You are on page 1of 18

Analíti a

Simulación estocástica de esquemas piramidales tipo Ponzi Stochastic Simulation of Ponzi Pyramidal Schemes
Lilia Quituisaca-Samaniego, Juan Mayorga-Zambrano y Paúl Medina

k

Esta página se deja intencionalmente en blanco .

the size of the fraud and lifetime of the pyramidal scheme.com Recibido: 7 de junio de 2013 Aceptado: 26 de diciembre 2013 Resumen Mediante simulación.Sede Ambato.g. pirámides financieras. Real data is compared with simulation results. e. fondos de riesgo. se estudian varios casos de fraude provocados por pirámides financieras tipo Ponzi (incluyendo los casos Madoff. Ecuador Instituto Gregorio Millán. Quito.com. del monto de estafa y del tiempo estimado de duración de la pirámide. Mayorga-Zambrano stochastic model. Es en este contexto que un esquema piramidal tipo Ponzi (PZ) es referido como pirámide cerrada. De hecho. el tiempo de vida de un esquema piramidal es inversamente proporcional a la tasa de retorno ofertada. en particular. 2008). Abstract Several fraud cases . 3 (2013). stochastic processes. España Departamento de Ciencias Exactas. simulación. desde la década de 1960. a un esquema piramidal no-Ponzi se le suele referir como pirámide abierta o célula de abundancia. fue un PZ el mayor fraude de la historia que ocurrió en Estados Unidos. se estudia la evolución del número de clientes. Universidad de la Fuerzas Armadas ESPE. § pmedinavz@gmail.ec. (Artzrouni. por otro lado. Keywords: mathematical modeling. Fue ejecutado por un solo hombre. se proporcionaban beneficios anuales entre el 8 % y el 15 %. Código JEL: C61. El impacto socioeconómico de este delito ha motivado estudios matemáticos de estos sistemas tanto desde una perspectiva determinística. a través de su firma de inversiones mantuvo activo su fraude por más de dos décadas. C12.edu. Esto es destacable pues. Vol. C63. Ambato. Su pirámide afectó a grandes ahorradores privados. H. Ecuador ‡ § § Pontificia Universidad Católica del Ecuador . pero no escandalosamente bueno” (Monzó. Quito. simulation. ya en 1999. DRFE y Cabrera). como desde un punto de vista estocástico. Ponzi schemes.are studied by a software implementation of a J. ‡ jmayorga@pucesa. Revista de análisis estadístico. Mayorga-Zambrano. 6(2): 51-66 51 . Bernard Madoff. Palabras clave: modelamiento matemático.samaniego@gmail. esquemas Ponzi. financial pyramidal schemes. con un retorno máxi- mo del 300 % anual. 2009). Se comparan datos reales con aquellos generados por el software implementado.Analíti a Simulación estocástica de esquemas piramidales tipo Ponzi Revista de Análisis Estadístico Journal of Statistical Analysis k 6 S IMULACIÓN ESTOCÁSTICA DE ESQUEMAS PIRAMIDALES TIPO P ONZI S TOCHASTIC S IMULATION OF P ONZI P YRAMIDAL S CHEMES Lilia Quituisaca-Samaniego† . DRFE’s and Cabrera’s . Albania y Estados Unidos.including Mado’s. C02. procesos estocásticos. “lo cual es algo extraordinariamente bueno.quituisaca. Madrid. e. Instituto Nacional de Estadística y Censos. quien. Ecuador † lilia. profesionales de las finanzas e incluso Estados. (Mayorga-Zambrano. En general. en las últimas dos décadas han ocurrido fraudes financieros mediante esquemas piramidales. la técnica empleada corresponde a la implementación computacional de un modelo estocástico diseñado por J. Juan Mayorga-Zambrano‡ y Paúl Medina§ † Dirección de Estudios Analíticos Estadísticos. 1 Introducción En países tan diversos como Colombia. Marko- Analítika. bancos.g. with particular interest in the evolution of the number of clients. 2011). Universidad Carlos III de Madrid.

punto crítico (definido en términos del estado neral de (Mayorga-Zambrano. fórmulas y de sistema de pensiones. Juan Mayorga-Zambrano y Paúl Medina Revista de Análisis Estadístico Journal of Statistical Analysis k 6 polos (Markopolos. 2011) (AM) bajo la platafor. variables relevantes al modelo matemático esquematizado En esta sección haremos una revisión breve del modelo en AM. Este trabajo está estructurado de la siguiente manera: el comportamiento de esquemas cuasipiramidales como el en la Sección 2 se repasan algunos conceptos.miento de más variables de interés de un PZ que con el rouni. se puede respuesta a esta necesidad al concentrarse en la evolución hacer un seguimiento. se muestra en detalle las simulaciones realizadas para el porcentaje de clientes de un PZ eventualmente dejaron de caso de Carlo Ponzi (que dio nombre a este tipo de fraude). Los artículos (Artz.k ( t ) L(t) E (t) Magnitud Periodo de inversión Inversión inicial Taza de retorno Tamaño legal de la estafa Expansión del capital inicial E0 Robo pecuniario total Estado financiero Capital real total Número total de clientes Tiempo de la transacción k Factor de expansión Número de clientes nuevos Captación teórica en tk de ingresados en t j Tasa de retiros en tk de ingresados en t j Captación teórica total Tasa nominal Capital teórico total Dinero fresco que entra a un PZ en tk Total de retiros en tk Robo pecuniario en tk a ingresados en t j Capital promedio Efectividad del sistema Descripción / Comentario Periodo de inversión o periodo de retorno de interés Monto del primer depósito de un cliente Interés que ofrece un PZ para un período de inversión h Obligaciones de un PZ en papeles Resultado de inversiones legítimas Dinero extraído del pecunio de los clientes El patrimonio de un PZ es despreciable Dinero que tiene un PZ Todos los clientes que están en el sistema Ponzi Tiempo de transacción en el instante k Cantidad de clientes nuevos por cada cliente antiguo Clientes nuevos al tiempo tk Dinero que el cliente supone tener en su cuenta piramidal Retiros de los clientes Dinero no real captado De inversión de un PZ en t+ k Dinero que un PZ finge tener en sus arcas Montos depositados por nuevos clientes Retiros realizados por los clientes Monto de dinero que el sistema ha estafado Para hacer seguimiento del deterioro de PZ Ganancia por una unidad monetaria pagada 1 Esta metodología de la Contabilidad Forense había servido de base para que. finalmente. declarara culpable de fraude por un PZ a Charles Hodson. Notación de magnitudes en un PZ al tiempo t. en la Sección 4 se describe por periodistas y por personas perjudicadas por PZ.cia observada durante la crisis de las pirámides de 2008 nes generales del estudio y.R. con el apoyo de ecuaciones diferenciales. había denunciado públicamente junto con la esquematización del algoritmo generado para como fraude a la firma de Madoff. 6(2): 51-66 .k Wk U j .F. la formulación (36) fue motivada por la experiendel Caso Cabrera. 1993). Por con mayor profundidad la afectación económica derivada ejemplo. Tabla 1.se establece al capital promedio como un índice de referenbir. en la Sección 5 se establecen conclusio.g. Con el modelo estocástico diseñado en Efectivo (Kitchens. 2011). monto legal En el presente trabajo. teniendo la posibilidad de modificar los paráme. Es importante nes a partir de AM algunos casos concretos de PZ: el Caso resaltar que. e. 2009) es más sencillo y dos mediante gráficas descriptivas. j P(t) ηk ˆ (t) P Pk. California. 2009). 2010).E. trabajar para vivir exclusivamente de las ganancias. la Corte Superior del Condado Ventura. en los anexos A y en el sur de Colombia y norte de Ecuador. de: robo pecuniario.Analíti a Lilia Quituisaca-Samaniego. Revista de análisis estadístico. con las limitaciones propias de la temporal de PZ. implementamos el algoritmo ge. el mismo que fue puesto en co. para el modelamiento.do en términos del capital real de la captadora). 2009) y MayorgaLa demora en la detección del PZ de Madoff se debe Zambrano (Mayorga-Zambrano. h m ip D (t) E(t) R(t) F(t) L(t) C (t) tk Nk ck Pk.cia sobre la viabilidad futura del esquema. 2011) son pioneros en el principalmente a la ausencia de herramientas matemáti. Asimismo. tros iniciales conforme al caso de estudio concreto a descri.desarrollado en (Mayorga-Zambrano. en 1987. donde un alto B. 2011). (Colombia) y el ración criterios basados en el comportamiento observado Caso Madoff (Estados Unidos). 2011) dan una primera modelo determinístico de (Artzrouni. permite estudiar. j ωk. las actividades de Madoff fueron declaradas legalmente como fraude. es posible hacer un seguinocimiento público por el FBI1 en 1993.financiero de la captadora) y punto de saturación (definima JAVA. 52 Analítika. se tomaron en consideCabrera (Ecuador).del fraude. siendo sentenciado en 2009 a 150 años de cárcel (United States Attorney Southern District of New York. en la Sección 3 se estudian. 2009).(Mayorga-Zambrano. 2011). Fuente: Elaboración propia a partir de (Mayorga-Zambrano.estudio de esquemas tipo Ponzi desde un punto de viscas que complementaran el Método de Análisis de Flujo de ta matemático. 2009) y (Mayorga-Zambrano. 3 (2013). Los trabajos de Artzrouni (Artzrouni. Asimismo se mejora el nivel explicativo de los resulta. Vol. el modelo diseñado en (Artzrouni. teoría de probabilidades. Not. respectivamente. Proyecciones D. 2 El modelo March 12. mediante simulacio. a finales del año 2008 el desarrollo de la investigación. Por otro lado.

