ANÁLISIS DISCRIMINANTE APLICADO AL PROBLEMA DE CREDIT SCORING
|
|
- Xavier Espejo Hernández
- hace 8 años
- Vistas:
Transcripción
1 ANÁLISIS DISCRIMINANTE APLICADO AL PROBLEMA DE CREDIT SCORING RESUMEN JUAN MANUEL RIVAS CASTILLO En este documento se emplea el análisis discriminante, que es una técnica del análisis multivariado utilizada de manera estándar por bancos e instituciones financieras con el objeto de predecir el riesgo que un cliente pague o re-pague un préstamo (Credit Scoring). Los desarrollos que se presentan hacen hincapié en el problema de la métrica en las variables que dificultan el uso de la discriminación lineal, por lo que el enfoque se centra en la técnica sustituta de la discriminación logística. Adicionalmente, se ilustra el empleo del estadístico Kolmogorov-Smirnov como un procedimiento alternativo para el cálculo del punto de corte y de la matriz de confusión. Los resultados que se obtienen permiten dar luces acerca de la importancia del desarrollo de una técnica objetiva que permita clasificar a los clientes en buenos o malos pagadores. Palabras Clave: análisis multivariado, análisis discriminante, credit scoring, normalidad conjunta, Matriz de confusión. Introducción En busca de una especialización muchos estudiantes de economía se deciden por los temas financieros y específicamente en el desarrollo de la profesión en el campo de otorgar y evaluar créditos, es en ese contexto que el Análisis Multivariado permite, a partir de la técnica del Análisis Discriminante, el desarrollo de los métodos de Credit Scoring, que son una herramienta estándar en bancos y otras instituciones financieras, para estimar si un individuo que aplica para obtener un crédito pagará o no su deuda 2. Para estimar este tipo de modelos los bancos recogen datos de fuentes internas (la historia de los aplicantes en créditos anteriores), de fuentes externas (encuestas, entrevistas con los aplicantes). De la historia de los aplicantes se puede obtener las características específicas de los potenciales clientes. A partir Estos modelos también reciben el nombre de score-cards o classifiers, generalmente se asocian a la data mining (minería de datos), que son aquellos procedimientos que permiten extraer información útil y encontrar patrones de comportamiento en los datos. Es decir, son algoritmos que de manera automática evalúan el riesgo de crédito de un solicitante de financiamiento o de alguien que ya es cliente de una entidad. 2 Las primas por riesgo de crédito de una entidad financiera se calculan haciendo uso de las probabilidades de insolvencia de los riesgos a partir de un modelo de Credit Scoring.
2 de las fuentes externas se pueden realizar las siguientes preguntas: Tuvo algún crédito antes?, Cuánto pidió?, Se atrasó alguna vez en sus pagos?. Del mismo modo, existe la posibilidad de adquirir información de empresas que cuentan con bases de datos de potenciales clientes. En el presente documento, para la estimación del Credit Scoring se hace un resumen teórico de la técnica del análisis discriminante en su versión lineal y logística. Y para la aplicación empírica, se emplea una base de datos de mil clientes de un banco europeo 3. Con el objeto de probar la robustez de los resultados se divide de manera aleatoria la base de datos en grupos de 600 y 400 clientes, respectivamente 4. De esta manera, el análisis se realiza sobre la muestra de 600 individuos mientras que la performance del sistema desarrollado se prueba sobre los 400 clientes restantes. 2. Análisis discriminante y su aplicación a información de clientes de bancos y financieras Sean P y P 2 dos poblaciones donde se tiene definida una variable aleatoria x la cual es p-variante. Inicialmente se supondrá que x es absolutamente continua 5 y que las funciones de densidad de ambas poblaciones, f y f 2, son conocidas. La finalidad es clasificar un nuevo elemento en alguna de estas dos poblaciones. Si se conoce las probabilidades a priori 6 de que este nuevo elemento provenga de cada una de las poblaciones, su distribución de probabilidad será una distribución mezclada: f( x) = p f ( x) + p f ( x) 2 2 Supongamos que el elemento que se observa es, entonces es posible aplicar el teorema de Bayes para calcular las probabilidades a posteriori de que la información haya sido generada por cada una de las dos poblaciones. () 3 Para extraer bases de datos de clientes de algunos bancos europeos y de otros temas relacionados se puede recurrir a la siguiente página: 4 La separación de la base de datos en dos sub-muestras de 600 y 400 clientes se realizó en base a un generador de números aleatorios, a partir de la distribución uniforme re-escalada de a 000, ello permite identificar a cada uno de los clientes de la base. Para que los resultados no cambien cada vez que se realicen las estimaciones lo que se hizo fue plantear una semilla generadora de números aleatorios inicial ( ). Todos estos desarrollos se realizaron empleando el software STATA. 5 El supuesto de continuidad luego es dejado de lado para permitir el uso de variables categóricas binarias, ya que la base de datos que se emplea tiene características mixtas (variables continuas y binarias). 6 Estas probabilidades deben de cumplir la condición de cierre, es decir, la suma de ambas probabilidades debe de ser la unidad. 56
