ANÁLISIS DISCRIMINANTE APLICADO AL PROBLEMA DE CREDIT SCORING

Tamaño: px
Comenzar la demostración a partir de la página:

Download "ANÁLISIS DISCRIMINANTE APLICADO AL PROBLEMA DE CREDIT SCORING"

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 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

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-http://www.bcra.gov.ar/pdfs/invest/ 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

Aplicación de los modelos de credit scoring para instituciones microfinacieras.

Aplicación 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 detalles

Tutorial - Parte 2: Scoring

Tutorial - 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 detalles

ANEXOS. 1) Modelo Probit.

ANEXOS. 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 detalles

Tema 8: Análisis Discriminante. Clasificación. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. Análisis discriminante

Tema 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 detalles

MEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS

MEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS MEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS MODELO DE BEHAVIOR SCORING Por: Rosario Zolezzi Diners Club Perú Agenda Antecedentes Problemática Objetivos Fases del Modelamiento Uso de la herramienta

Más detalles

MODELO PREDICTIVO DE RIESGO DE MOROSIDAD PARA CRÉDITOS BANCARIOS USANDO DATOS SIMULADOS

MODELO 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 detalles

ANÁLISIS DISCRIMINANTE

ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE 1. Introducción 2. Etapas 3. Caso práctico Análisis de dependencias introducción varias relaciones una relación 1 variable dependiente > 1 variable dependiente

Más detalles

BANCO NACIONAL DE PANAMÁ, BANCO DE DESARROLLO AGROPECUARIO Y BANCO HIPOTECARIO NACIONAL

BANCO 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 detalles

CREDIT SCORING: Enfoque y ventajas para las instituciones. financieras. Parte I

CREDIT SCORING: Enfoque y ventajas para las instituciones. financieras. Parte I [.estrategiafinanciera.es ] CREDIT SCORING: Enfoque y ventajas para las instituciones financieras. Parte I Un sistema de scoring preciso al que se le haga un seguimiento correcto representa un instrumento

Más detalles

Statgraphics Centurión

Statgraphics Centurión Facultad de Ciencias Económicas y Empresariales. Universidad de Valladolid 1 Statgraphics Centurión I.- Nociones básicas El paquete Statgraphics Centurión es un programa para el análisis estadístico que

Más detalles

Determinación 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 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 detalles

Autores: Olga ÁVILA * Eleonora CERATI * Roberto MACÍAS * Claudia REDOLATTI * Ingrid SCHWER * María Laura TAVERNA*

Autores: Olga ÁVILA * Eleonora CERATI * Roberto MACÍAS * Claudia REDOLATTI * Ingrid SCHWER * María Laura TAVERNA* USO DE ANÁLISIS MULTIVARIADO PARA CARACTERIZAR LA FORMACIÓN MATEMÁTICA DE LOS ALUMNOS INGRESANTES Y MEDIR SU DESEMPEÑO EN LA PRIMERA ASIGNATURA DEL ÁREA EN LA UNIVERSIDAD Autores: Olga ÁVILA * Eleonora

Más detalles

Tema 10. Estimación Puntual.

Tema 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 detalles

Credit 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) 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 detalles

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos I. Barbona - Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparison among

Más detalles

PRESENTACION FONDOS DE EMPLEADOS.

PRESENTACION FONDOS DE EMPLEADOS. PRESENTACION FONDOS DE EMPLEADOS. MODULO SCORING. La Superintendencia Financiera de Colombia (SFC) mediante la Carta Circular 31 y la Circular Externa 11 de 2002, exige que todas las instituciones financieras

Más detalles

El modelo Ordinal y el modelo Multinomial

El 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 detalles

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11

Tema 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 detalles

PROBABILIDAD DE APROBAR MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA I EN EL MARCO DE UN MODELO PROBIT

PROBABILIDAD DE APROBAR MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA I EN EL MARCO DE UN MODELO PROBIT PROBABILIDAD DE APROBAR MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA I EN EL MARCO DE UN MODELO PROBIT Ángel Solano García Mª Isabel González Martínez Universidad de Murcia ABSTRACT Es bien sabido por el futuro

Más detalles

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

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 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 detalles