j. si j = k. 2011). Mayorga-Zambrano se apoya en un modelo SIR sencillo: Nk = ∑ ωk. = Ks · h. 3 (2013). Rk (18) (19) (20) (21) con C k = I (tk ) · U . (22) donde S representa la fracción de la PEA (población económicamente activa) susceptible de ser estafada. diseñado y justificado conceptualmente en (Mayorga-Zambrano.   Wk = m · wk . si j < k.k − Wk . k −1 l =0 P ( t ) + E ( t ). j . 1  S (0) = 1 − U . j y ηk siguen una distribución normal.k ( t ).j. = Lk . t k +1 ) ..  ˙ = − a S ( t ) I ( t ).   0.1 Relaciones básicas En la Tabla 1.. Ck − 1. = Kc · h. 4 ω k. Revista de análisis estadístico. = (1 + i p ) · [ P C (t) = Ck . σ1 0 < σ1 << 1. j 2 ). . si j > k. C k −1 (33) (34) = j =0 ∑ U j. por facilidad. El modelo. 1 Nk N Nk. 0 < σ2 << 1. (12) • el intervalo de referencia [µ − 2σ. = ck .. µ + 2σ] incluye aproximadamente el 95. t ∈ [ t k . si j < k.j. t k +1 ) . N (ω k. t ∈ [ t k . si j > k. t ∈ [ t k . D (t) Dk   w k = (1 + i p ) k −1 j =0 En este caso.   pk−1. = Pk . t ∈ [ t k . 2. j = m · pk. ωk. E0 ∏ (1 + ηl ). Lk = (1 + ηk−1 ) Lk−1 + Pk.2 Evolución del factor de expansión promedio Para modelar la evolución de los valores esperados N k . = = = j =0 ∑ Pk. (16) 2. I denota la fracción de la PEA que ya está siendo estafada y U es el tamaño real de la PEA en la región de influencia de un (23) PZ. h = 1. en este caso. 0 < η << i p . 1. k p k. (1) (2) (3) (4) (5) (6) (7) t K ≤ T < t K +1 . l = j +1 k   0. k ∈ ♮. 6(2): 51-66 . C (t) L(t) − E0 . se tiene que: (11) • la desviación estándar (0 < σ ≪ 1) es pequeña.    1 I (0) = U . dicha distribu(8) ción es la más utilizada para modelar experimentos aleatorios. t ∈ [ t k . Además.Analíti a Simulación estocástica de esquemas piramidales tipo Ponzi Revista de Análisis Estadístico Journal of Statistical Analysis k 6 (24) (25) 2. El promedio de las variables aleatorias depende tanto de la cantidad de variables aleatorias promediadas como de la probabilidad de cada variable que está dentro (10) de un rango determinado. . En cada cada variable aleatoria calculada. t k +1 ) .k Pk. t k +1 ) . 2 ηk N (η . se ha supuesto que las variables aleatorias Nk y C k−1 son independientes. j · pl .. se presenta la notación a utilizar en el presente trabajo. tk Tc Ts L(t) = E (t) = Adicionalmente. j . j )(1 + i p ). σ2 ).44 % de la distribución (va(13) lores esperados) (14) Para (27) la desviación estándar indicaría que el ingreso (15) de nuevos clientes por referencia de los ya existentes en un PZ. W (t) = k · h. t k +1 ) . el cálculo de las variables aleatorias Nk . probablemente no supere el 50 %. = (1 + i p ) · Pk . Aquí.. t k +1 ) . Ck = j =0 ∑ cj. k t ∈ [ t k . porque es necesario que la precisión sea grande. si j = k. H .    c . F0 = E0 − i p m c0 . se ajusta a fenómenos naturales. k U j. industriales e investigativos. es descrito por las siguientes relaciones. = mck . 53 Analítika. ck = Nk · C k−1 . j · (1 − ωk..j pk−1. D (t) k = 0. (26) (27) (28) (29) (30) (31) (32) ˆ (t) − E(t)]. y representa una gran cantidad de observaciones generadas en el (9) proceso. Fk = Fk−1 − Pk i p + ηk−1 Lk−1 . . L0 = E0 + m c0 . Vol. (17) = Dk . R( t ) = Rk . variables continuas.k ( t ) = m ·     c j − (35) ∑ k ωl . K . S    I ˙ = a S ( t ) I ( t ) − b I ( t ). j P(t) Pk ˆ (t) P E(t) L( t) Pk. L( t) .

