = Anún{G_l,p) =O
y e! estadístico de contraste viene dado por:
min(q -1, p)
T = [n-l-(p+q)/2] 2;Ln(1+ _i)

J ~ k+l
6 $ALVATORE FIGUERAS, M. (2000) AnálÚÚ discriminante [en lineal Scampus.com. Estadistica <
http:www.Scampus.com/lección/discri>

si Ho es verdad. El p-valor asociado al
el cual se distribuye como una X' (P-k)(q-k-!)
contraste viene dado por:
prv'
LA. (P-k)(g-k-t)
~ Tob J
donde Tobs es el valor observado de T.

AUTOV ALOR: (1..): Para r número 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-ésima función
discriminante en los q grupos y es la puntuación media total.
Por lo tanto, los valores propios {Ai; i=l ,...,r} miden el poder de discriminación
de la i-ésima función discriminante de forma que si Ai = O la función discrimi-
nante no tiene ningún poder discriminante. Dado que el rango de la matriz W-
!B es a lo más min {q-1,p} el número máximo de funciones discriminantes que
se podrán calcular será igual a min{q-l,p}.
Para aclarar estos conceptos se utilizarán ejemplos, en los cuales se aplica cada
uno de los términos descritos anteriormente
Ejemplo:
Se cuenta con 622 empresas comerciales y la información de 25 indicadores
financieros para cada una; se desea determinar cuáles son los indicadores que
mejor discriminan las empresas como activas o en liquidación; además, se tienen
clasificadas las empresas en 573 empresas activas y 49 en liquidación.
Según lo descrito anteriormente se tiene:
n = 622 empresas
P= 25
'1 = 2 (grupos)
K = O,1...,n

Aplicando la definición anterior se requiere determinar primero el autovalor.
El número máximo de funciones discriminantes es C= mín( q- 1; p) , luego C =
Mín(2-1 ;25) = 1
(una función).
FUNCIONES EN LOS CENTROIDES DE LOS GRUPOS
Situación actual Función 1

1 0,099
2 -1,159351
El valor 0.099 corresponde al valor de la función 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 función calculada
en las medias de los indicador es de las empresas en liquidación. Según la
definición 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 sumínistra el paquete estadistico
SPSS.
Autovalores
I Función Autovalor % de varianza % acumulado Correlación canónica
I 1 .11" 100.0 100.0 .322
a. Se han empleado las 1 primeras funciones discriminantes canónicas en el análisis.
LAMBDA DE WILKS': Estadistica que mide el poder discriminante de un

conjunto de variables, viene dado por
A-
Iwl 1
I W+BI min(q -1. p)
rr (1 +1..;)
i= 1
7 Salvatore FIGUERAS, M (2000) "Análisis Discriminante" [en lineal Scampus.com. Estadística <
http:www.Scampus.cc-m/lección! discri>

y toma valores entre Oy 1 de forma que cuanto más cerca de O esté, mayor es
el poder discriminante de las variables consideradas y cuanto más cerca de 1,
menor es dicho poder.
Este estadistico tiene una distribución Lambda de Wilks con p, q-1 Y n-q grados
de libertad si se verifica la hipótesis nula:
Ho: Y/Gi - Np(!A;>~): i=l,,,.,q con [.tl = ". = [.tq f

H o: Al = ... = Amln
. {q-1 ,pI = O
q = es número de grupos = 2
P = número de variables clasificatorias.
Ejemplo
Retornando el ejemplo anterior para e! cálculo de! Lambda de Wilks se tiene:
1 1 1
A =------ -----.- ---= 0.8969
min(q -1, p) m;n(2-1.25) 1.115
TI (1 +1..;) TI (1 +0.115)
j =1 j= 1
Luego e! A= 0.8969 " 89.69%
Lambda de Wilks
Contraste Lambda de Wilks Chi·cuadrado gl Sigo
1 .897 67.390 5 .000
El poder discriminante de la función es bajo ya que está cerca de 1. Este

estadistico tiene una di,:tribución Lambda de Wilks conp=5, q-1= 1Y n-q = 25-
5 = 20 grados de libertad si se verifica la hipótesis nula:
Ho: [.tl = [.t2 f Ho: A, = A, = O

q = es número de grupos = 2
P = número de variables clasificatorias =5
Hipótesis que se verifica en e! paquete estadistico mediante una prueba Chi-

