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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión.

9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de decisión. TEMA 9 TÉCNICAS DE INTELIGENCIA ARTIFICIAL PARA EL ANÁLISIS DE LA INFORMACIÓN CONTABLE 9.1.Los sistemas expertos. 9.2.Las redes neuronales artificiales. 9.3.Sistemas de inducción de reglas y árboles de

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

CARTERAS DE EMPRESAS. SISTEMAS DE RATING. CONSTRUCCION Y EVALUACION

CARTERAS DE EMPRESAS. SISTEMAS DE RATING. CONSTRUCCION Y EVALUACION CARTERAS DE EMPRESAS. SISTEMAS DE RATING. CONSTRUCCION Y EVALUACION Dirección General de Supervisión Grupo de Tesorería y Modelos de Gestión de Riesgos Luis González Mosquera Antonio Marcelo Antuña Raúl

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

SVM: Máquinas de Vectores Soporte. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid

SVM: Máquinas de Vectores Soporte. Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid SVM: Máquinas de Vectores Soporte Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid Contenido 1. Clasificación lineal con modelos lineales 2. Regresión

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

FUNDAMENTACIÓN EN RIESGO CON RISK SIMULATOR

FUNDAMENTACIÓN EN RIESGO CON RISK SIMULATOR FUNDAMENTACIÓN EN RIESGO CON RISK SIMULATOR TABLA DE CONTENIDO 1. RIESGO... 3 2. TIPOS DE RIESGO... 4 2.1 RIESGO DE MERCADO... 4 2.1.1 Valor en Riesgo... 6 2.1.2 Cópulas... 6 2.1.3 Teoría del Valor Extremo...

Más detalles

LAS HORAS DE INGLES. APUNTES SOBRE LA CALIDAD DE LA EDUCACIÓN Mayo 2013 Año 1, Nº5

LAS HORAS DE INGLES. APUNTES SOBRE LA CALIDAD DE LA EDUCACIÓN Mayo 2013 Año 1, Nº5 LAS HORAS DE INGLES En noviembre 2012, los alumnos de III medio participaron en la Prueba Simce de Inglés que comprendía una parte de comprensión lectora y otra de comprensión auditiva. Si el puntaje promedio

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

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

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

Facultad de Ciencias

Facultad de Ciencias Facultad de Ciencias Trabajo Fin de Grado Grado en Estadística Métodos de predicción de fuga con grandes volúmenes de datos Autor: D. Raquel García Fernández Tutor/es: D. Eusebio Arenal Gutiérrez Página

Más detalles

Software Estadístico para Regresión. El caso de Regresión Logística y Regresión Poisson

Software Estadístico para Regresión. El caso de Regresión Logística y Regresión Poisson Software Estadístico para Regresión. El caso de Regresión Logística y Regresión Poisson Andrea Fuentes, Nathaly Rivera, Raúl Pinos, Gaudencio Zurita Instituto de Ciencias Matemáticas Escuela Superior Politécnica

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

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

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2.

1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. 1. INTRODUCCIÓN AL CONCEPTO DE LA INVESTIGACIÓN DE MERCADOS 1.1. DEFINICIÓN DE INVESTIGACIÓN DE MERCADOS 1.2. EL MÉTODO CIENTÍFICO 2. GENERALIDADES SOBRE LAS TÉCNICAS DE INVESTIGACIÓN SOCIAL Y DE MERCADOS

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

MODELOS MULTINOMIALES: UN ANÁLISIS DE SUS PROPIEDADES MULTINOMIAL MODELS: AN ANALISYS OF THEIR PROPERTIES

MODELOS MULTINOMIALES: UN ANÁLISIS DE SUS PROPIEDADES MULTINOMIAL MODELS: AN ANALISYS OF THEIR PROPERTIES MODELOS MULTINOMIALES: UN ANÁLISIS DE SUS PROPIEDADES Arlen Yahir Guarin Galeano *, Andrés Ramírez Hassan ** y Juan Felipe Torres *** RESUMEN En el presente trabajo se desarrolla un análisis de las propiedades

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

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

Análisis del juego televisivo QUIÉN QUIERE SER MILLONARIO? R

Análisis del juego televisivo QUIÉN QUIERE SER MILLONARIO? R Análisis del juego televisivo QUIÉN QUIERE SER MILLONARIO? R Federico Perea Justo Puerto * MaMaEuSch ** Management Mathematics for European Schools 94342 - CP - 1-2001 - DE - COMENIUS - C21 * Universidad