la ecuación es Se toma el criterio del punto central ( pC ). es bajo en las primepor ejemplo. T ). Como resultado. − d0 d2 1 y ω∗ = ip . ω∗ ) y (d1. el punto de saturación T de un PZ es el ins. si no la tienen. tasa de retorno. sente la Observación (2. el número de estafados experimenta el mayor crecimiento durante la etapa intermedia del proceso. En (Mayorga-Zambrano. (S2) L(t) > 0. ResPor otro lado. transcurrido entre la aparición de clientes nuevos por cada cliente actual en un PZ. es la función que permite obtener la longitud de un valor. Zambrano. σ2 ). usaconcat(1.pecto del algoritmo. 2 d1 d2 0 − d0 d1 ω∗ β= ∗ d2 0ω d1 d2 0 a = pC − 0. rep(0. si U = 5592223. 05.). ras y últimas etapas del proceso. Vol. El valor referencial de U corresponde al 2. 2 Propia 3 S. si k − j > d1 . (C2) F (t) > 0. La automatización del Algoritmo AM (véase ApéndiEn (Mayorga-Zambrano. Juan Mayorga-Zambrano y Paúl Medina Revista de Análisis Estadístico Journal of Statistical Analysis k 6 O BSERVACIÓN 2. Por tanto. etc. 60MB de espacio en disco (instalación). cuadrático. Tc ). para todo t ∈ (0. num_de_veces). en este caso JAVA. velocidad: 4GHz. etc. una función computacional para la resolución numérica del modelo SIR (35). estos se deben elegir de acuerdo a la información encontrada para cada caso concreto de un PZ. número de personas estafadas (I (t)). teniendo pre(C1) F ( Tc ) = 0. a. j = con α= d1 ω ∗ − d0 . Los puntos crítico y de saturación son variables aleatorias cuyas distribuciones de probabilidad dependen de parámetros y variables del sistema (por ejemplo: periodo de inversión. entonces Tc ≤ T0 .4 Criterios de parada dos para cada caso particular de un PZ. argumento2 ). con requerimientos técnicos mínimos3 . El intervalo [ a. long(U ) − 1)) = 1000000 mos una interpolación lineal. 2011) se demuestra que Ts se presenta cuando el número de clientes nuevos es insuficiente. se debe señalar que: tante en que su capital real total cambia por primera vez de signo. respectivamente.5 Implementación del algoritmo general grupo de personas de la edad establecida por cada país que desemLa trayectoria o intervalo que siguen las personas a ser peñan una ocupación o bien. (k − j)[α(k − j) + β]. ω∗. ∗ ∗ S (t∗ j +1 ) ≈ S ( t j )[(1 − a ǫ I ( t j )] (37) (38) con la inicialización S (0) = 1 − del lenguaje de implementación. ii) usa sir(U . se tiene que ∗ ∗ I (t∗ j +1 ) ≈ I ( t j )[1 − bǫ + a ǫ S ( t j )].Analíti a Lilia Quituisaca-Samaniego.O: s i) usa Normal(µ. que corresponden a los valores Por ejemplo. (36) y las funciones: U . y Para calcular el valor esperado de la tasa de retiros. pC = b = pC + 0. un generador de números aleatorios que sigue una distribución N (µ. números. es la función que permite repetir un texto o número cierta cantidad de veces. rep(0.3 Evolución de la tasa de retiros promedio El valor esperado de la tasa de retiros en tk de los clientes que ingresaron a un PZ al tiempo t j depende de k − j. long(U ) − 1)) • long( argumento ). Revista de análisis estadístico. − d1 ω ∗ . la buscan activamenestafadas S (t) y las personas estafadas I (t) es el tiempo te. es decir: (S1) L( Ts ) = 0. 3 (2013). a y b son ajusta2. ip + 1 donde los coeficientes α y β están determinados por los puntos (d0 .1).1. entonces Ts ≤ T0 . por cuanto el susceptible de cambio por otro tipo de comportamiento. Linux/Windows. σ2 ). sin embargo. 6(2): 51-66 . entonces esperados en el primer instante que el retiro se vuelve siglong(U ) = 7. 1GB de espacio en disco (ejecución) 1 . rep(0. Los parámetros iniciales a y b mencioEl punto crítico Tc de un PZ es el tiempo que su estado nados anteriormente son fundamentales para cada simulafinanciero cambia por primera vez de signo: ción. (S3) Si T0 verifica (S1) y (S2). el donde tiempo de permanencia en el sistema: ω k. U I (0) = 1 U 54 Analítika. 2011). RAM: 512MB. para todo t ∈ [0. concat(1. es la función2 que permite unir texto. b). long(U ) − 1) = 000000 nificativo y en el que se retira toda la ganancia. 05. rrollo JAVA. 2011) se definen dos criterios ce B) permite simular el comportamiento de un esquema de parada teniendo en mente que un PZ busca que su tiempiramidal mediante el modelo desarrollado en (Mayorgapo de funcionamiento T sea lo más extenso posible. si k − j ≤ d1 . b] se calcula a partir del punto central ( pC ): 2. w∗ ). El algoritmo se implementó bajo la plataforma de desa(C3) Si T0 verifica (C1) y (C2). • rep( argumento. mediante un esquema de diferencias finitas: para un paso 0 < ǫ << 1. • concat( argumento1 .

00 8. las tendencias encontradas de los resultados evidencian la similitud y el posible comportamiento de un PZ. Tamaño de estafa: serie comparativa del Caso Ponzi con Witt). PC: Punto Crítico. y para la geneσ 2π ración de números aleatorios. iv) genera información resultante de cada caso mediante listas de datos y gráficos descriptivos. el resto de variables asociadas cambiará conforme evoluciona el periodo y número de clientes incorporados a la estafa. Por lo tanto.00 Datos investigados S/D Superior a $10 Analítika. se disminuye el tiempo en que se establece el punto crítico. función exponencial y = 1000(2n ). Revista de análisis estadístico. el proceso de DeWitt. se observa que el número de clientes de Carlo Ponzi difiere hasta en un 85 % a los siete meses. 6(2): 51-66 55 .464 Sin/Dato(S/D) 4.. Se afinan los parámetros de ingreso para el caso de CarTabla 2. Se utiliza una x−µ 2 1 Crítico.. se observa que el monto de estafa de Ponzi. al igual que el número Superior a 10 mil Tabla 3. y.2. donde n = 0. Fuente: Elaboración propia. Vol. 1920 (véase el Anexo A). lo cual indica que este parámetro no afecta los resultados finales. Simulación DeWitt Datos investigados Sin/Dato(S/D) 0 años y 6 meses 0 años y 9 meses 1 año y 0 meses 7 meses APC PC 8. En la Figura 1. que el comportamiento de las variables asociadas está ligado al número de clientes estafados. Revista de Análisis Estadístico Journal of Statistical Analysis k 6 2. Caso Carlo Ponzi con el proceso de DeWitt. 2. Aunque los modelos no son comparables. distribución normal f ( x ) = √ e−( 2σ ) . para el fraude de Carlo Ponzi.551 38. En la Figura 2. Fuente: Elaboración propia. se presentan algunos resultados. por tanto. Tamaño de estafa: serie comparativa del Caso Ponzi con el proceso de DeWitt. existe estabilidad en el punto de saturación.000 16.594 127.7 Análisis de convergencia y sensibilidad Witt). Parámetro cambiante: Tasa de retorno Si la tasa de retorno aumenta. con respecto a la simulación ejecutada. 3 (2013). Fuente: Elaboración propia. se mantiene prácticamente invariante el tiempo en el cual se alcanza el Punto de Saturación. Por otra parte. En este sentido la comparación realizada muestra. es superior al 50 % respecto a la simulación ejecutada y al proceso que realiza DeWitt (De. Periodos comparativos Tamaño de estafa (millones) Simulación 0 años y 6 meses 0 años y 9 meses 1 año y 0 meses 7 meses APC PC 4. Fuente: Elaboración propia. Simulación del número de clientes: serie comparativa del lo Ponzi (Anexo A). y es superior hasta en un 53 % con respecto al proceso que realiza DeWitt (DeFigura 2. El algoritmo de DeWitt es una de las pocas referencias que existe en relación a un modelo matemático que describe el comportamiento de un PZ y se fundamenta en que el su.97 37. a los siete meses. La simulación es un proceso iterativo.Analíti a Simulación estocástica de esquemas piramidales tipo Ponzi iii) incorpora ciclos repetitivos que calculan el promedio por frecuencia de cada parámetro para la generación de gráficos estadísticos.38 10. sin que los modelos se parezcan.. 1. APC: Antes del Punto en este caso usamos el método Montecarlo.Figura 1. se aplica el método de BoxPeriodos comparativos Número de clientes Muller.6 Comparación con un algoritmo simple Comparemos los resultados de nuestra implementación de AM con el algoritmo propuesto por DeWitt (DeWitt). al igual que la expansión de capital. A continuación. Número de clientes: serie comparativa del Caso Ponzi puesto de que el número de clientes estafados sigue una con el proceso de DeWitt.000 Parámetro cambiante: Capital inicial El capital inicial es directamente proporcional al tiempo en que se establece el punto crítico.00 16.14 S/D DeWitt 4.000 8. tanto en el punto crítico como en el punto de saturación.