cuadrado de 5 grados de libertad. Donde e! valor de la variable es
40 pensamiento & gestión, 15. Cniversidad del Norte, 26-51, 2003

min(2 -1. 5)
TOb',= [622-1-(5+2)/2] }:Ln(1+0.1149) = 67.39

J ~ 0+1
La probabilidad: P [_' (p.k)(g.k.!!) ;,. TobJ = P[_2(5.0)~.O.') ;,. 67.390] = 0.00, por tanto
se rechaza la hipótesis nula y afirmamos que las medias de los grupos; empresas
activas y en liquidación son diferentes o los autovalores son diferentes a cero,
luego la función discriminante es significativa.
CORRELACIÓN CANÓNICA: La i-ésima correlación canónica viene dada

por:
.
Cr¡ = ] i = 1,2,..., r
1 +A..
~ •
y mide, en términos relativos, el poder discriminante de la i-ésima función
discriminante ya que es el porcentaje de la variación total en dicha función que
es explicada por las diferencias entre los grupos.
Toma valores entre O y 1 de forma que cuanto más cerca de 1 esté su valor,
mayor es la potencia discriminante de la i-ésima función discriminante.
Ejemplo
Utilizando el mismo caso del ejemplo anterior se sabe que el autovalor es de li
= 0.1149, ahora se procederá al cálculo de la correlación canónica:
0.1149
Cr., = 0.32
1 +0.1149
Retomando la información del paquete estadístico se observa el mismo valor:
El 32.2% de la variación total es explicada por la diferencia entre los grupos
FUNCIÓN DI SCRIMINANTE CANÓNICA: Es la función que se obtiene

si se quiere calcular r funciones discriminantes con varianza 1, Y que sean
incorre1acionadas entre sí, es decir, que verifiquen que u¡'Wuj = ()é i,j=l, ... ,t, se

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 DIS-

CRIMINANTES: Vienen dados por la expresión:
u* = F-1u
donde F = daig (SI/2) siendo sjj elemento de la diagonal de la matriz
11
S' =n"!u . A partir de ellos se puede deducir la expresión matemática de las

funciones discriminantes en términos de las variables originales estandarizadas.
Estos coeficientes son poco fiables si existen problemas de multicolinealidad
entre las variables clasificadoras.
FUNCIÓN DE LOS CENTROIDES DE LOS GRUPOS: Es el valor de la

función discriminante evaluada para las medias de las variables discriminatorias
en cada grupo (activ,.s o liquidación).
Ejemplo
Continuando con el mismo ejemplo para esta definición se requiere las medias
de las variables de la función discriminante, las variables o indicadores son:
INDICADORES COEFICIENTES
Deuda lp/(Deulp+Patr) 0,3982674619433
(Act-Pc)/ventas -7,516079847931e-007
VAn/ Act. total 1,313086989896
INDICADORES COEFICIENTES
Patrim/Pasiv. Total -0,02722753088159
Patr/a':t.tot 2,108719576004
Const:3.nte -0,69710
Al evaluar la función en las medias de cada variable del grupo (1) Y (2) se
obtiene la siguiente información:

Funciones en los centroides de los grupos
Situación actual Función

1
1 0.099
2 -1.159351
Funciones discriminantes canónicas no tipificadas evaluadas en las medias de

los grupos
DESARROLLO DE LA INVESTIGACIÓN
Para e! desarrollo de esta investigación se siguió e! siguiente esquema:
Mediante e! uso de! paquete estadístico SPSS se utilizó e! método de inclusión

por pasos, se seleccionaron las variables independientes que mayor información
aporraran sobre los valores de la dependiente y mejor discriminaran los grupos
establecidos (activa y en liquidación). Para esto se siguieron los siguientes pasos:
PASO 1
1. Criterio del Lambda de Wi1ks
Las variables se seleccionaron con e! método de Lambda de Wilks, estadístico

que mide e!poder discriminante de un conjunto de variables, e! cual toma valores
entre O y 1 de forma que cuanto más cerca de O esté, mayor es e! poder
discriminante de las variables consideradas y cuanto más cerca de 1, menor es
dicho poder. Se tomó variable por variable, se fue combinado con las restantes
y se determinó su poder de discriminación utilizando este criterio.
2. Criterio para aceptar o rechazar la variable en cada paso
No sólo es escoge:t las variables paso a paso, sino determinar si la nueva variable
aumenta e! poder de discriminación y las variables prese!eccionadas lo mantie-
nen o aumentan su valor; para esto se tomó e! siguiente criterio: Eliminar la
variable que muestre e! mínimo incremento en e! Lambda de Wilks, e! estadístico
de prueba es una F de Student:

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 correlación múltiple de la variable j, con las demás variables. Si la
tolerancia es igual a O,la variable presenta una combinación lineal de las restantes
variables y no sirve para ser incluida en el modelo. Se analizó la tolerancia de cada
variable con las restantes para definir si se acepta o se rechaza la variable.
4. Extracción de la función discriminante
Después de generar el posible modelo se mide el poder de discriminación y para

esto se utiliza la CORRELACIÓN CANÓNICA de cada función posible, la cual mide en
términos relativos el poder discriminante de la i-ésima función discriminante, ya
que es el porcentaje de la variación total en dicha función que es explicada por
las diferencias entre los grupos.
El criterio utilizado es: Como los valores de la correlación oscilan entre O y

1, cuanto más cerca de 1 esté su valor, mayor es la potencia discriminante de la
i-ésima función discriminante. Es de anotar que para cada posible combinación
de variables se verif.ca la función mediante una prueba de hipótesis que nos
permite determinar si el modelo matemático 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 dispersión será consecuencia de las diferencias entre los
grupos, luego la función discrimina mejor los grupos.
La hipótesis que se prueba para cada función es: HO = Los centroides de los
grupos son iguales; utilizando un estadístico de prueba Chi cuadrado. (Es decir
no se pueden separar los grupos, uno está sobre el otro).
5. Validación de lo" resultados
Como se tiene un conocimiento previo de la situación de las empresas se procede

a clasificarlas en acti.vas o en liquidación a partir del teorema de Bayes que

permite estimat la probabilidad de que una empresa con una puntuación zi
pertenezca al grupo j. Adicional a este concepto se utilizó la distancia de
Mahalanobis al cuadrado hasta el centroide que permite determinar cuáles son
los casos atípicos dependiendo del valor de la P(X2 '" D). Estos dos criterios
petmiten clasificat la empresa en activa o en liquidación.
6. Predicción
Se determinó el valor de predicción 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 clasificación en la predicción. Empresas manufactureras.
SITUACIÓN Grupo de pertcnencia

ACTUAL pronosticado Total
1 2
Original Recuento 1 64 4 68
2 15 10 25
% 1 94.1 5.9 100.0
2 60.0 40.0 100.0
Clasificados correctamente el 79.6% de los casos agrupados originales.
Fuente: Tomado de los resultados procesados en el paquete estadístico
SPSS 7.5 para Windows.
El modelo acertó en un 79.6%. El porcentaje mínimo de clasificación 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.

Tabla 2
Resultados de la clasificación en la predicción.
Empresas Comerciales y de Servicio
SITUACIÓN ACTUAL GRUPO DE TOTAL

PERTENENCIA
PRONOSTICADO
1 2
Casos no seleccionados Original Recuento 1 988 2 990
2 67 6 73
% 1 99.8 0.2 100.0
2 91.8 8.2 100.0
Clasificados correctamente el 93.5% de casos agrupados originales no seleccionados.
Fuente: Tomado de los resultados procesados en el paquete estadístico SPSS 7.5 para
Windows.
Es decir, el modelo acertó en un 93.5% de los datos. Es de anotar que al

generar la ecuación canónica tipificada para todos los datos, los coeficientes de
las variables presentan variaciones muy pequeñas que era lo que se esperaba. El
porcentaje mínimo de clasificación 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
Después de encontrar el modelo se procedió a comparar/os, el de Altman y el

nuevo modelo. Para la comparación de los modelos se aplicó a los años 1997,
1998 Y 1999 a todas las empresas, 1.112 empresas comerciales y de servicio en
promedio por año)' 212 empresas manufactureras, en lo cual se obtuvo:
Empresas manufactureras
Se determinó el porcentaje de aciertos del modelo y del modelo de Altman. Se

utilizó la función discriminante evaluada en los centroides de los grupos, para
determinar el valor crítico que permitirá clasificar la empresa en activa o en
liquidación.