Más detalles

DYANE Versión 4 Diseño y Análisis de Encuestas

DYANE Versión 4 Diseño y Análisis de Encuestas DYANE Versión 4 Diseño y Análisis de Encuestas Miguel Santesmases Mestre 1. DESCRIPCIÓN GENERAL DEL PROGRAMA DYANE 1. FINALIDAD Y MÉTODO DEL PROGRAMA DYANE (Diseño y Análisis de Encuestas) es un programa

Más detalles

REGRESIÓN LOGÍSTICA BINARIA

REGRESIÓN LOGÍSTICA BINARIA REGRESIÓN LOGÍSTICA BINARIA Regresión Logística Autores: Ángel Alejandro Juan Pérez (ajuanp@uoc.edu), Renatas Kizys (rizys@uoc.edu), Luis María Manzanedo Del Hoyo (lmanzanedo@uoc.edu). ESQUEMA DE CONTENIDOS

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

EL FILTRO DE KALMAN. Resumen

EL FILTRO DE KALMAN. Resumen EL FILTRO DE KALMAN Carlos Pillajo Universidad Politécnica Salesiana - Ecuador cpillajo@ups.edu.ec Javier E. Sierra Universidad Pontificia Bolivariana Colombia javier.sierra@upb.edu.co Resumen El filtro

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

El Análisis de la Regresión a través de SPSS

El Análisis de la Regresión a través de SPSS El Análisis de la Regresión a través de SPSS M. D olores M artínez M iranda Profesora del D pto. E stadística e I.O. U niversidad de G ranada Referencias bibliográficas. Hair, J.F., Anderson, R.E., Tatham,

Más detalles

III JORNADAS DE DATA MINING DEL CREDIT SCORING A LOS MODELOS DE PRICING AJUSTADOS

III JORNADAS DE DATA MINING DEL CREDIT SCORING A LOS MODELOS DE PRICING AJUSTADOS III JORNADAS DE DATA MINING EN EL MACRO DE LA MAESTRÍA EN DATA MINING DE LA UNIVERSIDAD AUSTRAL DEL CREDIT SCORING A LOS MODELOS DE PRICING AJUSTADOS POR RIESGO David Mermelstein, Economista Senior, Estudio

Más detalles

Módulo 3. Metodología de medición y cuantificación del riesgo de crédito

Módulo 3. Metodología de medición y cuantificación del riesgo de crédito Módulo 3. Metodología de medición y cuantificación DR Instituto Tecnológico y de Estudios Superiores de Monterrey, Universidad Virtual México, 2010 1 Introducción y conceptos fundamentales Introducción

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

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

UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ANÁLISIS MULTIVARIADO

UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ANÁLISIS MULTIVARIADO UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ANÁLISIS MULTIVARIADO OBJETIVO GENERAL El curso es de un nivel matemático intermedio y tiene

Más detalles

Variable dependiente binaria

Variable dependiente binaria Econometría II Tema 3: Modelos de variable dependiente limitada. Variable dependiente binaria Graciela Sanroman Año 2010 Modelos de elección discreta (de variable cualitativa): Los modelos de variable

Más detalles

Repaso de conceptos. Tipos de RNA más utilizados. Técnicas de Clasificación con RNA. Contenido

Repaso de conceptos. Tipos de RNA más utilizados. Técnicas de Clasificación con RNA. Contenido Contenido Introducción al Diseño de Experimentos para el Reconocimiento de Patrones Capítulo 3: Redes Neuronales Artificiales Curso de doctorado impartido por Dr. Quiliano Isaac Moro Dra. Aranzazu Simón

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

DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS

DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS DISTRIBUCIONES DISCRETAS CON EXCEL Y WINSTATS A) INTRODUCCIÓN Una distribución de probabilidad es una representación de todos los resultados posibles de algún experimento y de la probabilidad relacionada

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

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

Empresa o Entidad C.A Electricidad de Valencia. Autores del Trabajo Nombre País e-mail Jimmy Martínez Venezuela jmartinez@eleval.