el tamaño de estafa y el número Si se aumenta el número de meses en que se haría efecti. “Las operaciones de inversión de Madoff eran un fraude que nadie quiso escuchar” (Markopolos. Caso Madoff. 3 (2013).54 1. lo que generó estatar el tiempo de permanencia del dinero en el sistema.77 60. se incrementa el tiempo en de existieron grandes ahorradores privados.43 64. fundada Parámetro cambiante: Período básico de inversión (núen 1960.880’042. Fuente: Elaboración propia Como se observa en la Tabla 4. por lo tanto.04 Figura 3.15 120. Para el punto de saturación. la PEA entre los años 1998-2008 de Estados Unidos (Banco 56 Analítika. pital. sigue estable.838 16. de los cuales 2. el número de clientes mundial). fonque se establecen el punto crítico y el punto de saturación.974 15.472. debe cambiar de manera positiva.65 PC 14 14años. pues se alcanza antes el punto crítico.62 -3’029.0meses 1’756. con los siguientes parámetros: Tabla 4. quienes recibían intereses anuaEl resultado.0meses 86.825. Parámetro Periodo Tiempo Número de clientes Expansión de capital (miles) Tamaño de estafa (millones) Retiros (miles) Estado financiero (millones) Capital real (millones) Capital promedio Antes PC 13 13años.25 94’779. El punto de saturación es 3 Escenarios de simulación invariante a estos efectos.406. se hace imposible crece de forma acelerada.000 millones Si el monto de inversión se incrementa hasta llegar al de dólares.023 9.67 -1’091.0meses 235. se presenta las tablas con los resultaestablece el punto de saturación se mantiene. instantes en que los punto crítico y punto de saturación se A partir de 1992.330 9. Revista de análisis estadístico.43 107.banca privada internacional de América Latina (Weitmann. mos reguladores y denunciado por varias empresas.60 132. en bilidad y confianza.320 millones valor del capital inicial. es decir.77 -6. Vol. por lo tanto.914’711. maquinó una de las estafas PZ más grandes por mero de meses) el tiempo de duración. Juan Mayorga-Zambrano y Paúl Medina Revista de Análisis Estadístico Journal of Statistical Analysis k 6 clientes y el tamaño estafa.010 millones correspondían a la punto crítico es menor. El Grupo Santander colocó unos 2. Fuente: Elaboración propia.72 752. siguen estables. lograba superar las inspecciones de la Comisión de Mercados y Valores (SEC).51 -8. 6(2): 51-66 . es consistente pues.20 3.Madoff. el resultado es consistente. al aumen. Mientras se mantienen el tiem.72 26. Parámetro cambiante: monto de inversión inicial El tamaño de estafa está en torno a los 65. nuevamente.820.336.462. dos de riesgo.0meses 544. se incrementa el tamaño de la 2009).43 9’657. En su pirámivo el pago de la tasa de retorno.96 194.03 PS 26 26años.219.41 26’244. estafa al igual que el monto de retiro.888.057. Se puede observar que se incremen. pero La estafa se alarga en el tiempo.la estabilidad del punto de saturación. Al aumentar la tasa de retorno. Punto de Saturación (PS). Madoff fue investigado por organisalcanzan.897. Número de clientes . ta la expansión de capital. 2010).77 -231. entre otros. el tiempo en que se establece el de euros. a) punto crítico b) punto de saturación.Analíti a Lilia Quituisaca-Samaniego. dos. siendo superior al 300 % al llegar una comparación puesto que se ha sobrepasado el total de al punto crítico. Resumen de datos Punto Crítico (PC).les entre el 8 % al 15 % por la inversión. crecer.de clientes afectados alrededor del mundo.1 Caso Madoff (1960-2008) La firma Bernard Madoff Investments Securities.11 186. El tiempo en que se A continuación. 3.624. bancos.283.562.tencia de los resultados.14 260’975.33 Antes PS 25 25años. así como la consispo del punto de saturación al igual que la expansión de ca. el número de clientes estafados se perjudicará. ello representaría el 20 % del promedio de la población mundial.

El tamaño de la estafa se incrementa de forma exagerada durante el proceso con el 220 % en el punto crítico y del 172 % en el punto de saturación. El crecimiento de clientes en (Banco mundial)) en un 147 %.E. pagó 150 % de interés mensual. con los siguientes parámetros: Figura 4. 2009). Parámetro Periodo Tiempo Número de clientes Expansión de capital (miles) Tamaño de estafa (millones) Retiros (miles) Estado financiero (millones) Capital real (millones) Capital promedio Antes PC 42 3años.2 Caso Proyecciones DRFE (2005-2008) El comerciante Carlos Alfredo Suárez.82 44. Número de clientes .991.353.F. Tamaño de estafa . Cali.45 1.R. a) punto crítico b) punto de saturación. Como dato adicional. Punto de Saturación (PS).91 138. 3 (2013).508. Analizando los datos de la Tabla 5. Tabla 5.Proyecciones D.33 7. Las ciudades de mayor afectación fueron colombianas: Pasto.71 7.51)4.49 2. Fuente: Elaboración propia. (Paredes.11meses 29’225.85 -1.681 43.92 -17. y en los tres últimos meses de duración de la pirámide.99 243.7meses 430.51 -4.78 30.57 PS 47 3años. para el año 2008 (Colombia. Fuente: Elaboración propia. 4 La tasa promedio de cambio.07 13.39 9.04 9. El monto mínimo de invesión era 2 millones de pesos (aproximadamente $1. Podemos observar que el porcentaje de retiro es menor al 1 % con respecto al tamaño de la estafa en los últimos años de vida de la pirámide. Popayán y Santander de Quilichao. 6(2): 51-66 57 .68 4.030.923.940.111.6meses 306. Se presume que el monto de estafa fue de 2 billones de pesos (aproximadamente $1.5 %. Analítika.12). observamos que en el punto de saturación sobrepasa la PEA de Colombia (proel punto crítico existe un incremento del 40 % en compa. de enero a noviembre 2008. se presentan las tablas con los resultados.514.47 PC 43 3años.R.73 -227.195.91 21.790. Vol.medio entre los años 2005-2008.743. Fuente: Elaboración propia. Revista de análisis estadístico.51 1.01 Figura 5.51 Antes PS 46 3años.58 -128. fue de $1 = 1.Madoff.F.136 30. Resumen de datos Punto Crítico (PC). Banco de la República). con aproximadamente 6 millones de afectados. Proyecciones DRFE.79 pesos.030. A continuación.10meses 15’626.E. según datos obtenidos en ración con el período anterior. a) punto crítico b) punto de saturación.Analíti a Simulación estocástica de esquemas piramidales tipo Ponzi Revista de Análisis Estadístico Journal of Statistical Analysis k 6 El porcentaje de variación de la expansión de capital entre el punto crítico y el punto de saturación sobrepasa el 70 %.37 8.738 4’022. por medio de Proyecciones D. entregaba 70 % de interés mensual.882. debemos mencionar que las tasa de interés del Banco Central de Colombia era de 9.252 27. 3.

