Versión de HTML Básico
Yannira Chávez, Patricia Cortez y Paúl Medina
Analíti a
k
5
Revista de Análisis Estadístico
Journal of Statistical Analysis
persona económicamente activa a nivel nacional. Si el va-
lor obtenido por persona, se lo traslada a nivel de las cinco
ciudades principales se obtienen los siguientes resultados,
a un nivel de confianza del 90 % y tomando en cuanta los
cuatro escenarios.
En la tabla 8 se puede ver que en la ciudad de Guaya-
quil se presentaría la mayor pérdida encontrándose en un
intervalo de 1,4 millones a 2,2 millones de dólares, le sigue
la ciudad de Quito, cuyas pérdidas se encuentran en un in-
tervalo de 951 mil a 1,3 millones de dólares.
Ciudades
Escenario 1 Escenario 2 Escenario 3 Escenario 4
Quito $ 1.381.220,52 $ 1.237.514,03 $ 1.118.608,88 $ 951.440,19
Guayaquil $ 2.173.690,72 $ 1.947.533,15 $ 1.760.406,61 $ 1.497.325,50
Cuenca $ 364.936,48 $ 326.967,35 $ 295.551,06 $ 251.382,91
Machala $ 221.644,72 $ 198.584,12 $ 179.503,38 $ 152.677,79
Ambato $ 194.608,72 $ 174.361,02 $ 157.607,73 $ 134.054,30
Tabla 8.
Afectación económica en las cinco principales ciudades del Ecuador, considerando los cuatro escenarios. Fuente: Elaboración
propia de los autores.
6 Conclusiones
Para estimar las pérdidas causadas por un conjunto de
delitos en Ecuador, se ha utilizado un modelo de valora-
ción de pérdidas generalmente aplicado en estudios actua-
riales en valoración de riesgo operativo. Se han obtenido
diferentes niveles de pérdida, esperada e inesperada, con-
siderando distintos percentiles para cada uno de los cuatro
escenarios presentados.
Tomando casi la totalidad de la distribución de pérdi-
das, es decir, el percentil 99,99 %, se puede llegar a estable-
cer un intervalo de pérdidas causadas por los delitos con-
siderados. El intervalo se establecería entre los $33 y $86
millones, aproximadamente. Estos valores vendrían dados
por los resultados de las simulaciones Poisson – Weibull y
Binomial Negativa – Lognormal, respectivamente.
Es posible observar la diferencia sustancial que se esta-
blece entre los valores de pérdida al cambiar el nivel del
percentil que se considera para establecer éstas. Así, si se
toma el percentil de 99,00 %, el intervalo de pérdidas que
se puede establecer sería de $17 y $33 millones, aproxima-
damente.
Se ha establecido que la metodología permite ver cam-
bios en la estimación de la pérdida a un nivel de confianza
del 90 % y realizando reducciones de hasta el 9 %.
Se ha determinado que al considerar que las personas
economicamente sufran al menos uno de los delitos estu-
diados se tendría un valor aproximado de pérdida entre
1,25 y 1,85 dólares anuales.
Finalmente, es preciso notar que, al realizar mayores
cambios en la reducción de la frecuencia de los delitos, los
resultados no son estables; esto puede deberse a la limita-
ción de los datos usados.
Referencias
[1] Aue, F. y Kalkbrener, M. (2006).
LDA at work: Deutsche
Bank’s approach to quantifying operational risk
, Journal of
Operational Risk, 1, 88-129.
[2] Búhlmann, H. (1970).
Mathematical Methods in Risk
Theory
, Springer-Verlag,Heidelberg, 45-93.
[3] Cajas J. (2011).
Modelos de enfoque de Medición Avanzado
de Riesgo Operativo (EMA)
, Contribuciones a la Econo-
mía, Grupo Eumed.net, Universidad de Málaga.
[4] Capa, H. y Gallardo C. (2008).
Encuesta de Victimización
y Percepción
, 1-109.
[5] Cruz, M. (2002).
Modeling, measuring and hedging ope-
rational risk
, New York: John Wiley & Sons.
[6] Franco, L. y Murillo, J. (2008).
Loss Distribution Ap-
proach (LDA): Metodología actuarial aplicada al riesgo ope-
racional
, Revista Ingenierías Universidad de Medellín,
7, 143-156.
[7] Murillo, J. (2009).
Cuantificación de las pérdidas econó-
micas por riesgo operacional asociadas a eventos extremos
,
Universidad Nacional de Colombia, 2-63.
[8] Nieto, M. (2004).
The modelling of Operational Risk: Ex-
perience with the Analysis of the Data Collected by the Ba-
sel Committee
, Documento de trabajo, Banco de Italia.
[9] Shevchenko, P. y Wéthrich, M. (2006).
The structural
modeling of operational risk via Bayesian inference: combi-
ning loss data with expert opinions
, Journal of Operatio-
nal Risk, 1, 3-26.
[10] Claramunt, M. Boj, E. Costa, T. y Mármol, T. (2012).
Sistemas Informáticos aplicados a la matemática actuarial
no vida una propuesta con R
, Revista Electrónica de Co-
municaciones y Trabajos de ASEPUMA, 13, 1-26.
62
Analítika,
Revista de análisis estadístico
, 3 (2013), Vol. 5(1): 51-62