3 La probabilidad de que se haya generado en la primera población es: P 0 ( x ) = 0 f ( x ) p f ( x ) p + f ( x ) p (2) Y en la segunda población: f2( x0) p 2 P( 2 x0 ) = f( x0) p+ f2( x0) p (3) 2 Ya que los denominadores son iguales, se clasificará a en la población 2 si: p f ( x ) > p f ( x ) (4) Si se da el caso que las probabilidades a priori son iguales, la clasificación anterior se reduce a: f ( x ) > f ( x ) (5) Es decir, se clasifica a en la población más probable, o donde su verosimilitud es más alta. No obstante, pueden existir costos de clasificación que deben de ser incluidos en la regla de decisión anterior, por lo que el objetivo del decisor es maximizar su función de utilidad, lo que equivale a minimizar el costo esperado. Los resultados de cada una de las decisiones se presentan en la figura N o : Figura N o P(/x) = 0 d P(2/x) P(/x) =C(/2) =C(2/) d 2 P(2/x) = 0 57
4 El costo de clasificar correctamente al individuo x en la población es cero, mientras que el costo de clasificarlo incorrectamente es c (/2) (costo de clasificar un individuo en la población cuando en realidad pertenece a la población 2). El costo esperado de clasificar en el grupo será: ( ) 0 ( ) ( 2) ( 2 ) ( 2) ( 2 ) E d = P x.0 + c P x0 = c P x0 (6) Y el costo esperado de clasificar en la población 2 será: ( ) 0 ( 2 ) ( 2) ( ) ( 2) ( ) E d = P x + c P x = c P x (7) Con f y f 2 esta información se asignará al grupo 2 si el costo esperado es menor, es decir: ( ) ( ) ( ) ( ) f2 x0 p2 f x0 p > c 2 c 2 Luego, y se consideran distribuciones normales con distintos vectores de medias pero idéntica matriz de varianza covarianza, de forma que: 58 (8) f ( X) = exp 2 ( x u ) ( ) p 2 i V x ui (2 p ) V 2 (9) Reemplazando este resultado en la expresión (8) y tomando logaritmos a ambos lados, se clasificará en la población 2 si se cumple que: p 2 ( x u2) V ( x u2) + log 2 c 2 ( ) (0) p 2 > ( x u) V ( x u) + log 2 c( 2) En relación a los elementos de la expresión anterior: u representa el promedio de las variables condicionada a que el cliente hizo default (no pago su deuda) y u 2 es el promedio de las variables condicionada a que el cliente no hizo default (pago su deuda), V - es la inversa de la matriz de varianza covarianza, p y p 2 representan las probabilidades a priori de hacer default y de no hacer default, respectivamente, c(2/) es el costo de clasificar en la población 2 cuando en realidad pertenecía a la población y c(/2) es el costo de clasificar en la población cuando en realidad el individuo pertenece a la población 2. Asimismo, (x - u 2 )V - (x - u 2 ) se conoce como la distancia de Mahalanobis. Si se consideran costos y probabilidades iguales la regla anterior se reduce a clasificar en la población cuya media este más próxima. Es decir, se clasificaría en la población 2 si la distancia de Mahalanobis es menor que en la población.
5 Estos desarrollos son la estructura teórica para el Análisis Discriminante Lineal (ADL) de Fisher 7 que es la base teórica en la cual se sustenta el modelo de Credit Scoring estándar. 3. Sobre la data En relación con la base de datos, se cuenta con 22 variables de características de 000 clientes que pidieron un préstamo en un banco europeo y que habían solicitado en el pasado créditos para consumo. Las variables que se emplean en el presente documento son: ASSETS, CHECKING, SAVINGS, DURATION, MONTO, HISTORY, AGE y OCCUP. Algunas de estas variables fueron recodificadas a partir de los siguientes criterios: la variable ASSETS se transformó en una variable binaria que adopta el valor (uno) si el cliente es propietario de algún activo y el valor 0 (cero) si no lo es. La variable HISTORY se transformó en una variable binaria que adopta el valor (uno) si el cliente no tuvo problemas en pagar créditos anteriores (categorías 2, 3 y 4 de la variable HISTORY) y el valor 0 (cero) si tuvo problemas (categorías 0 y de la variable HISTORY). La variable OCCUP adopta el valor (uno) si el cliente es un skill worker (categorías 3 y 4 de la variable OCCUP) y el valor 0 (cero) si es desempleado o unskilled worker (categorías y 2 de la variable OCCUP). 4. Resultados En principio, las poblaciones se encuentran representadas por la variable crédito y es a partir de esta variable que se calcula la probabilidad a priori a la cual pertenecen los clientes: 0 si hicieron default y si no hicieron. El cuadro N o muestra las frecuencias asociadas a cada una de las categorías para la muestra base de 600 clientes: Cuadro Nº : Frecuencia absoluta, relativa y relativa acumulada de clientes que hicieron y no hicieron default Crédito Freq. Percent Cum Total G.S. MADDALA (983) demuestra la analogía existente entre la función lineal discriminante de Fisher y el modelo lineal de probabilidad. 59
6 La probabilidad a priori de hacer default es de 29%, mientras que la probabilidad a priori de no hacer default es de 7%.Con este cálculo es posible la estimación de la función discriminante lineal. Sin embargo, para la aplicación de la FDL se requiere probar la normalidad multivariada de los datos 8, por lo que este modelo funciona bien cuando las variables en consideración son cuantitativas o se conoce la normalidad conjunta de los mismos, pero, no se tiene garantía de ello cuando se tiene un conjunto de variables mixtas (continuas y binarias) 9 como es nuestro caso. La solución a este inconveniente se encuentra en la metodología de la Discriminación Logística. De acuerdo con el razonamiento anterior, el modelo Logit proporcionará de manera directa la probabilidad de pertenecer a cada una de las poblaciones (Score). Dicha probabilidad se calcula mediante la siguiente Función de Distribución Logística 0 : Y además: = + () p i 0 i e B BX p = i 0 i + e B + B X (2) Entonces, empleando la muestra de 600 clientes y las variables indicadas con anterioridad se estima un modelo Logit de la probabilidad de que un cliente pague su préstamo, los resultados obtenidos se presentan en el Cuadro Nº 2. 8 El autor de este documento cuenta con una programación en el paquete STATA para probar normalidad conjunta. Esta programación puede ser solicitada al correo juanmanuel263@gmail.com. 9 Peña (2002):... es frecuente que los datos disponibles no sean normales. Por ejemplo, cuando se emplean variables discretas. En estos casos no tenemos garantías de que los métodos estudiados sean óptimos. 0 Existe la posibilidad de tomar la distribución normal estándar como FDA, la cual da origen al modelo probit; sin embargo, este modelo es muy similar al modelo Logit y no tiene las ventajas de interpretación con que cuenta este último. El modelo Logit se estima con la técnica de Máxima Verosimilitud y para encontrar el valor del parámetro que maximiza la verosimilitud se emplea el algoritmo de Newton-Raphson, el cual se puede escribir como: B ( ) mv B X WX = + X ( Y Y ), donde W es una matriz diagonal con términos pi( pi) el vector de valores esperados de Y. 60