992.96 -2858. Fuente: Elaboración propia. y de apenas el 9 % en el punto de saturación con respecto al tamaño de la estafa en los últimos meses de vida de la pirámide.702. Tamaño de estafa . 2005). según un listado encontrado en sus archivos personales. 3. Revista de análisis estadístico.391 30. a) punto crítico b) punto de saturación.10 496. políticos.3 Caso Cabrera (1996-2005) José Cabrera dirigía la Notaría Segunda del cantón Machala (provincia de El Oro).R. Manabí y Pichincha. Punto de Saturación (PS). Juan Mayorga-Zambrano y Paúl Medina Revista de Análisis Estadístico Journal of Statistical Analysis k 6 Según la Tabla 5.714. Número de clientes . Parámetro Periodo Tiempo Número de clientes Expansión de capital (miles) Tamaño de estafa (millones) Retiros (miles) Estado financiero (millones) Capital real (millones) Capital promedio Antes PC 44 3años.73 -711.820.46 918’526.33 Figura 7. banqueros. por el contrario. con más de 35 mil personas afectadas.557 14. Loja. Figura 6.83 PS 126 10años.523’114.5meses 29.013.F.52 -7.24 204. 6(2): 51-66 .86 623. Fuente: Elaboración propia.789.739 30.925 14.84 212. Resumen de datos Punto Crítico (PC).77 476.950. Tabla 6.D.96 107. Fuente: Elaboración propia. Se presume que el monto de estafa superaría los $700 millones de dólares. Resumimos los resultados en los gráficos y tablas que se describen a continuación. especialmente de las provincias de Azuay.192.55 Antes PS 125 10años.Analíti a Lilia Quituisaca-Samaniego. constituyéndose en una de las estafas más grandes ocurridas en el país. 9meses 389.534. El tamaño de la estafa se incrementa de forma exagerada durante el proceso. Entregaba intereses mensuales del 7 % al 10 % a miles de clientes de distintos lugares de Ecuador..01 3.469’862.877 613’216.15 1. La lista de personas que conformaban la pirámide comprometía a varios jueces. 58 Analítika.00 15’973.978.000.51 59.429.873.E.55 -4’386.88 PC 45 3años.693.Caso Cabrera. El monto de inversión inicial de algunos clientes sobrepasaba los $30. 3 (2013). podemos observar que el porcentaje de retiro es de aproximadamente el 20 % en el punto crítico. Caso Cabrera.63 23’627.22 103.6meses 43. en Ecuador.79 3. el porcentaje de variación de la expansión de capital entre el punto crítico y el punto de saturación es del 44 %. Guayas. Vol. policías y militares (Angulo et al.83 -23.8meses 186. a) punto crítico b) punto de saturación.

noviembre de cada uno de los casos. bancos. Número de clientes . El porcentaje de variación de la expansión de capital entre el punto crítico y el punto de saturación sobrepasa el 100 %.4. Número de clientes. Proyecciones D.R. sobrepasa esta cifra en un 480 %. a manera de resumen.000 10 % 70 % 1 2 1 9.14 15626. se ha sobrepasado el total A continuación. Fuente: Elaboración propia.F.4 Comparación de resultados de los casos estudiados En el presente apartado se presentarán.E 500. Parámetros de ingreso: Caso Madoff. Proyecciones D. mientras que para el punto de saturación el número de inversionistas simulados. desconociéndose la cifra aproximada de clientes afectados. Fuente: Elaboración propia. y Caso Cabrera. Periodos comparativos 3 años y 6 meses 3 años y 7 mes/es 3 años y 10 mes/es 3 años y 11 mes/es Mayor a 3 años APC PC APS PS S/D Número de clientes Simulación (miles) 306.1 Número de clientes • Caso Madoff: En este caso fueron afectados miles de inversionistas (grandes ahorradores privados. podemos observar en la Tabla 10 que el número de clientes sobrepasa la cifra estimada en un 800 % al llegar al punto crítico.02 1.5 % Caso Cabrera 10’000.53 430.711. a) punto crítico b) punto de saturación.68 Datos investigados S/D Caso Madoff 5’000. Fuente: Elaboración propia. Consideramos el Caso Madoff.5 y Caso Cabrera. Podemos observar que el porcentaje de retiro es del 4 % con respecto al tamaño de la estafa en los últimos meses de vida de la pirámide. 3. fondos de riesgo. Figura 8.73 29225.E.97 235’914. • Proyecciones D. El tamaño de la estafa se incrementa de forma exagerada durante el proceso. Tabla 8. etc) de algunos continentes.157 millones.R. Antes del Punto Crítico (APC). Punto Crítico (PC).F. Los resultados desglosados para las demás variables estudiadas están en la subsección anterior. Antes del Punto de Saturación (APS). con énfasis en el número de clien2012).R.F. según la Tabla 8.Analíti a Simulación estocástica de esquemas piramidales tipo Ponzi Revista de Análisis Estadístico Journal of Statistical Analysis k 6 Para el punto de saturación. se observa que el número de clientes en el punto crítico esta por debajo del 7 % del número de inversionistas investigados (mínimo 6 millones). Fuente: Elaboración propia. Parámetro E0 ω ip h m c0 η 5 Se Incalculable Tabla 9.Caso Cabrera. Cuando la pirámide llega a los 25 años ha sobrepasado la población mundial. Vol.F. presentamos un resumen comparativo de habitantes de Ecuador (15’590. Tamaño de estafa . Periodos comparativos Número de clientes Simulación (miles) 13 años y 0 meses 14 años y 0 meses 25 años y 0 meses 26 años y 0 meses Mayor a 20 años APC PC APS PS 544.000 10 % 8% 12 100 1 4.Caso Madoff. como se puede observar en la Tabla 6.5 % Superior a 6 millones han simplificado cifras para la simulación. los retiros disminuyen de manera importante.756.E: En la Tabla 9. con los siguientes parámetros: Tabla 7.R. Analítika.84 S/D Datos investigados S/D 3.000 10 % 7% 1 500 1 2. el tamaño de estafa y el porcentaje de retiro frente al tamaño de la estafa. Proyecciones D.E. tes. para los siguientes meses se sobrepasa a la población mundial.E. Punto de Saturación (PS).33 86’880. 6(2): 51-66 59 . Revista de análisis estadístico.R. los resultados obtenidos a partir de la implementación del algoritmo para los diferentes casos.042. en contraste. • Caso Cabrera: Para el caso Cabrera. Sin Dato (S/D).6 % Proyecciones D. 3 (2013).F.