MODELO 1997 1998 1999
NUEVO 75.4% 80.2% 77.1%
ALTMAN 47.4% 49.1% 48.1%
Promediando los tres años, 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
MODELO 1997 1998 1999

NUEVO 66.24% 66.58% 66.32%
ALTMAN 68.1% 64.0% 60.5"/,
Promediando los tres años, el porcentaje de acierto de Altman es de 63.9%

y el porcentaje promedio del nuevo modelo es de 66.38%. Además, se probó la
siguiente bipótesis para cada modelo:
Empresas manufactureras
HO = El porcentaje de aciertos del modelo nuevo es inferior o igual al modelo

de Altman
H1 = El porcentaje de aciertos del modelo nuevo es superior al modelo de
Altman.
A un nivel de significancía del 5%, con un Zc de 1,96, la bipótesis nula se

rechazó 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 afirmación de que el nuevo modelo

tiene un mayor porcentaje de acierto que el modelo d~ Altman.
Empresas com<:rciales y de servicio
HO = El porcentaje de aciertos del modelo' nuevo es inferior al modelo de

Altman
H1 = El porcentaje de aciertos del modelo nuevo es superior al modelo de
Altman.

El nivel de significancia de prueba que se utilizó 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 afirmación de que el nuevo modelo

tiene un mayor porcentaje de acierto que el modelo de Altman.
RESULTADOS Y CONCLUSIONES
Como producto de esta investigación se generó un nuevo modelo para las

empresas manufactureras, comerciales y de servicio registradas en la Super-
intendencia de Sociedades y ajustado a las condiciones del país.
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 clasificación es:
Si Zi > 0.0002821 la empresa se clasifica como activa (1)
Zi < 0.0002821 la empresa se clasifica como en liquidación (2)
Con una zona gris entre [-1.626 ; 0.524 ]
Xl = Ventas / Kn.¡O
X2 =Costo de Ventas/ Inv. Promedio
X3 =UAII/Venta
X4 =Deuda Largo plazo/(Deud. Lp + Patriinonio)
X5 =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 clasificación es:
Si Zi > 0.00003095 .laempresa se clasifica como en iquidación (2)
Zi < 0.00003095 la empresa se clasifica como activa (1)
Con una zona gri:; entre [-0,0866; 1.074]

XI UAIII Activo total
X, Patrimoniol Pasivo Total
X, Deuda largo plazo ICDeud.lp+Patrimonio)
X4 (Activo -Pasivo Corriente)1 Ventas
Xs Pasivo Total I Activo Total
Analizando el modelo generado para empresas manufactureras se les reco-

mienda que para mantenerse activas deben centrar su atención, en primera
instancia, sobre los indicadores de actividad tales como rotación de inventarios
y la productividad del capital de trabajo, es decir, la empresa debe ser más
eficiente operativamente con el fin de garantizar su permanencia en el largo
plazo.
En segunda instancia, el énfasis 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 último, el endeudamiento con el fin de reducido para llegar
a niveles óptimos 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

función clasifica las empresas como activas cuando la puntuación del Z de la
empresa es negativa. Se recomienda centrar su atención en primera instancia en
índices de endeudamiento seguido de los índices de rentabilidad.
Las recomendaciones anteriores garantizan el mejor comportamiento del

modelo. Es de anotar que cada indicador deberá aumentar o disminuir de
acuerdo al signo que presenta en la función discriminante analizada ante-
riormente.
Es importante resaltar que Altrnan al construir su modelo trabajó conjunta-

mente las empresas comerciales y de servicio. En esta investigación se consideró
prudente analizar independientemente las empresas comerciales y de servicio ya
que las características de sus estados financieros son diferentes.
En este análisis se calculó un modelo sólo para las empresas comerciales y

otro para las empresas de servicio, para esto se siguieron los pasos descritos y
se comparó con el modelo de A1trnan, lo cual nos llevó a concluir que el modelo
de A1trnan presentaba mayores porcentajes de aciertos, pero al verificar esta
pensamiento & gestión. 15. Universidad del Norte, 26-51, 2003 49

afirmación estadísticamente se demostró 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 presentan-
do, ofreció un mejor comportamiento para este tipo de empresas.
Al analizar el comportamiento de las empresas comerciales y de servicio bajo

la función discriminante hallada se concluyó que apesar de aceptar estadisticamente
la hipótesis que afirma que la nueva función clasifica mejor las empresas que el
modelo de Altman, no es muy fiable, ya que el porcentaje de acierto de los años
1997 a 1999 fue inferior al porcentaje minimo de aciertos del 87.85% establecido
por el modelo cuando se determinó su poder de predicción; los porcentajes de
aciertos en estos años fueron 66.24%; 66.58%; 66.32%, respectivamente.
En cambio en la! empresas manufactureras se ratifica la probabilidad mínima