PROBABILIDAD Y ESTADÍSTICA

PROBABILIDAD Y ESTADÍSTICA PROBABILIDAD Y ESTADÍSTICA 1. Sean A y B dos sucesos y A, B sus complementarios. Si se verifica que p( B) = 2 / 3, p( A B) = 3 / 4 y p( A B) = 1/ 4, hallar: p( A), p( A B), y la probabilidad condicionada

Más detalles

Prácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz

Prácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz 1 Prácticas de Simulación (Sistemas) Autor: M. en C. Luis Ignacio Sandoval Paéz 2 ÍNDICE Introducción 3 Aplicaciones de la Simulación 3 La Metodología de la Simulación por Computadora 5 Sistemas, modelos

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

Modelos de Puntuación Puntaje de Originación

Modelos 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 detalles

Puede considerarse un caso especial de l análisis de regresión en donde la variable dependiente es dicotómica («Sí» [1] o «No» [0])

Puede considerarse un caso especial de l análisis de regresión en donde la variable dependiente es dicotómica («Sí» [1] o «No» [0]) Regresión logística Puede considerarse un caso especial de l análisis de regresión en donde la variable dependiente es dicotómica («Sí» [1] o «No» [0]) Se trata de calcular la probabilidad en la que una

Más detalles

1.1. Introducción y conceptos básicos

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 detalles

EN LA PREDICCION DEL RENDIMIENTO ESTUDIANTIL* An application of the model logistic regression in the prediction of the student performance

EN LA PREDICCION DEL RENDIMIENTO ESTUDIANTIL* An application of the model logistic regression in the prediction of the student performance Estudios Pedagógicos XXXIII, Nº 2: 101-120, 2007 INVESTIGACIONES UNA APLICACION DEL MODELO DE REGRESION LOGISTICA EN LA PREDICCION DEL RENDIMIENTO ESTUDIANTIL* An application of the model logistic regression

Más detalles

UNIVERSIDAD SAN FRANCISCO DE QUITO. Minería de Datos Aplicada a Credit Scoring. Mauricio Figueroa

UNIVERSIDAD SAN FRANCISCO DE QUITO. Minería de Datos Aplicada a Credit Scoring. Mauricio Figueroa UNIVERSIDAD SAN FRANCISCO DE QUITO Minería de Datos Aplicada a Credit Scoring Mauricio Figueroa Tesis de grado presentada como requisito para la obtención del título de Maestría en Matemáticas Aplicadas

Más detalles

Cómo obtener un Modelo de Regresión Logística Binaria con SPSS

Cómo obtener un Modelo de Regresión Logística Binaria con SPSS Universitat de de Barcelona. Institut de de Ciències de de l Educació Cómo obtener un Modelo de Regresión Logística Binaria con SPSS Vanesa Berlanga-Silvente y Ruth Vilà-Baños Fecha de presentación:

Más detalles

METODOLOGÍA PARA LA EVALUACIÓN DE LA CAPACIDAD DE PAGO DE UN SUJETO DE CRÉDITO DE CONSUMO

METODOLOGÍA PARA LA EVALUACIÓN DE LA CAPACIDAD DE PAGO DE UN SUJETO DE CRÉDITO DE CONSUMO METODOLOGÍA PARA LA EVALUACIÓN DE LA CAPACIDAD DE PAGO DE UN SUJETO DE CRÉDITO DE CONSUMO Diana Noemí Castillo Amoroso 1, Ing. Margarita Martínez Jara 2 Ingeniera en Estadística Informática 1, Directora

Más detalles

En la presente investigación, se contrastará el modelo propuesto en la. investigación de Marisa Bucheli y Carlos Casacubierta, Asistencia escolar y

En 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 detalles

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009 Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis

Más detalles

Capítulo 6 Amortización

Capítulo 6 Amortización Capítulo 6 Amortización Introducción El objetivo de este capítulo es calcular, analizar e interpretar el comportamiento de deudas de largo plazo al extinguirse gradualmente en el tiempo Se explicará cómo

Más detalles

Muestreo estadístico. Relación 2 Curso 2007-2008

Muestreo 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 detalles

Asignatura: Matemática Financiera.