7 Cuadro Nº 2: Estimación del modelo Logit 2 Logistic regression Number of obs = 600 LR chi2(8) = Prob > chi2 = Log likelihood = Pseudo R2 = credito Coef. Std. Err. z P> z [95% Conf. Interval] dassets checking savings duration monto dhistory doccup age _cons La estimación mostrada en el cuadro Nº 2 permite calcular la función SCORE a partir de la expresión número. Mientras que en el cuadro Nº 3 se muestra la Matriz de Confusión, que es la clasificación realizada a partir de los resultados obtenidos con la función SCORE 3 y el cruce con la variable CREDITO. Cuadro Nº 3: Matriz de confusión base 600 Crédito 0 Predicción 0 Total % 63.58% 00% % 90.63% 00% Total Es importante señalar que los coeficientes de las variables: dassets, monto, doccup y age son estadísticamente no significativos, pero se mantienen en el modelo ya que la evaluación de la significancia individual, del ajuste global y del estudio de los residuos van más allá del alcance de este estudio exploratorio. 3 La regla es que un puntaje o un score adverso determina la negación de un crédito y un score por encima del mínimo pedido por el banco hace que la evaluación para otorgar el crédito continúe. Así en nuestro caso, la clasificación empleando la función SCORE se realizó a partir de la siguiente regla: si el SCORE es mayor a 0.5 entonces el cliente pertenece a la población sin default y si es menor pertenece a la población con default. 6
8 En el 36.42% de los casos el modelo predijo correctamente la categoría 0 (estar en default), mientras que el 90.63% de los casos el modelo predijo correctamente la categoría (no estar en default). La probabilidad global de clasificar mal a un individuo es del 25% y la de clasificar correctamente a un individuo es del 75%, respectivamente 4. Del mismo modo, se siguió el procedimiento para la base de datos de 400 clientes y en el cuadro Nº 4 se presenta la matriz de confusión respectiva: Cuadro Nº 4: Matriz de confusión base 400 Crédito 0 Predicción 0 Total % 55.2% 00% % 88.28% 00% Total En el 44.9% de los casos el modelo predijo correctamente la categoría 0 (estar en default), mientras que el 88.3% de los casos el modelo predijo correctamente la categoría (no estar en default). La probabilidad global de clasificar mal a un individuo es del 26% y la de clasificar correctamente a un individuo es del 74%, respectivamente. De otro lado, con el objeto de calcular el punto de corte o de frontera los bancos suelen emplear en la regla discriminante el estadístico de Kolmogorov- Smirnov. Para su cálculo se siguen los pasos expuestos en el cuadro N o 5. 4 La probabilidad global es un buen estimador de cuanto se va a equivocar una entidad financiera al clasificara los individuos, a esta probabilidad también se le conoce como el r cuadrado de conteo. El r cuadrado de conteo de fallo consiste en sumar los valores de las diagonales de la matriz en las que el modelo predice incorrectamente y dividir el resultado por la población total, de la misma manera el r cuadrado de conteo de acierto se suman los valores de las diagonales de la matriz en las que el modelo predice correctamente y se divide el resultado por la población de clientes total. 62
9 Cuadro Nº 5: Proceso de cálculo del estadístico Kolmogorov-Smirnov 5 Ordena por SCORE de menor a mayor las observaciones de SCORE y CREDITOS. Calcular 20 rangos de percentiles de la variable SCORE con una razón de 5% que vallan de 0 a 00. Para cada uno de los rangos calcular la cantidad, el porcentaje y el porcentaje acumulado de créditos buenos y créditos malos. K-S: es el estadístico de Kolmogorov-Smirnov que se calcula como diferencia entre la columna % acumulado de créditos malos y la columna % acumulado de créditos buenos. Score mínimo (máximo): el valor mínimo (máximo) del SCORE en cada intervalo. Punto medio: el valor central del SCORE en el intervalo. El valor del estadístico de Kolmogorov-Smirnov se corresponde con el valor máximo de la columna K-S. Para este valor, la columna Punto medio da el valor de corte para clasificar los créditos. Todos los clientes con valores de SCORE mayores al valor de corte son clasificados como créditos buenos. Para el caso de la muestra de 600 la estimación del estadístico Kolmogorov-Smirnov arrojó un punto de corte de El re-cálculo de la matriz de confusión de presenta en el siguiente cuadro Nº 6. Cuadro Nº 6: Matriz de confusión empleando el estadístico KS para la base de datos de 600 clientes Crédito 0 Clasificación % 72.25% 00% % 94.38% 00% Total Total En el 27.8% de los casos el modelo predijo correctamente la categoría 0 (estar en default), mientras que el 94.4% de los casos el modelo predijo 5 El autor de este documento cuenta con una programación en el paquete STATA que permite calcular el estadístico de Kolmogorov-Smirnov. Esta programación puede ser solicitada al correo juanmanuel263@gmail.com.