de acierto del modelo del 67 .25% esto se cumplió en los tres años. Los aciertos
por año fueron 75.4%; 80.2%; 77.1%, respectivamente.
Es de resaltar que acrualmente se está probando el modelo con un grupo de

empresas de la Superintendencia de Sociedades, tomadas en el período de 2000
a 2002, para analizar el comportamiento de las funciones en un período de tres
años, igual a lo realizado en este trabajo y determinar los aciertos del modelo
generado versus el modelo de Altman en las empresas manufactureras, comer-
ciales y de servicio.
BIBLIOGRAFÍA
AKTOUF, Ornar. La' administración: Entre tradicióny renovación, 3' ed., Cali: Universidad
del Valle. 750 p.
--- (2001) La melodología de /as ciencias sociaíesy el enfoque cualitalivo en ías organizaciones.
Una introducción a/jJrocedimiento clásicoy una critica. Cali: Universidad del Valle.
BECERRA A., Rigoberto. Análisis financiero para ía determinación deprobabilidad de quiebra
de ¡as empresas. www.iamnet.com/rbecerra/ altman.htffi.
BREALEY, Richard A., MYERS, Stewart, MARCDS, Alan (1999). Fundamentos de
Finanzas Coporatit·os. McGraw-Hill. lteramericana de España S.A., 771 p.
CHENG, F. Lee (1985). FinacialAnaíysis and Planning. Theory andApPicalion. Addison-
Wesley Publishing Company, 777p.
DALLAS, E. Json (1998). Métodos mullivariados aplicados al análisis de datos intemaliona/,
Thomson Editores, 566 p.

DE LA GARZA GARCÍA, Jorge (1995). Análisis de la infirmación mercadológica, a través
de la estadística multivariente. México: Ed.Alambra Mexicana, 235 p.
DILLON, William R., MATIHEW, Goldste. Multivariate Ana/ysis. New York: John
Wiley & Sons, !;87 p. , ..
FERRÁN ARANAZ, Magdalena cl996): SPSS para Windows P y análisis estadlstico.
McGraw-Hill. Interamenricana de España. S.A., 580 p.
GITMAN LA WRENCE,j. (1996). Administración financiera básica, 3' ed., México: Ed.
Harla. "
HERNADEZ, S. Roberto, FERNADEZ e, Carlos, BAPTISTA L., Pilar (1996).
Metodología de la investigación. México: McGraw-Hill. lnteramerican, 501 p.
LEON GARCÍA, Oscar. Administración financiera, 3' ed., Cali: Prensa Moderna Impre-
sores, 573 p.
LEY 550 de 1999. Intervención económica para la reactivación empresarial y acuerdo de
reestructuración. Bogotá: Legis
MARTHE DE CARVAJALES, Norma, MORENO e, Francisco, ESTRADA e,
Rebeca, REBOLLEDO S., Luis Alberto (1999). Cómo elaborar y presentar un trabajo
escrito. Barranquilla: Ediciones Uninorte. 222 p.
MA YORGA, Humberto (1994). Fundamentos de análisis multivariado. Bogotá: Universi-
dad Nacional de Colombia.
MIQUEL, Salvador, BIGNÉ, Enrique, LÉVY, Jean-Pierre, CUENCA, Antonio e,
MIQUEL, M' José (1991). Investigación de mercados. Madrid: McGraw-Hill. Interame-
ricana, 453 p.
MONCLÚS, Salamero A. (2000): Disolución y Liquidación de Sociedades, [en línea]
5campus.com, Consolidación contable <hup:/ /www.5campus.com/leccion/
disoliqui>
MONTGOMERY, D.e Diseño y análisis de experimentos. Grupo Editorial Iberoamerica-
na, 684 p.
SALVATORE, Figueras M. (2.000) "Análisis Discriminante"[en línea] 5campus.
com.Estadistica.http:www.5campus.com/lección/discri
SHARO N, Ander. S tatistical methods jorcomparative studies. N ew York: J ohn Wiley & Sons.
SANCHEZ A. JAVIER l. (1990). Manual práctico de estadlstica, 4' ed., Universidad
Nacional.
VAN HORNE,]annes C. Administraciónfinaciera, 911. eJ., Prentice-Hall Hispanoameri-
cana, 835 p.
WESTON, Copeland. Finanzas en administración. 9' ed., McGraw-Hill, vol 1, 596 p.
pensamiento & gestión, 15. Universidad del Norte. 26-51, 2003 51