Asignatura: Matemática Financiera. Asignatura : Matemática Financiera. Carrera : Ingeniería en Sistemas. Año Académico : II Año. Unidad No. V : La depreciación y el flujo neto de efectivo antes y después de impuestos. Profesor : MSc. Mauricio

Más detalles

Las Matemáticas En Ingeniería

Las Matemáticas En Ingeniería Las Matemáticas En Ingeniería 1.1. Referentes Nacionales A nivel nacional se considera que el conocimiento matemático y de ciencias naturales, sus conceptos y estructuras, constituyen una herramienta para

Más detalles

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS Badler, Clara E. Alsina, Sara M. 1 Puigsubirá, Cristina B. 1 Vitelleschi, María S. 1 Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística (IITAE) TRATAMIENTO DE BASES DE DATOS

Más detalles

Simulación Computacional. Tema 1: Generación de números aleatorios

Simulación Computacional. Tema 1: Generación de números aleatorios Simulación Computacional Tema 1: Generación de números aleatorios Irene Tischer Escuela de Ingeniería y Computación Universidad del Valle, Cali Typeset by FoilTEX 1 Contenido 1. Secuencias pseudoaleatorias

Más detalles

Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti.

Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti. Métodos Estadísticos sticos para Diagnósticos MédicosM Barcelona, uno de marzo de 2008 Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti. MODULO: Diseño de proyectos y análisis estadístico

Más detalles

Naive Bayes Multinomial para Clasificación de Texto Usando un Esquema de Pesado por Clases

Naive Bayes Multinomial para Clasificación de Texto Usando un Esquema de Pesado por Clases Naive Bayes Multinomial para Clasificación de Texto Usando un Esquema de Pesado por Clases Emmanuel Anguiano-Hernández Abril 29, 2009 Abstract Tratando de mejorar el desempeño de un clasificador Naive

Más detalles

LA TÉCNICA DE ÁNALISIS DISCRIMINANTE: UNA APLICACIÓN PARA EL ÁREA BANCARIA 1

LA TÉCNICA DE ÁNALISIS DISCRIMINANTE: UNA APLICACIÓN PARA EL ÁREA BANCARIA 1 BANCO CENTRAL DE COSTA RICA DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS DIE-NT-03-98 AGOSTO, 998 LA TÉCNICA DE ÁNALISIS DISCRIMINANTE: UNA APLICACIÓN PARA EL ÁREA BANCARIA Evelyn Muñoz

Más detalles

XIII Congreso Latinoamericano de Auditoria Interna y Evaluación n de Riesgos

XIII Congreso Latinoamericano de Auditoria Interna y Evaluación n de Riesgos XIII Congreso Latinoamericano de Auditoria Interna y Evaluación n de Riesgos mayo de de 2009 BASILEA II GESTIÓN DEL EXPOSITOR: Kay Dunlop 1 AGENDA MARCO CONCEPTUAL SISTEMA DE GESTIÓN N DEL RIESGO DE CRÉDITO

Más detalles

Segmentación y predicción en los modelos de tarificación

Segmentación y predicción en los modelos de tarificación Segmentación y predicción en los modelos de tarificación Caro Carretero, Raquel. rcaro@doi.icai.upcomillas.es Departamento de Organización Industrial Universidad Pontificia Comillas. ICAI RESUMEN El análisis

Más detalles

Teoría de Probabilidad

Teoría de Probabilidad Matemáticas Discretas L. Enrique Sucar INAOE Teoría de Probabilidad Considero que la probabilidad representa el estado de la mente con respecto a una afirmación, evento u otra cosa para las que no existe

Más detalles

MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS

MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS 1 MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS Medidas de tendencia central Menú Analizar: Los comandos del menú Analizar (Estadística) ejecutan los procesamientos estadísticos. Sus comandos están

Más detalles

Métodos y Diseños utilizados en Psicología

Métodos y Diseños utilizados en Psicología Métodos y Diseños utilizados en Psicología El presente documento pretende realizar una introducción al método científico utilizado en Psicología para recoger información acerca de situaciones o aspectos

Más detalles

Proyecto de Tesis. Crédito al Consumo: La Estadística aplicada a un problema de Riesgo Crediticio

Proyecto de Tesis. Crédito al Consumo: La Estadística aplicada a un problema de Riesgo Crediticio Proyecto de Tesis Crédito al Consumo: La Estadística aplicada a un problema de Riesgo Crediticio Alumna: Soraida Nieto Murillo Asesores: Dra. Blanca R. Pérez Salvador Act. Fernando Soriano Flores 18 de

Más detalles

Titulación: GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS. Asignatura: ECO Análisis avanzado de datos. Semestre: Primero.