10 correctamente la categoría (no estar en default). La probabilidad global de clasificar mal a un individuo es del 25% y la de clasificar correctamente a un individuo es del 75%, respectivamente. Lo que se observa es un incremento en la probabilidad de predicción de clientes que devolverían su deuda y una disminución en la probabilidad de predicción de malos clientes respecto al modelo anterior. Para la base de 400 clientes se obtuvo un punto de corte de 0.47 y la matriz de confusión se presenta en el cuadro N o 7. Cuadro Nº 7: Matriz de confusión empleando el estadístico Kolmogorov- Smirnov para la base de datos de 400 Crédito 0 Clasificación % 62.20% 00% % 89.0% 00% Total Total Tal como en el caso anterior el modelo mejora en la clasificación de individuos que devolverían su deuda y empeora en la clasificación de individuos que no devolverían su deuda, respecto a la clasificación realizada con el modelo logístico. 5. Comentarios finales En este documento se revisaron las ideas matemáticas y la intuición que se encuentran tras una clasificación Credit Scoring empleando el análisis discriminante lineal y el problema que surge cuando no se puede probar normalidad conjunta de los datos, debido a la presencia de una base de datos compuesta por variables mixtas (continuas y dicótomas). Asimismo, el empleo de la discriminación logística como solución al problema de normalidad conjunta y el cálculo del estadístico Kolmogorov-Smirnov como una técnica que permite estimar el punto de corte de la función score. Se entiende que el punto de partida del razonamiento del analista es la premisa que el costo de conceder un crédito a un mal cliente es mucho mayor que el costo de rechazar a un buen cliente (costo de cero).por lo que se querrá
11 reducir la probabilidad de otorgarle un crédito a un mal cliente e incrementar la probabilidad de otorgarle el crédito a un buen cliente. En relación al punto anterior, las estimaciones con la base de datos de 600 clientes arrojó una probabilidad global de clasificar a un mal cliente de 25% y la probabilidad fue del 26% con la base de datos de 400. Con el empleo de la metodología de Kolmogorov-Smirnov esta probabilidad fue de 25% para la base de 600 clientes y 27% para la base de 400 clientes. Es decir, de acuerdo con las características definidas por cliente, el banco tendría una probabilidad de clasificar mal a un mal cliente (darle un préstamo a un mal cliente) o la de clasificar mal a un buen cliente (negarle el préstamo a un buen cliente) entre 25% y 27%, lo cual en el peor de los casos podría implicar una probabilidad de no pago o re-pago del préstamo en ese mismo rango de porcentajes y, se convertiría en su cartera pesada. Asimismo, la probabilidad de acertar y clasificar correctamente a un buen cliente, es decir, la probabilidad de negarle el préstamo a un mal cliente y otorgárselo a un buen cliente se encuentra entre el 73% y el 75%. Los resultados indican que con la metodología Kolmogov-Smirnov se gana una mayor predicción en la clasificación de buenos clientes pero se pierde en la clasificación de malos clientes. Esto significa que con la predicción empleando el estadístico de Kolmogov-Smirnov se gana una mayor cantidad de aciertos en la clasificación de clientes que pagarían o re-pagarían sus préstamos, pero, el costo que se paga es que el riesgo de otorgarle un crédito a un mal cliente se incrementa. Finalmente, la literatura especializada indica que los resultados de la aplicación del Credit Scoring, se suele complementar con el juicio humano, formando un sistema de decisión hibrido que involucre ambos resultados. Esto quiere decir que debe existir una validación de los resultados no solo externa sino también interna, asociada al criterio del analista. 65
12 6. Referencias Bibliográficas ANDERSON T. W. (2003). An Introduction to Multivariate Statistical Analysis. Third Edition. Stanford University. Department of Statistics. GUTIÉRREZ Girault, Matías Alfredo (2007). Modelos de Credit Scoring Qué, Cómo, Cuándo y Para Qué- CreditScoring.pdf HAIR, BLACK, BABIN y ANDERSON. (5) Multivariate Data Analysis. Seventh Edition. MADDALAG.S. (983). Limited-dependent and qualitative variables in econometrics. PEÑA Daniel (2002). Análisis de datos multivariantes. McGraw-Hill. Interamericana de España, SL. RENCHER Alvin C. (2002). Methods of Multivariate Analysis. Second Edition TIMM Neil H. (2002). Applied Multivariate Analysis. Department of Education in Psychology. School of Education. University of Pittsburgh. 66
1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesCAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS. En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de
CAPÍTULO IV METODOLOGÍA PARA EL CONTROL DE INVENTARIOS En este capítulo se presenta los pasos que se siguieron para la elaboración de un sistema de inventarios para lograr un control de los productos.
Más detallesANEXOS. 1) Modelo Probit.
ANEXOS 1) Modelo Probit. Estos modelos pertenecen a los modelos de respuesta binaria 1, es decir, la variable dependiente es una variable dicotómica, donde toma 1 para indicar el éxito en la variable de
Más detallesAplicación de los modelos de credit scoring para instituciones microfinacieras.
Econ. Reynaldo Uscamaita Huillca Aplicación de los modelos de credit scoring para instituciones microfinacieras. OBJETIVO Proporcionar al ejecutivo del sistema financiero un modelo solido que permita tomar
Más detallesTransUnion República Dominicana. Preguntas frecuentes sobre los modelos de score de TransUnion
TransUnion República Dominicana Preguntas frecuentes sobre los modelos de score de TransUnion Los modelos de score de TransUnion El siguiente es un resumen para ayudarle a entender mejor cómo se puede
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesDeterminación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones
Determinación de primas de acuerdo al Apetito de riesgo de la Compañía por medio de simulaciones Introducción Las Compañías aseguradoras determinan sus precios basadas en modelos y en información histórica
Más detallesTutorial - Parte 2: Scoring
Introducción Tutorial - Parte 2: Scoring En este segundo tutorial aprenderá lo que significa un modelo de Scoring, verá cómo crear uno utilizando Powerhouse Analytics y finalmente a interpretar sus resultados.