Altman en Superintendencia de Sociedades

Cargado por

Copyright:

Formatos disponibles

Altman en Superintendencia de Sociedades

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Altman en Superintendencia de Sociedades

Cargado por

Copyright:

Formatos disponibles

VerificaciÓn y adaptación del modelo de

Leonor Cabeza de Vergara

Fecha de recepción: 1 de septiembre de 2003

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

En la actualidad los cambios que se viven en e! ámbito social, económico y

Uno de los aspectos que preocupa a cualquier empresario de! país es la

En 1966 Edward 1. Atlman contribuyó con e! desarrollo de! índice Z,

El interés de este trabajo es generar un modelo de fácil manejo para la

Queremos resaltar la realización de un análisis transversal y no longitudinal

pensamiento & gestión, 15. Universidad del Norte, 26-51, 2003 27

Posteriormente, se contrastó la proporción de aciertos del nuevo modelo con

A continuación se relacionan las teorías, conceptos y el contexto que sirvió

FUNDAMENTOS TEÓRICOS DEL MODELO

Uno de los conceptos que se debe aclarar inicialmente es el de la función

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

En esta investigación no se trabajó con una regresión múltiple tradicional,

Si se proyecta sobre el plano en el piso el grupo de empresas activas y en

pensamiento & gestión, 15. Universidad del Norte, 26-51, 2003 29

Es importante analizar por qué se utilizó un análisis transversal y no

Primero recordemos lo que se entiende por análisis momentáneo o trans-

Segundo, según los métodos de investigación: El análisis transversal examina

Según los libros de econometría, la información que se va a utilizar pueden

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

El modelo que presentamos fue obtenido con la información de 1998 ya que

Los indicadores financieros utilizados se tomaron de los estados financieros

Para el uso de la nueva herraruienta (modelo) el criterio que se debe tener es

En resumen se puede afirmar que:

El método transversal es válido para el desarrollo de la investigación puesto

pensamiento & gestión, 15. Universidad del Norte, 26-51, 2003 31

Edward Alttnan probó 22 índices financieros de los cuales sólo seleccionó

El modelo de Alttnan se desarrolló con el apoyo del análisis discriminante

El modelo de Alttnan fue desarrollado originalmente con una muestra de

La construcción del modelo Z de Alttnan se apoya en el análisis discriminante

Para empresas nlanufactureras cotizadas en bolsa:

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

Para empresas comerciales y de servicio

Donde Xl = (Capital de trabajo / Activos totales); X2 = (Utilidad retenida/

Es importante resaltar lo siguiente: La ecuación de EdwardAltman para empresas

El análisis discriminante, base de la formulación de! modelo de Altman, busca

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

pensamiento & gestión, 15. Universidad del Norte, 26-51, 2003 33

Uno de los propósitos del análisis díscriminante es la determinación de un

Antes de asignar o ubicar una nueva unidad a alguno de los grupos,

El costo denotado C(k/h) es el causado al ubicar a la unidad en la población

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

Luego la regla que induce la partición de [, en regiones de clasificación que

Ubicar la unidad estadistica con información X = x en la población _k, si

Si existe razón para considerar que los costos de clasificación incorrecta no

Ubicar la unidad estadistlCa con información X = x en la población _k, si

Como en todo procedimiento multivariado, la información muestral se

pensamiento & gestión, 15. Universidad del Norte, 26-51, 2003 35

A partir de la matriz X(k) se calcula e! vector de promedios muestrales X (k)

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

Luego las funciones discriminantes estimadas, cuadrática o lineal son respec-

ilh (x) = In _h In / S(h) / - _ (x - x h)T S-l (h) (x - x h)

Las herramientas que se requieren para e! desarrollo de la investigación son:

Xl = (Capital de tmbajo /Activos totales); CAPITAL DE TRABAJO

36 pensamiento & gestión, 15. Universidad del Norte, 26·51, 2003

X, = (U .A.I.I / activo total); U .A.I.I = UTILIDAD ANTES DE INTERE-

X, = (VALOR CONTABLE DEL PATRIMONIO / PASIVO TOTAL);