Titulación: GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS. Asignatura: ECO Análisis avanzado de datos. Semestre: Primero. Titulación: GRADO EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS Asignatura: ECO Análisis avanzado de datos Semestre: Primero Econometría [1] Asignatura: ECO Análisis avanzadas de datos Formación: Obligatoria

Más detalles

UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS

UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS Wilson Mayorga M. Director de Cámara de Vida y Personas y Actuaría Con base en modelos de regresión que explican la evolución de las

Más detalles

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST 7.1. ANÁLISIS DE LOS ÍTEMS Al comenzar la asignatura ya planteábamos que uno de los principales problemas a los que nos enfrentábamos a la hora

Más detalles

ANÁLISIS ESTADÍSTICO DE LA PRODUCCIÓN DE UNA PLANTA EMPACADORA DE TILAPIA

ANÁLISIS ESTADÍSTICO DE LA PRODUCCIÓN DE UNA PLANTA EMPACADORA DE TILAPIA ANÁLISIS ESTADÍSTICO DE LA PRODUCCIÓN DE UNA PLANTA EMPACADORA DE TILAPIA Villalva Roxana, Ramírez John Resumen. El presente trabajo es realizado a partir de los datos de producción de una planta empacadora

Más detalles

Capítulo X. Regresión Logística

Capítulo X. Regresión Logística Capítulo Regresión Logística Conceptos y definiciones Es un modelo clásico de regresión lineal simple o múltiple, pero donde la variale dependiente es inaria o dicotómica. 3 5 4 ÉITO FRACASO Es decir,

Más detalles

Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011

Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011 Econometría I Examen Final 1 Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011 Este examen consta de un total de 50 puntos.

Más detalles

Medidas de tendencia central o de posición: situación de los valores alrededor

Medidas 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 detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características

Más detalles

ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960

ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 Verón, Juan Antonio* ; Herrera, Carlos Gabriel*; Rodríguez, Norma Leonor** * Facultad de Tecnología y Ciencias Aplicada de la UNCa.

Más detalles

Modelos de elección binaria

Modelos de elección binaria Modelos de elección binaria Prof.: Begoña Álvarez García Econometría II 2007-2008 Estamos interesados en la ocurrencia o no-ocurrencia de un cierto evento (ej: participación en el mercado laboral; inversión

Más detalles

T.3 ESTIMACIÓN PUNTUAL

T.3 ESTIMACIÓN PUNTUAL T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan

Más detalles

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. 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 detalles

FINANCIAMIENTO COMERCIAL PARA SU NEGOCIO

FINANCIAMIENTO 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 detalles

TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1

TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1 TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1 rafael.dearce@uam.es El objeto de las tablas de contingencia es extraer información de cruce entre dos

Más detalles

GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias

GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 2011/12 GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias Bibliografía apartados : Greene, 8.2 A.F.Gallastegui:

Más detalles

Técnicas Cuantitativas para el Management y los Negocios

Técnicas Cuantitativas para el Management y los Negocios Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis

Más detalles

Riesgo Operacional Gaceta de Basilea II

Riesgo Operacional Gaceta de Basilea II Número 6 2007 Riesgo Operacional HSBC México (HBMX) Dirección de Análisis y Medición de Riesgo Dirección de Riesgo Operacional CRM Basilea II & R. Operacional 0 Cálculo de por Riesgo Operacional Definición

Más detalles

ENCUESTA CÁMARAS SOBRE EL ACCESO DE LAS PYMES A LA FINANCIACIÓN AJENA

ENCUESTA 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 detalles

Caso de Estudio EFL: Impulsando el acceso al crédito en el mercado peruano de consumo retail.