Más detallesAnálisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias
Análisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesBANCO NACIONAL DE PANAMÁ, BANCO DE DESARROLLO AGROPECUARIO Y BANCO HIPOTECARIO NACIONAL
BANCO NACIONAL DE PANAMÁ, BANCO DE DESARROLLO AGROPECUARIO Y BANCO HIPOTECARIO NACIONAL LICITACION ABREVIADA POR PONDERACIÓN Nº 2010-7-01-0-08-AV-000001 MANUAL DE CREDIT SCORING TABLA DE CONTENIDOS PARAMETROS
Más detallesEn la presente investigación, se contrastará el modelo propuesto en la. investigación de Marisa Bucheli y Carlos Casacubierta, Asistencia escolar y
Capítulo 2.- Metodología En la presente investigación, se contrastará el modelo propuesto en la investigación de Marisa Bucheli y Carlos Casacubierta, Asistencia escolar y Participación en el mercado de
Más detallesMetodología. del ajuste estacional. Tablero de Indicadores Económicos
Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,
Más detallesEjercicio de estadística para 3º de la ESO
Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población
Más detallesTEMA 4: Variables binarias
TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables
Más detallesMineria de datos y su aplicación en web mining data Redes de computadores I ELO 322
Mineria de datos y su aplicación en web mining data Redes de computadores I ELO 322 Nicole García Gómez 2830047-6 Diego Riquelme Adriasola 2621044-5 RESUMEN.- La minería de datos corresponde a la extracción
Más detallesEl modelo Ordinal y el modelo Multinomial
El modelo Ordinal y el modelo Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Motivación 1 Motivación 2 3 Motivación Consideramos las siguientes
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos
Descargado desde www.medwave.cl el 13 Junio 2011 por iriabeth villanueva Medwave. Año XI, No. 2, Febrero 2011. ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Construcción de una Base de Datos Autor:
Más detallesUnidad 3. Interés compuesto. Objetivos. Al finalizar la unidad, el alumno:
Unidad 3 Interés compuesto Objetivos Al finalizar la unidad, el alumno: Calculará el monto producido por un cierto capital colocado a una tasa de interés compuesto convertible anualmente, semestralmente
Más detallesModelos de Puntuación Puntaje de Originación
Modelos de Puntuación Puntaje de Originación 1 INTRODUCCIÓN Concepto y Objetivo Mecanismo de Puntaje de Originación 2 Concepto y Objetivo Puntaje de Originación o de Solicitud Es la conversión de información
Más detallesPRINCIPIOS FINAN IEROS FUNDAMENTALE DEL FED
PRINCIPIOS FINAN IEROS FUNDAMENTALE DEL FED Ahorradores inteligentes 100 AÑOS Descripción de la lección Conceptos Objetivos Los estudiantes calculan el interés compuesto para identificar las ventajas de
Más detallesAnálisis de componentes principales
Capítulo 2 Análisis de componentes principales 2.1. INTRODUCCIÓN El Análisis de componentes principales trata de describir las características principales de un conjunto de datos multivariantes, en los
Más detallesESTADÍSTICA SEMANA 4
ESTADÍSTICA SEMANA 4 ÍNDICE MEDIDAS DE DISPERSIÓN... 3 APRENDIZAJES ESPERADOS... 3 DEfinición de Medida de dispersión... 3 Rango o Recorrido... 3 Varianza Muestral (S 2 )... 3 CÁLCULO DE LA VARIANZA...
Más detallesIngeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007
Enunciado Se desea efectuar el testing funcional de un programa que ejecuta transferencias entre cuentas bancarias. El programa recibe como parámetros la cuenta de origen, la de cuenta de destino y el
Más detallesMuestreo estadístico. Relación 2 Curso 2007-2008
Muestreo estadístico. Relación 2 Curso 2007-2008 1. Para tomar la decisión de mantener un determinado libro como texto oficial de una asignatura, se pretende tomar una muestra aleatoria simple entre los
Más detallesANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS
ANÁLISIS DE VARIANZA EMPLEANDO EXCEL y WINSTATS 1) INTRODUCCIÓN El análisis de varianza es una técnica que se puede utilizar para decidir si las medias de dos o más poblaciones son iguales. La prueba se
Más detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CCIR/ITESM 12 de enero de 2011 Índice 91 Introducción 1 92 Transpuesta 1 93 Propiedades de la transpuesta 2 94 Matrices
Más detallesENCUESTA CÁMARAS SOBRE EL ACCESO DE LAS PYMES A LA FINANCIACIÓN AJENA
ENCUESTA CÁMARAS SOBRE EL ACCESO DE LAS PYMES A LA FINANCIACIÓN AJENA Resultados cuarto trimestre de 2012 El universo total de las PYMES sobre el que se ha realizado la encuesta es de 1.429.707 empresas,
Más detallesPropuesta Progresista de Reforma al Sistema de Créditos en Chile
Propuesta Progresista de Reforma al Sistema de Créditos en Chile Antecedentes El grueso de la literatura teórica y empírica sugiere que hay una estrecha relación entre el desarrollo financiero y el crecimiento
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesEspacios generados, dependencia lineal y bases
Espacios generados dependencia lineal y bases Departamento de Matemáticas CCIR/ITESM 14 de enero de 2011 Índice 14.1. Introducción............................................... 1 14.2. Espacio Generado............................................
Más detallesComo se mencionó en la parte de la teoría, no existe consenso en cuanto a la
4. Metodología Definición de empleo informal Como se mencionó en la parte de la teoría, no existe consenso en cuanto a la definición de empleo informal y diferentes estudios han utilizado matices distintas
Más detallesTema 8: Análisis Discriminante. Clasificación. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. Análisis discriminante
Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Análisis discriminante Tema 8: Análisis Discriminante y Clasificación Aurea
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesde la empresa Al finalizar la unidad, el alumno:
de la empresa Al finalizar la unidad, el alumno: Identificará el concepto de rentabilidad. Identificará cómo afecta a una empresa la rentabilidad. Evaluará la rentabilidad de una empresa, mediante la aplicación
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesCAPITULO 4 JUSTIFICACION DEL ESTUDIO. En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de
CAPITULO 4 JUSTIFICACION DEL ESTUDIO En este capítulo se presenta la justificación del estudio, supuestos y limitaciones de estudios previos y los alcances que justifican el presente estudio. 4.1. Justificación.