49 A partir de las cifras de la PEA por provincias.862. servar que. Antes del Punto Crítico (APC).86 % 4 Análisis del impacto del Caso Cabrera en Ecuador En el Ecuador. Porcentaje de retiro con respecto al tamaño de la estafa • Proyecciones D.30 % del monto de estafa investigado. Proyecciones D.24 % 6.336. Periodos comparativos 3 años y 8 mes/es 3 años y 9 mes/es 10 años y 5 mes/es 10 años y 6 mes/es Mayor a 9 años APC PC APS PS Número de clientes Simulación (miles) 186. podemos cono3 años y 11 mes/es PS 243. se resume el porcentaje de retiro con respecto al tamaño de la estafa. el número de clientes es superior con un 38 % para el año Tabla 12.557 383. Caso Cabrera. decrece a medida que la pirámide financiera incrementa el número de inversores. Tamaño de estafa en millones.3 Retiros versus tamaño de la estafa En la Tabla 14.2 Tamaño de estafa • Caso Madoff: En la Tabla 11. podemos observar que. los que hicieron que la estafa provocada por José CaPeriodos comparativos Tamaño de estafa (millones) brera siguiera. 51 % para el año 2004.40 % 1. urbana y rural registrada desde el año 1990.35 % 4. el tamaño de la estafa es apenas el 0. el resultado de la simulación supera el 1000 %. 3 años y 7 mes/es PC 9. Juan Mayorga-Zambrano y Paúl Medina Tabla 10. Cabrera DRFE Madoff Ponzi PEA Masachusset Ponzi PEA USA 5.R.. para el año Mayor a 20 años S/D Superior a $65000 2001 el número de clientes.93 % 0.Tabla 15).25 26 años y 0 mes/es PS 26’244.4. En los posteriores años. 71 % para el año 2005. Para el caso Ponzi. APC PC APS • Caso Cabrera: En el resumen de la Tabla 13.15 212. tenemos que.09 % 8.98 % 13. Número de clientes. el número de clientes es superior en un 4 % y para el 2005 es supePeriodos comparativos Tamaño de estafa (millones) rior en un 42 %.99 % 15.46 S/D Datos investigados S/D Superior a 35 mil Superior a $700 3. Lo misFuente: Elaboración propia. como el proceso de la dolarización y su influencia en el acceso al crédito. en el año 2004.54 través de la simulación del caso Cabrera y los datos de la 25 años y 0 mes/es APS 9’657. hasta el año 2005. 13 años y 0 mes/es APC 60. mientras que en los casos restantes. Caso Madoff. según la simulación del caso Cabrera no sobrepasa la PEA rural. Fuente: Elaboración propia.4 S/D nacional en un 13 %. Tabla 11.47 % 2.820.75 23’627. Sin Dato (S/D). según la simulación realizada. podemos ob. Revista de análisis estadístico. sin que los organismos de control puedan Simulación Datos investigados detectarla.25 % 0. 2003. Antes del Punto de Saturación (APS).714.36 % 3.78 % 3. el porcentaje de retiro crece. mo sucede con la PEA urbana. confor3 años y 10 mes/es APS 138.E. 3 (2013).14 Población Económicamente Activa nacional.391 S/D Datos investigados S/D 3 años y 8 mes/es 3 años y 9 mes/es 10 años y 5 mes/es 10 años y 6 mes/es Mayor a 9 años APC PC APS PS Revista de Análisis Estadístico Journal of Statistical Analysis k 6 Tabla 13. Punto Crítico (PC).64 % PS 2. Tamaño de estafa. en el punto crítico.91 cer el número aproximado de afectados de cada provincia Mayor a 3 años S/D Superior a 2 millones 6 ( % PEA afectada7 .114.4. Tamaño de estafa en millones.14 % 9. Fuente: Elaboración propia. podemos observar que.R. antes de llegar al punto crítico (3 años y 6 meses). el notario Cabrera debe haber tenido aproximadamente el 20 % del tamaño de estafa estimado (Angulo et al. Fuente: Elaboración propia. Periodos comparativos Tamaño de estafa (millones) Simulación 103.Analíti a Lilia Quituisaca-Samaniego.caso Cabrera (Tabla 10). 7 Porcentaje de PEA afectada con respecto al número de clientes en el punto crítico (383. se puede conocer que.49 % 22. al llegar a Simulación Datos investigados diciembre 2005. el número de clientes sobrepasaría la PEA 3 años y 6 mes/es APC 7.86 % 23.01 15’973.F. 2005).30 % 5. fueron factores económicos.935) . Además.935 29’469. en el punto crítico.de los casos de estudio.: En la Tabla 12.67 % 0. Punto de Saturación (PS). Tabla 14.391 43’523.876. se ha superado en un 300 % al monto de estaCasos Puntos de estudio fa investigado. 60 Analítika.E.75 % 4. Caso Cabrera. 6(2): 51-66 . Vol.F. 3.94 % 4. al compararlo con el tamaño de estafa a los 25 años.07 me al Censo de Población y Vivienda 2001. Fuente: Elaboración propia.72 S/D Efectuando una comparación con los datos obtenidos a 14 años y 0 mes/es PC 194.

Cuando se llega al punto crítico.Analíti a Simulación estocástica de esquemas piramidales tipo Ponzi Revista de Análisis Estadístico Journal of Statistical Analysis k 6 Figura 9. el número de clientes La empresa captadora de dinero no depende necesariaya supera en un 0. Vol. Distribución de la PEA (1995-2006). ro de nuevos clientes que ingresan a la pirámide. 2004. 2001. Población Total y PEA afectados en el caso Cabrera. según se puede intereses de la inversión de los clientes se realiza con dineobservar en la Figura 10. 5 Conclusiones Mientras la tasa de retorno se incrementa. 3 (2013). se ha relacionado datos investigados El monto de retiro es mínimo con respecto al tamaño de con los posibles escenarios de comportamiento de algunas la estafa. Fuente: Elaboración propia. en un 49 % la PEA mente de un capital inicial fuerte. 6(2): 51-66 61 . Encuesta Nacional de Empleo y Subempleo 2003. la empresa puede disponer del monto inicial de inversión más la tasa de retorno ofrecida a los primeros clientes. Figura 10. Fuente: Censos de Población y Vivienda 1990. Por tanto. puesto que el pago de de El Oro y en un 94 % la PEA de Pastaza. 2005. uso de la simulación. el tiempo que dura la pirámide es menor.5 % la PEA de Manabí. Revista de análisis estadístico. pirámides financieras. Analítika. de igual forma depende del lapCon la implementación del algoritmo matemático y el so en que los valores son cancelados a los clientes. 2006). 2006 (INEC.