Caso de Estudio EFL: Impulsando el acceso al crédito en el mercado peruano de consumo retail. Caso de Estudio EFL: Impulsando el acceso al crédito en el mercado peruano de consumo retail. GMG Perú Resumen Ejecutivo Grupo Monge es un grupo económico líder en Centroamérica en la distribución y venta

Más detalles

ESTUDIO DE PROGRAMAS DE MICROCREDITO EN BRASIL Y CHILE

ESTUDIO DE PROGRAMAS DE MICROCREDITO EN BRASIL Y CHILE ESTUDIO DE PROGRAMAS DE MICROCREDITO EN BRASIL Y CHILE Patricio A. Aroca, Ph.D. REAL University of Illinois, USA IDEAR Universidad Católica del Norte, CHILE Este documento ha sido preparado para la Tercera

Más detalles

El riesgo crediticio Blanca Rosa Pérez Salvador*

El riesgo crediticio Blanca Rosa Pérez Salvador* El riesgo crediticio Blanca Rosa Pérez Salvador* *Depto. de Matemáticas. UAM-I Área de probabilidad y estadística. psbr@xanum.uam.mx 24 ContactoS 90, 23 30 (2013) Recibido: 22 de abril de 2013 Aceptado:

Más detalles

Relación entre variables cuantitativas

Relación entre variables cuantitativas Investigación: Relación entre variables cuantitativas 1/8 Relación entre variables cuantitativas Pita Fernández S., Pértega Díaz S. Unidad de Epidemiología Clínica y Bioestadística. Complexo Hospitalario

Más detalles

GESTION CREDITICIA Sección 1. Requisitos para el otorgamiento de financiaciones.

GESTION CREDITICIA Sección 1. Requisitos para el otorgamiento de financiaciones. B.C.R.A. GESTION CREDITICIA Sección 1. Requisitos para el otorgamiento de financiaciones. 1.1.3.3. Operatorias especiales. iv) En los casos de préstamos a personas físicas con garantía hipotecaria en primer

Más detalles

Línea de trabajo: Control de los Procesos de Manufactura Optimización de los Procesos de Manufactura 48 20 100 168-6

Línea de trabajo: Control de los Procesos de Manufactura Optimización de los Procesos de Manufactura 48 20 100 168-6 Nombre de la asignatura: ESTADISTICA MULTIVARIADA Línea de trabajo: Control de los Procesos de Manufactura Optimización de los Procesos de Manufactura 48 20 100 168-6 DOC: Docencia; TIS: Trabajo Independiente

Más detalles

Retos de la Proliferación de Modelos. 2 de Octubre 2012

Retos de la Proliferación de Modelos. 2 de Octubre 2012 Retos de la Proliferación de Modelos 2 de Octubre 2012 ÍNDICE Introducción Tipos de modelos Problemática de gestión Conclusiones Introducción 3 Aunque hay créditos desde hace 5000 años, los modelos sólo

Más detalles

UN PRIMER ACERCAMIENTO A LOS FACTORES QUE AFECTAN EL DESEMPEÑO DE LOS ALUMNOS QUE INGRESAN A UNA ESCUELA DE CIENCIAS

UN PRIMER ACERCAMIENTO A LOS FACTORES QUE AFECTAN EL DESEMPEÑO DE LOS ALUMNOS QUE INGRESAN A UNA ESCUELA DE CIENCIAS UN PRIMER ACERCAMIENTO A LOS FACTORES QUE AFECTAN EL DESEMPEÑO DE LOS ALUMNOS QUE INGRESAN A UNA ESCUELA DE CIENCIAS GUADALUPE YOANNA ARENAS; HORTENSIA REYES; MANUEL IBARRA; HUGO CRUZ; FLAVIANO GODÍNEZ,

Más detalles

ANÁLISIS MULTIVARIANTE. Créditos. Teóricos: 6 Prácticos: 3 Total: 9. Profesoras: Agurtzane Amparan, Silvia Marcaida y Arantza Urkaregi