Más detallesFUNCIÓN FINANCIERA DE LA EMPRESA
FUNCIÓN FINANCIERA DE LA EMPRESA La función financiera, junto con las de mercadotecnia y producción es básica para el buen desempeño de las organizaciones, y por ello debe estar fundamentada sobre bases
Más detallesUniversidad Diego Portales Facultad de Economía y Empresa
Suponga que, conversando con su cuate, surge la idea de hacer una apuesta simple. Cada uno escoge decir cara ó sello. Se lanza una moneda al aire, y si sale cara, quien dijo sello le paga a quien dijo
Más detalles1. MEDIDAS DE TENDENCIA CENTRAL
1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
Más detallesEscuela Politécnica Superior. El Riesgo. Capítulo 9. daniel.tapias@uam.es. Dr. Daniel Tapias Curso 2014 / 15 PROYECTOS
Escuela Politécnica Superior El Riesgo Capítulo 9 Dr. Daniel Tapias Curso 2014 / 15 daniel.tapias@uam.es PROYECTOS PROGRAMA DE LA ASIGNATURA Capítulo 1: Introducción. Capítulo 2: Qué es un proyecto? Capítulo
Más detallesUnidad 2. Interés simple. Objetivos. Al finalizar la unidad, el alumno:
Unidad 2 Interés simple Objetivos Al finalizar la unidad, el alumno: Calculará el interés simple producido por un cierto capital colocado a una tasa determinada durante un periodo de tiempo dado. Calculará
Más detalles1.4.- D E S I G U A L D A D E S
1.4.- D E S I G U A L D A D E S OBJETIVO: Que el alumno conozca y maneje las reglas empleadas en la resolución de desigualdades y las use para determinar el conjunto solución de una desigualdad dada y
Más detallesSistemas de numeración
Sistemas de numeración Un sistema de numeración es un conjunto de símbolos y reglas que permiten representar datos numéricos. Los sistemas de numeración actuales son sistemas posicionales, que se caracterizan
Más detallesGráficas de caja. El borde derecho de la caja es el tercer cuartil, Q 3, que es la mediana de los valores que están por encima de la mediana.
LECCIÓN CONDENSADA 2.1 Gráficas de caja En esta lección crearás e interpretarás las gráficas de caja para conjuntos de datos usarás el rango intercuartil (IQR) para identificar valores extremos potenciales
Más detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesERRORES CONCEPTUALES DE ESTADÍSTICA EN ESTUDIANTES
ERRORES CONCEPTUALES DE ESTADÍSTICA EN ESTUDIANTES DE BÁSICA PRIMARIA EN LA CIUDAD DE PEREIRA José R. Bedoya Universidad Tecnológica de Pereira Pereira, Colombia La formación estadística en la ciudadanía,
Más detallesCredit scoring. por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar)
Credit scoring por Dr. Marcelo Dabós, Ph.D. (marcelo.dabos@comunidad.ub.edu.ar) En base a que los bancos modernos otorgan tarjetas de crédito y créditos personales o los niegan? Qué límite de crédito le
Más detallesLa metodologia Cuantitativa. Encuestas y muestras
La metodologia Cuantitativa. Encuestas y muestras Técnicas «cuantitativas» y «cualitativas» «Las técnicas cuantitativas»: Recogen la información mediante cuestiones cerradas que se planteal sujeto de forma
Más detallesLa práctica del análisis de correspondencias
La práctica del análisis de correspondencias MICHAEL GREENACRE Catedrático de Estadística en la Universidad Pompeu Fabra Separata del capítulo 18 Análisis de correspondencias múltiples Primera edición:
Más detallesDISCOS RAID. Se considera que todos los discos físicos tienen la misma capacidad, y de no ser así, en el que sea mayor se desperdicia la diferencia.
DISCOS RAID Raid: redundant array of independent disks, quiere decir conjunto redundante de discos independientes. Es un sistema de almacenamiento de datos que utiliza varias unidades físicas para guardar
Más detallesRedes de Kohonen y la Determinación Genética de las Clases
Redes de Kohonen y la Determinación Genética de las Clases Angel Kuri Instituto Tecnológico Autónomo de México Octubre de 2001 Redes Neuronales de Kohonen Las Redes de Kohonen, también llamadas Mapas Auto-Organizados
Más detallesCaso práctico 1: Determinación del coste de capital de REGRESENGER.
Caso práctico 1: Determinación del coste de capital de REGRESENGER. REGRESENGER, SA, tiene previsto realizar un proyecto, de entre dos posibles, ambos con unas necesidades financieras por importe de 1
Más detallesMÁQUINA DE VECTORES DE SOPORTE
MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas
Más detallesCONTABILIDAD ANALISIS VERTICAL Y HORIZONTAL DE ESTADOS CONTABLES
CONTABILIDAD ANALISIS VERTICAL Y HORIZONTAL DE ESTADOS CONTABLES El análisis de Estados Contables dispone de dos herramientas que ayudan a interpretarlos y analizarlos. Estas herramientas, denominadas
Más detallesQUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA. La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros.
QUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros. Qué significa esto? Decir que una empresa es eficiente es decir que no
Más detallesMEDICION DEL TRABAJO
MEDICION DEL TRABAJO Habíamos dicho al comenzar el curso que habían 4 técnicas que permiten realizar una medición del trabajo 1 Técnicas Directas: - Estudio de tiempos con cronómetro - Muestreo del trabajo
Más detallesMatrices equivalentes. El método de Gauss
Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar
Más detallesANEXO A de la. propuesta de REGLAMENTO UE Nº / DEL PARLAMENTO EUROPEO Y DEL CONSEJO
ES ES ES COMISIÓN EUROPEA Bruselas, 20.12.2010 COM(2010) 774 final Anexo A / Capítulo 14 ANEXO A de la propuesta de REGLAMENTO UE Nº / DEL PARLAMENTO EUROPEO Y DEL CONSEJO relativo al Sistema Europeo de
Más detallesA estas alturas de nuestros conocimientos vamos a establecer dos reglas muy prácticas de cómo sumar dos números reales:
ADICIÓN Y RESTA DE NUMEROS REALES ADICIÓN L a adición o suma de números reales se representa mediante el símbolo más (+) y es considerada una operación binaria porque se aplica a una pareja de números,
Más detallesT.1 CONVERGENCIA Y TEOREMAS LÍMITE
T.1 CONVERGENCIA Y TEOREMAS LÍMITE 1. CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIA CONVERGENCIA CASI-SEGURA CONVERGENCIA EN PROBABILIDAD CONVERGENCIA EN MEDIA CUADRÁTICA CONVERGENCIA EN LEY ( O DISTRIBUCIÓN)
Más detallesObservatorio Bancario
México Observatorio Bancario 2 junio Fuentes de Financiamiento de las Empresas Encuesta Trimestral de Banco de México Fco. Javier Morales E. fj.morales@bbva.bancomer.com La Encuesta Trimestral de Fuentes
Más detallesMERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II
MERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II 28 febrero de 2012 Javier Marchamalo Martínez Universidad Rey Juan Carlos SABER INTERPRETAR LOS RATIOS SIGNIFICATIVOS EN LA GESTIÓN POR BENCHMARK Ratio
Más detallesRELACIONES DE RECURRENCIA
Unidad 3 RELACIONES DE RECURRENCIA 60 Capítulo 5 RECURSIÓN Objetivo general Conocer en forma introductoria los conceptos propios de la recurrencia en relación con matemática discreta. Objetivos específicos
Más detallesFINANCIAMIENTO COMERCIAL PARA SU NEGOCIO
FINANCIAMIENTO COMERCIAL PARA SU NEGOCIO Eli Sepúlveda Principal Oficial de Crédito Agenda I. Introducción II. Cómo encontrar el dinero que necesita III.Las Cinco C s de Crédito Comercial IV.La propuesta
Más detallesFórmulas y enfoques utilizados para calcular el Tasa Efectiva de Interés (TEI) o Costo Anual Total (CAT)
Fórmulas y enfoques utilizados para calcular el Tasa Efectiva de Interés (TEI) o Costo Anual Total (CAT) El propósito del Costo Anual Total (CAT) El precio verdadero del préstamo no solamente incluye los
Más detallesESTIMACION DE INTERVALOS DE CONFIANZA
pag 3. Prohibida su reproducción ESTIMACION DE INTERVALOS DE CONFIANZA Una muestra permite realizar estimaciones puntuales de los parámetros de la población. Utilizando las propiedades de las distribuciones
Más detallesComente: Los bancos siempre deberían dar crédito a los proyectos rentables. Falso, hay que evaluar la capacidad de pago.
Explique Brevemente en que consiste el leasing y nombre los diferentes tipos existentes. Es un mecanismo de financiamiento de Activos el cual permite el uso del activo por un periodo determinado a cambio
Más detallesTEMA 4: Introducción al Control Estadístico de Procesos
TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción
Más detallesMODELO PREDICTIVO DE RIESGO DE MOROSIDAD PARA CRÉDITOS BANCARIOS USANDO DATOS SIMULADOS
INVESTIGACIÓN MODELO PREDICTIVO DE RIESGO DE MOROSIDAD PARA CRÉDITOS BANCARIOS USANDO DATOS SIMULADOS CLAUDIO ALFREDO LÓPEZ MIRANDA Un problema grave en las instituciones de crédito son los préstamos no
Más detallesAcceso a financiamiento de los emprendedores en Chile
Acceso a financiamiento de los emprendedores en Chile Análisis a partir de los resultados de la 2º encuesta de Microemprendimiento 2011 División de Estudios Junio 2012 Resumen: El informe entrega la primera
Más detallesPrograma para el Mejoramiento de la Enseñanza de la Matemática en ANEP Proyecto: Análisis, Reflexión y Producción. Fracciones
Fracciones. Las fracciones y los números Racionales Las fracciones se utilizan cotidianamente en contextos relacionados con la medida, el reparto o como forma de relacionar dos cantidades. Tenemos entonces
Más detallesLección 1-Introducción a los Polinomios y Suma y Resta de Polinomios. Dra. Noemí L. Ruiz Limardo 2009
Lección 1-Introducción a los Polinomios y Suma y Resta de Polinomios Dra. Noemí L. Ruiz Limardo 2009 Objetivos de la Lección Al finalizar esta lección los estudiantes: Identificarán, de una lista de expresiones
Más detallesCONTABILIDAD NIF A-1
CONTABILIDAD NIF A-1 La contabilidad es una técnica que se utiliza para el registro de las operaciones que afectan económicamente a una entidad y que produce sistemática y estructuradamente información
Más detallesARTÍCULOS NIIF 5 ACTIVOS NO CORRIENTES MANTENIDOS PARA LA VENTA Y OPERACIONES DISCONTINUAS. Por C.P.C. GERARDO QUEZADA* gerardoquezada@bdomexico.