Empresa o Entidad C.A Electricidad de Valencia. Autores del Trabajo Nombre País e-mail Jimmy Martínez Venezuela jmartinez@eleval. Título Estudio Estadístico de Base de Datos Comercial de una Empresa Distribuidora de Energía Eléctrica. Nº de Registro 231 Empresa o Entidad C.A Electricidad de Valencia Autores del Trabajo Nombre País

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

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

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

Estadística para las Ciencias Administrativas

Estadística para las Ciencias Administrativas Estadística para las Ciencias Administrativas Tercera edición LINCOLN L. CHAO California State University Long Beach, California Traducción JOSÉ MARÍA CASTAÑO Exjefe del Departamento de Matemáticas Universidad

Más detalles

Cómo se usa Data Mining hoy?

Cómo se usa Data Mining hoy? Cómo se usa Data Mining hoy? 1 Conocer a los clientes Detectar segmentos Calcular perfiles Cross-selling Detectar buenos clientes Evitar el churning, attrition Detección de morosidad Mejora de respuesta

Más detalles

UNIVERSIDAD TECNOLÓGICA EQUINOCCIAL FACULTAD DE CIENCIAS DE LA INGENIERÍA CARRERA DE INFORMÁTICA Y CIENCIAS DE LA COMPUTACIÓN TEMA:

UNIVERSIDAD TECNOLÓGICA EQUINOCCIAL FACULTAD DE CIENCIAS DE LA INGENIERÍA CARRERA DE INFORMÁTICA Y CIENCIAS DE LA COMPUTACIÓN TEMA: UNIVERSIDAD TECNOLÓGICA EQUINOCCIAL FACULTAD DE CIENCIAS DE LA INGENIERÍA CARRERA DE INFORMÁTICA Y CIENCIAS DE LA COMPUTACIÓN TEMA: DISEÑO DEL SISTEMA DE INDICADOR FINANCIERO BASADO EN EL SCORING DE COBRANZAS;

Más detalles

Temario: Curso de Stata Capacitación

Temario: Curso de Stata Capacitación Objetivo del curso: Nuestro curso de Stata tiene como objetivo el contar con los conocimientos suficientes para: manipular una base de datos para obtener estadísticos descriptivos. Fusionar, colapsar y

Más detalles

CURSO DE ESTADISTICA Y HERRAMIENTAS PARA ANALISIS. Estadística y Herramientas cuantitativas. Obligatoria NÚMERO DE CREDITOS: 2

CURSO DE ESTADISTICA Y HERRAMIENTAS PARA ANALISIS. Estadística y Herramientas cuantitativas. Obligatoria NÚMERO DE CREDITOS: 2 Error! Marcador no definido. Página 1 de 5 1. IDENTIFICACIÓN CURSO DE ESTADISTICA Y HERRAMIENTAS PARA ANALISIS NOMBRE DE LA OFRECIDO PARA: CARÁCTER DE LA Estadística y Herramientas cuantitativas Maestria

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

Universidad del CEMA Master en Finanzas 2006

Universidad del CEMA Master en Finanzas 2006 Universidad del CEMA Master en Finanzas 2006 La Simulación como una herramienta para el manejo de la incertidumbre Fabián Fiorito ffiorito@invertironline.com Tel.: 4000-1400 Hoy en día la simulación es

Más detalles

Pobreza y mercado de trabajo en España

Pobreza y mercado de trabajo en España ESTADÍSTICA ESPAÑOLA Vol. 51, núm. 171, 2009, págs. 281 a 329 Pobreza y mercado de trabajo en España por JOSÉ Mª ARRANZ y CARLOS GARCÍA-SERRANO Universidad de Alcalá RESUMEN El objetivo de este artículo

Más detalles

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una

Más detalles

Capítulo 19 Análisis no paramétrico: El procedimiento Pruebas no paramétricas

Capítulo 19 Análisis no paramétrico: El procedimiento Pruebas no paramétricas Capítulo 19 Análisis no paramétrico: El procedimiento Pruebas no paramétricas En los capítulos 13 al 18 hemos estudiado una serie de procedimientos estadísticos diseñados para analizar variables cuantitativas:

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

Simulación, Método de Montecarlo

Simulación, Método de Montecarlo Simulación, Método de Montecarlo Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2011 Introducción 2 Introducción............................................................