ANÁLISIS MULTIVARIANTE. Créditos. Teóricos: 6 Prácticos: 3 Total: 9. Profesoras: Agurtzane Amparan, Silvia Marcaida y Arantza Urkaregi Presentación ANÁLISIS MULTIVARIANTE MATEMÁTICAS SEGUNDO CICLO OPTATIVA SEGUNDO CUATRIMESTRE Créditos. Teóricos: 6 Prácticos: 3 Total: 9 Profesoras: Agurtzane Amparan, Silvia Marcaida y Arantza Urkaregi

Más detalles

Modelos de regresión: lineal simple y regresión logística

Modelos de regresión: lineal simple y regresión logística 14 Modelos de regresión: lineal simple y regresión logística Irene Moral Peláez 14.1. Introducción Cuando se quiere evaluar la relación entre una variable que suscita especial interés (variable dependiente

Más detalles

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD.

Experimentos con un solo factor: El análisis de varianza. Jhon Jairo Padilla Aguilar, PhD. Experimentos con un solo factor: El análisis de varianza Jhon Jairo Padilla Aguilar, PhD. Experimentación en sistemas aleatorios: Factores Controlables Entradas proceso Salidas Factores No controlables

Más detalles

TEMA 4: Variables binarias

TEMA 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 detalles

Introducción al Data Mining Clases 5. Cluster Analysis. Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina

Introducción al Data Mining Clases 5. Cluster Analysis. Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina Introducción al Data Mining Clases 5 Cluster Analysis Ricardo Fraiman Centro de Matemática, Udelar y Universidad de San Andrés, Argentina Cluster Análisis 1 El término cluster analysis (usado por primera

Más detalles

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO

EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO EL IMPACTO DE BASILEA III EN EL NEGOCIO FINANCIERO Herramientas idóneas para el control de riesgos y la evolución de la calidad de las carteras Gustavo Chuliver Gerente AIS Argentina gustavo.chuliver@ais-int.net

Más detalles

Capítulo 8. Tipos de interés reales. 8.1. Introducción

Capítulo 8. Tipos de interés reales. 8.1. Introducción Capítulo 8 Tipos de interés reales 8.1. Introducción A lo largo de los capítulos 5 y 7 se ha analizado el tipo de interés en términos nominales para distintos vencimientos, aunque se ha desarrollado más

Más detalles

Clase 2: Estadística

Clase 2: Estadística Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea

Más detalles

Tema 2: Estadística Descriptiva Multivariante

Tema 2: Estadística Descriptiva Multivariante Tema 2: Estadística Descriptiva Multivariante Datos multivariantes: estructura y notación Se llama población a un conjunto de elementos bien definidos. Por ejemplo, la población de las empresas de un país,

Más detalles

Regla Comercial y Descuento compuesto.

Regla Comercial y Descuento compuesto. Regla Comercial y Descuento compuesto. Regla comercial: consiste en calcular el monto que se acumula durante los periodos de capitalización completos, utilizando la fórmula de interés compuesto, para luego

Más detalles

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página):

Puedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página): Univ. de Alcalá. Estadística 2014-15 Dpto. de Física y Matemáticas Grado en Biología. Examen final. Miércoles, 21 de Enero de 2015. Apellidos: Nombre: INSTRUCCIONES (LEER ATENTAMENTE). Puedes descargar

Más detalles

Estacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ

Estacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ Estacionalidad Qué es la estacionalidad? La estacionalidad es una componente que se presenta en series de frecuencia inferior a la anual (mensual, trimestral,...), y supone oscilaciones a corto plazo de

Más detalles

Una comparación entre la inferencia basada en las estadísticas de Wald y razón de verosimilitud en los modelos logit y probit vía Monte Carlo

Una comparación entre la inferencia basada en las estadísticas de Wald y razón de verosimilitud en los modelos logit y probit vía Monte Carlo Revista Colombiana de Estadística Volumen 28 N o 1. pp. 77 a 96. Junio 2005 Una comparación entre la inferencia basada en las estadísticas de Wald y razón de verosimilitud en los modelos logit y probit

Más detalles

ESCUELA SUPERIOR POLITECNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS DEPARTAMENTO DE MATEMATICAS

ESCUELA SUPERIOR POLITECNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS DEPARTAMENTO DE MATEMATICAS ESCUELA SUPERIOR POLITECNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS DEPARTAMENTO DE MATEMATICAS TESIS DE GRADUACION PREVIO A LA OBTENCIÓN DEL TÍTULO DE: MAGISTER EN CONTROL DE OPERACIONES