ARTÍCULOS www.bdomexico.com 16 de Mayo de 2011 NIIF 5 ACTIVOS NO CORRIENTES MANTENIDOS PARA LA VENTA Y OPERACIONES DISCONTINUAS Por C.P.C. GERARDO QUEZADA* gerardoquezada@bdomexico.com Cuántas veces nos
Más detallesH E R R A M I E N T A S D E A N Á L I S I S D E D A T O S HERRAMIENTAS DE ANÁLISIS DE DATOS
H E R R A M I E N T A S D E A N Á L I S I S D E D A T O S HERRAMIENTAS DE ANÁLISIS DE DATOS Una situación que se nos plantea algunas veces es la de resolver un problema hacia atrás, esto es, encontrar
Más detallesUnidad 13. Amortización y Fondos de Amortización
Unidad 13 Amortización y Fondos de Amortización INTRODUCCION En la sección 6.8 se mencionó que la palabra amortizar proviene del latín y que su significado literal es "dar muerte". En matemática financiera
Más detallesTécnicas de valor presente para calcular el valor en uso
Normas Internacionales de Información Financiera NIC - NIIF Guía NIC - NIIF NIC 36 Fundación NIC-NIIF Técnicas de valor presente para calcular el valor en uso Este documento proporciona una guía para utilizar
Más detallesCapítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI
Capítulo 5: METODOLOGÍA APLICABLE A LAS NORMAS NE AI La segunda fase del NIPE corresponde con la adecuación de las intervenciones de enfermería del sistema de clasificación N.I.C. (Nursing Intervention
Más detallesInterés Simple y Compuesto
Interés Simple y Compuesto Las finanzas matemáticas son la rama de la matemática que se aplica al análisis financiero. El tema tiene una relación cercana con la disciplina de la economía financiera, que
Más detallesPOR QUÉ EL VALOR PRESENTE NETO CONDUCE A MEJORES DECISIONES DE INVERSIÓN QUE OTROS CRITERIOS? ( Brealey & Myers )
CAPÍTULO 5 POR QUÉ EL VALOR PRESENTE NETO CONDUCE A MEJORES DECISIONES DE INVERSIÓN QUE OTROS CRITERIOS? ( Brealey & Myers ) Ya hemos trabajado antes con los principios básicos de la toma de decisiones
Más detallesLA BALANZA DE PAGOS. Profesor: Ainhoa Herrarte Sánchez. Febrero de 2004
LA BALANZA DE PAGOS Profesor: Ainhoa Herrarte Sánchez. Febrero de 2004 1. Definición y estructura de la Balanza de Pagos La Balanza de Pagos es un documento contable en el que se registran todas las operaciones
Más detallesCLASIFICACIÓN NO SUPERVISADA
CLASIFICACIÓN NO SUPERVISADA CLASIFICACION IMPORTANCIA PROPÓSITO METODOLOGÍAS EXTRACTORES DE CARACTERÍSTICAS TIPOS DE CLASIFICACIÓN IMPORTANCIA CLASIFICAR HA SIDO, Y ES HOY DÍA, UN PROBLEMA FUNDAMENTAL
Más detallesVII. Estructuras Algebraicas
VII. Estructuras Algebraicas Objetivo Se analizarán las operaciones binarias y sus propiedades dentro de una estructura algebraica. Definición de operación binaria Operaciones como la suma, resta, multiplicación
Más detallesModificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere.
UNIVERSIDAD DE CARABOBO FACULTAD DE CIENCIA Y TECNOLOGÍA DIRECCION DE EXTENSION COORDINACION DE PASANTIAS Modificación y parametrización del modulo de Solicitudes (Request) en el ERP/CRM Compiere. Pasante:
Más detallesPréstamo Tipo Costo Financiero Total (CFT). Préstamos Generales Tasas, Montos y Condiciones de otorgamiento.
"2010 - AÑO DEL BICENTENARIO DE LA REVOLUCION DE MAYO" COMUNICADO Nro. 49723 11/08/2010 Ref.: Préstamos Personales. Mayo de 2010. Préstamos Personales a Mayo de 2010 Préstamo Tipo Costo Financiero Total
Más detallesANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO
ANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO Por: Pablo Lledó Master of Science en Evaluación de Proyectos (University of York) Project Management Professional (PMP) Profesor de Project Management y Evaluación
Más detallesCAPITULO III MARCO METODOLÓGICO. Desde la perspectiva de Hurtado de Barrera (2008), el tipo de
CAPITULO III MARCO METODOLÓGICO 1. TIPO DE INVESTIGACIÓN Desde la perspectiva de Hurtado de Barrera (2008), el tipo de investigación que propone soluciones a una situación determinada a partir de un proceso
Más detallesApuntes de Matemática Discreta 9. Funciones
Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y
Más detallesEjemplo: Ing. Raúl Canelos. Solución CONFIABILIDAD SEP 1
Ejemplo: Basándose en ciertos estudios una compañía a clasificado de acuerdo con la posibilidad de encontrar petróleo en tres tipos de formaciones. La compañía quiere perforar un pozo en determinado lugar
Más detallesTÉRMINOS Y CONDICIONES
TÉRMINOS Y CONDICIONES Denominación: MÁS POR MÁS de la CUENTA CORRIENTE INVERAMIGO B.O.D. Mercado Objetivo: Esta Campaña está dirigida a toda persona natural y jurídica que mantenga y/o abra una Cuenta
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesPrograma de Evaluación del estado de Nueva York Contenidos Básicos Comunes de 3.º a 8.º Evaluación de Artes del idioma inglés
Nuestros estudiantes. Su momento. Programa de Evaluación del estado de Nueva York Contenidos Básicos Comunes de 3.º a 8.º Evaluación de Artes del idioma inglés Comprender los informes de puntaje de Artes
Más detallesANALISIS MULTIVARIANTE
ANALISIS MULTIVARIANTE Es un conjunto de técnicas que se utilizan cuando se trabaja sobre colecciones de datos en las cuáles hay muchas variables implicadas. Los principales problemas, en este contexto,
Más detallesENCUESTA CÁMARAS SOBRE EL ACCESO DE LAS PYMES A LA FINANCIACIÓN AJENA
ENCUESTA CÁMARAS SOBRE EL ACCESO DE LAS PYMES A LA FINANCIACIÓN AJENA Resultados cuarto trimestre de 2011 El universo total de las PYMES sobre el que se ha realizado la encuesta es de 1.512.000 empresas,
Más detallesENCUESTA SOBRE EL ACCESO DE LAS PYMES A LA FINANCIACIÓN AJENA
ENCUESTA SOBRE EL ACCESO DE LAS PYMES A LA FINANCIACIÓN AJENA Resultados primer trimestre de 2011 El universo total de las PYMES sobre el que se ha realizado la encuesta es de 1.512.000 empresas, aquellas
Más detalles