763 403.Quinta Ronda.223 206.033 195.220.org/indicador. 2009. 2012. 3 (2013).org/b/nbr/ nberbk/frie63-1.4 % 1139.4 % 296. A. URL http://www.493 79. 1867-1960. Ponzi Schemes vs. U.772 % PEA afectada 31.bancomundial. 1(1): 119–129. Un Modelo Matemático para Esquemas Piramidales Tipo Ponzi. 2012.034 525.885 132.8 % 234.106 232. Vol. March 12.835 344.076 24.452 382. Fuente: INEC.7 % Revista de Análisis Estadístico Journal of Statistical Analysis k 6 Friedman. A.939 128.banrep. madoff pleads guilty to eleven//datos.repec. Ecuador. Social Security. 2009. 2012.046 164.0 % 170.ncjrs.9 % 656..309.601 61. 2009.370 152.375 26. Kitchens..blogspot. Analítika. EDIMPRES S. siglo. en Noviembre 24. 2008.xls. LA ESFERA DE LOS LIBROS. Araujo. P. Población Total y PEA afectada.0 % 1264. consultado Plazoovernight.5 % 38. consultado en count criminal information and is remanded into custody. Revista de análisis estadístico. ReSeptiembre 9. Indicador bancario de referencia. Disponible en: http://www.009 141.1 % 272. Paredes. Disponible en: http: United States Attorney Southern District of New York. 62 Analítika.9 % 196. E. M.151 58. La ruleta rusa. Disponible en: http://www2.186.9 % 607.6 % 100.gov/pdffiles1/ Digitization/144711NCJRS. D.540 404. Coronel.pdf. España. Tibanlombo.546 650. Cash flow analysis method: following the paper trail in ponzi schemes.1 % 530. URL https://www.A. total.. Moyano y J.817 1.332 8. J.5 % 165. Población activa. 62(8): 10–13. consultado en Agosto 20. Provincia Guayas Pichincha Manabí Azuay Los Ríos Tungurahua El Oro Chimborazo Cotopaxi Loja Imbabura Esmeraldas Cañar Bolívar Carchi Sucumbíos Morona Santiago Orellana Napo Zamora Chinchipe Pastaza Galápagos Población total 3. 2009.706 30. 2010.Analíti a Lilia Quituisaca-Samaniego. FBI Law Enforcement Bulletin. Pobreza y desigualdad. Banco de la República. Referencias Angulo. .178 441. Bernard l.412 86. DeWitt. Las pirámides financieras: Colombia. 2005.9 % 4376. J. Banco mundial. Schwartz. consul. Fourteenth census of the united states.6 % 775.html. hematical Social Sciences. El caso Madoff: Los secretos de la estafa del tado en Noviembre 4.034 2. M.0 % 194.640 PEA 1. Inc. M.139 76. 6(2): 51-66 . Inc. T. INEC.062 137.ec/estadisticas/index.2 % 278. 2011. Estudios y Análisis Técnicos .200 129. Reino Unido.5 % 938.911 33. 2006.htm.981 169. John Wiley Sons Limited . Madrid. Mayorga-Zambrano. 1963. M. National Bureau of Economic Research. Cola.0 % 1472. B.4 % 290.664 225.025 599. Disponible en: http://www.875 197. The mathematics of Ponzi schemes. A Monetary History of the United States. lease of the Department of Justice. URL http://ideas. G. Carvajal.co/series-estadisticas/Contingencia/IBR/ decennial/documents/41084484v1ch1.inec. Matperintendencia de Bancos y Seguros del Ecuador. Juan Mayorga-Zambrano y Paúl Medina Tabla 15. http://jmonzo. Pensamiento Sistémico. 1993.319 63. y A. 2012. Markopolos.Weitmann.gov/prod2/ gov. Número frie631 en NBER Books.632 349.388.655 72.3 % 1577. Chichester. Resultados de la Encuesta de Condiciones de Vida .census. United States Census Bureau.044 385.509 40. Colombia.ssa.pdf. Monzó. No One Would Listen: A True Financial Thriller.php? option=com_remository&Itemid=&func=download&id= 182&chk=47111d97fef805a578812fd2526b86a2&no_ html=1&lang=es. L.gob.gov/history/ponzi.com.779 18.Estudios Macrofinancieros. Quito.389 995.471 49. ¿Por qué colapsan las pirámides financieras? Caso Madoff. Censo de Población y Vivienda 2001. SuArtzrouni. Cedeño. H. (58): 190–201.995 115.

Caso Carlo Ponzi .).91 48. a) punto crítico b) punto de saturación.75 % en noviembre de 1919.287.PEA.24 Figura 11.545. Parámetro Periodo Tiempo Número de clientes Expansión de capital (miles) Tamaño de estafa (millones) Retiros (miles) Estado financiero (millones) Capital real (millones) Capital promedio Antes PC 3 0años.435. la pirámide no alcanza el punto crítico al momento de cierre de sus operaciones.27 -13.03 -3’605.9meses 38.15 123. Carlo Ponzi fundó en Boston (EE.25 37.77 10. Ponzi había acumulado alrededor de 10 millones de dólares (Artzrouni. Fuente: Elaboración propia.87 218’069. ello pondiente al año de 1920.14 1.02 PC 4 1años. según puede observarse a partir de la simulación. Escenario de simulación: Consideramos el caso de Ponzi tomando en cuenta la PEA del año 1920 para Estados Unidos (82’739.como respuesta. EE. 2009). representaría el 0.02 1’741.486.PEA EE. Fuente: Elaboración propia. Revista de análisis estadístico.UU. y el 17. Cabe recalcar que. la Reserva Federal subió las tasa de interés de 4. Fuente: Elaboración propia. Resumen de datos Punto Crítico (PC).PEA.83 405.Caso Carlo Ponzi . 1993).UU. del 100 % trimestral (Artzrouni. 1963).620.765 19.Analíti a Simulación estocástica de esquemas piramidales tipo Ponzi Revista de Análisis Estadístico Journal of Statistical Analysis k 6 ANEXO A Caso Carlo Ponzi (1919-1920) tantes) (United States Census Bureau). una empresa denominada Securities Exchange Col.04 % de la población de la ciudad de Bonton. la pirámide deja de funcionar por la auditoría y por la orden de cierre que emitieron las autoridades (Kitchens.932.757. en 1919. al llegar al punto crítico. la empresa de Ponzi es investigada. Parámetros de simulación .UU.594 11. Más de 10 mil norteamericanos invirtieron en su negocio.32 -18.3meses 4. Analizando la Tabla 17.UU.66 Antes PS 13 3años.75 % A continuación.69 4’482.0meses 127.019 18.15 % de la PEA (Banco mundial) de EstaAnalítika.Caso Carlo Ponzi . se presentan las tablas con los resultados: Tabla 17. o un monto de estafa aproximado de 14. Punto de Saturación (PS) .90 23. 3 (2013).60 3.991. el 3.97 361. Número de clientes .31 % de la PEA del estado de Masachusset forma acelerada de tal suerte que.14 189. 1993). En tan sólo siete meses.60 -180.50 -1’370.051’160. a 6 % en enero de 1920 y finalmente a 7 % en junio (Friedman y Schwartz. En 1920.999.464 12. 6(2): 51-66 63 . el número de clientes crece de dos Unidos.315 habi- Parámetro E0 ω ip h m c0 η Valor 10′ 000000 10 % 100 % 3 100 1000 4.733.559.874’339. 2009).740. EE. que ofrecía un retorno de inversión.82 80’882. corresel número de clientes se ha incrementado en un 330 %.6meses 12.13 PS 14 3años.045.5 millones de dólares (Kitchens.96 14. Vol. con los siguientes parámetros: Tabla 16.