Más detalles

ANÁLISIS DE COMPONENTES PRINCIPALES

ANÁLISIS DE COMPONENTES PRINCIPALES ANÁLISIS DE COMPONENTES PRINCIPALES Autor: Manuel Terrádez Gurrea (mterradez@uoc.edu). ESQUEMA DE CONTENIDOS Análisis de componentes principales Modelo factorial Obtención Interpretación INTRODUCCIÓN El

Más detalles

ANALISIS DE LOS ESTADOS FINANCIEROS DE LA ESPOL: UN ENFOQUE ESTADÍSTICO

ANALISIS DE LOS ESTADOS FINANCIEROS DE LA ESPOL: UN ENFOQUE ESTADÍSTICO 1 ANALISIS DE LOS ESTADOS FINANCIEROS DE LA ESPOL: UN ENFOQUE ESTADÍSTICO David Vargas Decimavilla 1, Daniel Izquierdo 2 1 Ingeniero Estadística Informática 2 2 Director de Tesis, Ingeniero Comercial,

Más detalles

Ejercicios Activos NIIF Pymes. Conferencista ARACELY SANCHEZ A-sanchez@javeriana.edu.co

Ejercicios Activos NIIF Pymes. Conferencista ARACELY SANCHEZ A-sanchez@javeriana.edu.co Ejercicios Activos NIIF Pymes PPE Evaluación Revisada de depreciación El 1 de enero de 20X1, una entidad adquirió una partida de maquinaría por 500.000 pesos. La gerencia estimó la vida útil de la máquina

Más detalles

Análisis y cuantificación del Riesgo

Análisis 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 detalles

Análisis multivariable

Análisis multivariable Análisis multivariable Las diferentes técnicas de análisis multivariante cabe agruparlas en tres categorías: «Análisis de dependencia» tratan de explicar la variable considerada independiente a través

Más detalles

TEMA 7: Análisis de la Capacidad del Proceso

TEMA 7: Análisis de la Capacidad del Proceso TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad

Más detalles

Lección n 5. Modelos de distribución n potencial de especies

Lección n 5. Modelos de distribución n potencial de especies Lección n 5. Modelos de distribución n potencial de especies 1. Elaboración de modelos de distribución de especies. a. Planteamiento. El modelado del nicho ambiental se basa en el principio de que la distribución

Más detalles

CREACIÓN DE VALOR EN LAS EMPRESAS FINANCIERAS ARGENTINAS: APORTES ESTADÍSTICOS Y DIFUSOS

CREACIÓN DE VALOR EN LAS EMPRESAS FINANCIERAS ARGENTINAS: APORTES ESTADÍSTICOS Y DIFUSOS CREACIÓN DE VALOR EN LAS EMPRESAS FINANCIERAS ARGENTINAS: APORTES ESTADÍSTICOS Y DIFUSOS PAULINO E. MALLO 1, MARIA A. ARTOLA 2, ALICIA I. ZANFRILLO 3 MARIANO MORETTINI 4 y PAMELA GARCÍA MOLINA 5 1 Universidad

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

CURSO: ANALISIS CUANTITATIVO DE RIESGOS FINANCIEROS CON CRYSTALBALL

CURSO: ANALISIS CUANTITATIVO DE RIESGOS FINANCIEROS CON CRYSTALBALL MANAGEMENT CONSULTORES CURSO: ANALISIS CUANTITATIVO DE RIESGOS FINANCIEROS CON CRYSTALBALL Cnel. Ramón L. Falcón 1435 1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202

Más detalles

ANÁLISIS DE SENSIBILIDAD OBJETIVO DEL ANÁLISIS

ANÁLISIS DE SENSIBILIDAD OBJETIVO DEL ANÁLISIS Estudio Financiero ANÁLISIS DE SENSIBILIDAD OBJETIVO DEL ANÁLISIS Medir cuan sensible es la evaluación financiera a través de variaciones en las principales variables críticas del proyecto, de forma que

Más detalles