See

discussions, stats, and author profiles for this publication at:

https://www.researchgate.net/publication/238756115

Verificacin y adaptacin
delmodelode ALTMAN a la
Superintendencia deSociedades
deColombia

Article

CITATIONS READS

0 190

2 authors, including:

Leonor Cabeza
Universidad del Norte (Colombia)
14 PUBLICATIONS 17 CITATIONS

SEE PROFILE

Some of the authors of this publication are also working on these related
projects:

Competencias gerenciales - Managerial competences View project

All content following this page was uploaded by Leonor Cabeza on 26 February 2016.

The user has requested enhancement of the downloaded file.

 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 colom-
bianas 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:

1 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 trans-

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

p.607.

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 sub-
poblaciones 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 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,

independentemente de su informacin x, a dcha 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
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 tiene la siguiente
expresin:
g g
~ ~c(k/h) p(k/h)
h =1 K=1
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 = x en la poblacin _k, si

g
~ _h c(k/h) Ih(x), tiene e! mnimo valor.
h =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 discri-
minante 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) S(g)

Sp
n1 +n2 +n3 + + ng - g

Luego las funciones discriminantes estimadas, cuadrtica 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 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 INTERE-

SES 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 fun-

ciones 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

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

pensamiento & gestin, 15. Universidad del Norte, 26-51, 2003 37

 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 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 discrimi-
nante 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 se tiene:

n = 622 empresas
P= 25
'1 = 2 (grupos)
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 DE LOS GRUPOS

Situacin actual Funcin 1

1 0,099
2 -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 Autovalor % de varianza % acumulado Correlacin cannica
I 1 .11" 100.0 100.0 .322
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 1

I W+BI min(q -1. p)

rr (1 +1..;)
i= 1

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

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 f

H o: Al = ... = Amln
. {q-1 ,pI = O
q = 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 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 Chicuadrado gl Sigo
1 .897 67.390 5 .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 = 25-
5 = 20 grados de libertad si se verifica la hiptesis nula:

Ho: [.tl = [.t2 f 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 Chi-

cuadrado 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) = 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 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 CANNICA: La i-sima correlacin cannica viene dada

por:

.
Cr = ] i = 1,2,..., r
1 +A..
~
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., = 0.32
1 +0.1149

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: Es la funcin que se obtiene

si se quiere calcular r funciones discriminantes con varianza 1, Y que sean
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 DIS-

CRIMINANTES: Vienen dados por la expresin:
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 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 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 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

Situacin actual Funcin

1
1 0.099
2 -1.159351

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 mantie-
nen 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 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 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 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 estadstico SPSS 7.5 para
Windows.

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 1997 1998 1999
NUEVO 75.4% 80.2% 77.1%
ALTMAN 47.4% 49.1% 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

MODELO 1997 1998 1999

NUEVO 66.24% 66.58% 66.32%
ALTMAN 68.1% 64.0% 60.5"/,

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 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 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 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.

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 Super-
intendencia 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 = 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 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 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 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 ante-
riormente.

Es importante resaltar que Altrnan al construir su modelo trabaj conjunta-

mente 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 presentan-
do, 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, comer-
ciales 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 de
Finanzas Coporatitos. McGraw-Hill. lteramericana de Espaa S.A., 771 p.
CHENG, F. Lee (1985). FinacialAnaysis and Planning. Theory andApPicalion. Addison-
Wesley 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 Impre-
sores, 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: Universi-
dad Nacional de Colombia.
MIQUEL, Salvador, BIGN, Enrique, LVY, Jean-Pierre, CUENCA, Antonio e,
MIQUEL, M' Jos (1991). Investigacin de mercados. Madrid: McGraw-Hill. Interame-
ricana, 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 Iberoamerica-
na, 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 Hispanoameri-
cana, 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

View publication stats