Más detalles

ANALISIS COMPARATIVO DEL DESEMPEÑO DE ALGUNAS PRUEBAS DE NORMALIDAD BAJO DIFERENTES ESCENARIOS DE SIMULACIÓN

ANALISIS COMPARATIVO DEL DESEMPEÑO DE ALGUNAS PRUEBAS DE NORMALIDAD BAJO DIFERENTES ESCENARIOS DE SIMULACIÓN 13 ANALISIS COMPARATIVO DEL DESEMPEÑO DE ALGUNAS PRUEBAS DE NORMALIDAD BAJO DIFERENTES ESCENARIOS DE SIMULACIÓN Edison A. Zuluaga Duque Estudiante. Universidad del Valle, Escuela de Ingeniería Industrial

Más detalles

METODOLOGÍAS PARA LA PREDICCIÓN DEL RIESGO DE COBRANZA

METODOLOGÍAS PARA LA PREDICCIÓN DEL RIESGO DE COBRANZA SCORE DE COBRANZA 2 METODOLOGÍAS PARA LA PREDICCIÓN DEL RIESGO DE COBRANZA Score de Buró Score estadístico que utiliza información de Buró, y diseñado para otorgantes de crédito nuevos en la evaluación

Más detalles

T. 5 Inferencia estadística acerca de la relación entre variables

T. 5 Inferencia estadística acerca de la relación entre variables T. 5 Inferencia estadística acerca de la relación entre variables 1. El caso de dos variables categóricas 2. El caso de una variable categórica y una variable cuantitativa 3. El caso de dos variables cuantitativas

Más detalles

1. IDENTIFICACION DE LA ASIGNATURA

1. IDENTIFICACION DE LA ASIGNATURA UNIVERSIDAD DE SANTIAGO DE CHILE FACULTAD DE ADMINISTRACION Y ECONOMIA DEPARTAMENTO DE CONTABILIDAD Y AUDITORIA PROGRAMA DE ESTUDIO ESTADISTICAS APLICADA I 1. IDENTIFICACION DE LA ASIGNATURA 2. OBJETIVOS

Más detalles

FACULTAD DE INGENIERÍA Programa de Ingeniería de Sistemas Syllabus

FACULTAD DE INGENIERÍA Programa de Ingeniería de Sistemas Syllabus INFORMACIÓN GENERAL Área de formación Núcleo de Contenido Núcleo de Conocimiento Núcleo Temático Profesional Especifica Ingeniería Aplicada Operativa Modelación Semestre IX Número de Créditos Académicos

Más detalles

CREDIT SCORING: DEL USO TRADICIONAL, AL PRICING AJUSTADO POR RIESGO

CREDIT SCORING: DEL USO TRADICIONAL, AL PRICING AJUSTADO POR RIESGO CREDIT SCORING: DEL USO TRADICIONAL, AL PRICING AJUSTADO POR RIESGO INTRODUCCIÓN David A. Mermelstein Los modelos de Credit Scoring son parte de una metodología para el manejo del riesgo de crédito ya

Más detalles

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3 Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar

Más detalles

Selectividad Junio 2008 JUNIO 2008 PRUEBA A

Selectividad Junio 2008 JUNIO 2008 PRUEBA A Selectividad Junio 008 JUNIO 008 PRUEBA A 3 a x + a y =.- Sea el sistema: x + a y = 0 a) En función del número de soluciones, clasifica el sistema para los distintos valores del parámetro a. b) Resuélvelo

Más detalles

SIMULACIÓN CAPITULO 3 LECTURA 6.3. SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México 3.

SIMULACIÓN CAPITULO 3 LECTURA 6.3. SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México 3. LECTURA 6.3 SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México CAPITULO 3 SIMULACIÓN 3.1 INTRODUCCIÓN Simulación es el desarrollo de un modelo lógico-matemático de

Más detalles

Empresarial y Financiero

Empresarial y Financiero Curso de Excel Empresarial y Financiero SESIÓN : REGRESIÓN Rosa Rodríguez Relación con el Mercado Descargue de yahoo.com los Datos de precio ajustado de cierre de las acciones de General Electric (GE),

Más detalles

CONTENIDOS MÍNIMOS BACHILLERATO

CONTENIDOS MÍNIMOS BACHILLERATO CONTENIDOS MÍNIMOS BACHILLERATO I.E.S. Vasco de la zarza Dpto. de Matemáticas CURSO 2013-14 ÍNDICE Primero de Bachillerato de Humanidades y CCSS...2 Primero de Bachillerato de Ciencias y Tecnología...5

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