PEA.34 876. Fuente: Elaboración propia.3 64 Analítika.UU. 3meses) 56.033.51 PC 6 (1años.7 %. Revista de análisis estadístico. Juan Mayorga-Zambrano y Paúl Medina Revista de Análisis Estadístico Journal of Statistical Analysis k 6 Figura 12. 6meses) 81. incremento en cada periodo sobrepasa el 100 % Figura 13.33 9.451.955. Puede observarse que el porcentaje de bla 17.318).84 -196.86 18.76 9. según lo observado en la Tadeja de funcionar. EE.Caso Carlo Ponzi . Variación porcentual del número de clientes .Caso Carlo Ponzi .43 600 3.971 13.850.52 18. Tamaño de estafa . El 3. 63 %. a) punto crítico b) punto de saturación.454 15.Analíti a Lilia Quituisaca-Samaniego. 6meses) 16. 3meses) 10.por cuanto la ciudad de Boston pertenece a dicho estado: tual de 157 % al llegar al punto de saturación.112 14.36 12. 6(2): 51-66 . dos: Tabla 18.68 72. Fuente: Elaboración propia.26 -9. Resumen de datos Punto Crítico (PC).668. Parámetro Periodo Tiempo Número de clientes Expansión de capital (miles) Tamaño de estafa (millones) Retiros (miles) Estado financiero (millones) Capital real (millones) Capital promedio Antes PC 5 (1años.PEA.41 176.88 944.Caso Carlo Ponzi . se presentan las tablas con los resultagar al punto crítico y en el punto de saturación es 4.36 114. El tamaño de la estafa sufre un incremento porcen. Punto de Saturación (PS) . EE.22 12. Vol.5 % del tamaño de estafa ha sido retirado por los inversores al lleA continuación. Massachusetts. 3 (2013).5 PS 10 (2años. se ha sobrepasado el del número de clientes hasta que la pirámide financiera total de la población mundial.PEA.716. En la Figura 12.779 12.UU. Consideramos el caso de Ponzi tomando en cuenta la El incremento porcentual de la expansión de capital entre el punto crítico y el punto de saturación sobrepasa el PEA de 1920 para el estado de Massachusetts (1’728.55 1377.94 Antes PS 9 (2años.25 5.26 -5.86 -67. Fuente: Elaboración propia.32 -124. apreciamos el incremento porcentual Al llegar al punto de saturación.

Analizando la Tabla 18. Massachesetts. Revista de análisis estadístico. el número de clientes tiene una variación porcentual de 57 % al llegar al punto crítico.Caso Carlo Ponzi .PEA. En algunos casos.Caso Carlo Ponzi . Figura 16. 6(2): 51-66 65 . sobrepasa el 100 %.PEA.PEA. Tamaño de estafa . Variación porcentual del número de clientes . Analítika. Figura 15. 3 (2013).Caso Carlo Ponzi . Vol. a) punto crítico b) punto de saturación. El tamaño de la estafa tiene un incremento porcentual de aproximadamente 524 % al llegar al punto de saturación. a) punto crítico b) punto de saturación. el monto de retiro se aproxima al 15.75 %. Fuente: Elaboración propia. El 4. En la Figura 15. apreciamos el incremento porcentual del número de clientes hasta que la pirámide financiera deja de funcionar. Fuente: Elaboración propia. en el punto de saturación.78 % del tamaño de estafa ha sido retirado por los inversores al llegar al punto crítico.Analíti a Simulación estocástica de esquemas piramidales tipo Ponzi Revista de Análisis Estadístico Journal of Statistical Analysis k 6 Figura 14. cuando se aproxima al punto de saturación. Fuente: Elaboración propia. Massachusetts. Massachesetts. Número de clientes .

I (tk ) − 1. σ2 . I ← 1 . end for l = 0. d1 . j . m.. d0. j ← ck . j . j = ω ∗ . Ek ← E0 · ∏ (1 + ηl ). 1. ∑ k ω l . j ← Normal(ω k. b. L0 ← 0 . Juan Mayorga-Zambrano y Paúl Medina Revista de Análisis Estadístico Journal of Statistical Analysis k 6 B Algoritmo general Algorithm 1: ( Tc . S (t ) ← S .. 30 31 32 33 34 Uk ← m · ck . Ts ) = Ponzi(h. 2) . a. P −1 w k ← (1 + i p ) · ∑ k j =0 ω k. L k ← m · λ k . β ← . Nk ← Normal N k .. Ck wk Z ← L k . ∗ ip d2 d ω ∗ − d0 ω ∗ 0 ω − d1 ω ∗ . l =0 k k −1 28 29 λ k ← (1 + η k −1 ) · λ k −1 + c k − w k . 6(2): 51-66 . S0 ← 1 − U 0 0 0 0 0 U k ← 1. ω∗ ) Input: h. k ← k + 1. 1. . σ1 . σ1 .. ω ∗ Output: ( Tc . C0 ← c0 . abs( a) + Math. abs(b ))/ periodo . Wk ← m · w k . F0 ← E0 − i p · m · c0 .. for j = 0. 1. . ω∗ ← . k do if k − j ≤ d1 then ω k.. else ω k. else pk.. Ek ← k . while Z > 0 do t k ← k · h. nSim. I (t ) ← I . end end 66 Analítika. η . // Process m m C0 for sMont = 0. d1 . L λ −γ L ← k . j ∗ (1 − ω k. I (tk ) ← haux · ( a · S (tk−1 ) · I (tk−1 ) − b · I (tk−1 )) + I (tk−1 ). . Nk ← I ( t k −1 ) ck ← Nk · Ck−1 . λ0 ← 0 . . ω k.. S (tk ) ← − a · haux · S (tk−1 ) · I (tk−1 ) + S (tk−1 ). a. η .Analíti a Lilia Quituisaca-Samaniego. 3 (2013). γ ← 0 .. σ1 if j < k then pk. 1. k − 1 do  end Uj ← m ∗ c j − l = j +1 k ˆk ← Pk + Ek . Ts ) // Initialize t0 ← 0. Vol. nSim. c0 . haux ← a. σ2 . i p . c0 . for j = 0. U . Ck ← Ck−1 + ck . 1/4 . j ← pk−1. b. d0 . j pk −1. k − 1 do 2) ¯ . E0 . Revista de análisis estadístico. p0 ← c0 . j . j .. m. j = (k − j) · [ α · (k − j) + β]. Rk ← j =0 ∑ Uj . i p .. paux ← ( Math. nSim do 1 . j ∗ p l . haux ← haux + paux. Z ← L0 . j )(1 + i p ). σ2 ηl ← Normal(η end Pk ← m · j =0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 ∑ pk. E0.. U .α← 1 2 2 1 + ip d1 d0 − d0 d2 d1 d2 0 − d0 d1 1 E L L L0 ← E0 + m. Fk ← Fk−1 − Pk · i p + ηk−1 · L k−1 .