Capítulo 1 Introducción...1 Capítulo 2 Aprendizaje Automático 10 Capítulo 3 Riesgo Crediticio y Loss Given Default 18
|
|
- Catalina Valverde Valenzuela
- hace 6 años
- Vistas:
Transcripción
1 INDICE DE CONTENIDOS Capítulo 1 Introducción Contextualización Problemática Objetivos Objetivo general Objetivos específicos Alcance del trabajo Metodología Resultados esperados Estructura de la tesis... 8 Capítulo 2 Aprendizaje Automático Descubrimiento de conocimiento en base de datos Proceso KDD Selección de los datos Preprocesamiento de los datos Transformación de los datos Reducción Aplicación de minería de datos Interpretación y evaluación Capítulo 3 Riesgo Crediticio y Loss Given Default Conceptos básicos Comité de Basilea para supervisión bancaria Incumplimiento Pérdida Riesgo crediticio Pérdida dado el default Estudios realizados para la LGD Estado del arte LGD Estudios realizados sobre la medición de la LGD Modelos a utilizar para comparación Capítulo 4 Redes Neuronales, Support Vector Regression y Ensembles Redes neuronales Support vector regression Concepto de aprendizaje estadístico vi
2 4.2.2 Hiperplanos separadores Caso linealmente separable Caso no linealmente separable Support vector regression Ensembles Tipos de estrategias de combinación Capítulo 5 Metodologías propuestas para la medición de la LGD Aporte de la tesis SVR SVR con programación de kernel Programación de kernel intervalar Distribución LGD Dataset Pruebas de SVR Resultados de estimaciones Resolución de propuesta de modelamiento Ensembles Capítulo 6 Experimentación y Análisis de Resultados Créditos de consumo Metodología KDD Selección y consolidación de datos Preprocesamiento Transformación Consideraciones importantes Créditos a largo plazo Créditos a corto plazo Características y configuración de las muestras Base de datos corto plazo Base de datos largo plazo Resultados de modelos de la literatura Regresión de respuesta fraccional Árbol de regresión Red neuronal Resultados de modelos propuestos Support vector regression (SVR) Metodologías ensembles vii
3 6.7 Resultados modelos realizados SVR con programación de kernel intervalar Ensemble propuesto Validaciones cruzadas Capítulo 7 Conclusiones y trabajos futuros Justificación de trabajo realizado Modelos de minería de datos Desarrollo de objetivos planteados Discusión y trabajo a futuro Bibliografía.103 Anexos 108 INDICE DE FIGURAS Figura 2-1: Etapas del proceso KDD Figura 3-1: Distribución de la LGD Figura 4-1: Estructura de una red neuronal Figura 4-2: Componentes de una red neuronal Figura 4-3: Hiperplano separador {w,b} para conjunto de entrenamiento Figura 4-4: Caso linealmente separable Figura 4-5: Hiperplano con vectores soportantes Figura 4-6: Caso no linealmente separable Figura 4-7: Ejemplificación funciones de kernel Figura 4-8: Modelo SVR gráficamente Figura 4-9: Motivo estadístico para la generación de ensembles Figura 4-10: Motivo computacional para la generación de ensembles Figura 4-11: Motivo representacional para la generación de ensembles Figura 4-12: Representación regla fija de votación Figura 5-1: Ejemplo de separación por intervalos Figura 5-2: Gráfico dataset Figura 5-3: Arquitectura de la metodología propuesta Figura 5-4: Metodología propuesta Figura 6-1: Variable de edad gráficamente Figura 6-2: Variable de región gráficamente Figura 6-3: LGD de corto plazo Figura 6-4: LGD de largo plazo Figura 6-5: Pruebas de árbol de regresión corto plazo Figura 6-6: Pruebas de árbol de regresión largo plazo Figura 6-7: Pruebas de red neuronal corto plazo Figura 6-8: Pruebas de red neuronal largo plazo Figura 6-9: Resultados de validación cruzada corto plazo Figura 6-10: Resultados de validación cruzada largo plazo viii
4 INDICE DE TABLAS Tabla 3-1: Principales modelos avanzados de riesgo crediticio Tabla 3-2: Modelos realizados para la LGD Tabla 5-1: Modelos con límites LGD Tabla 5-2: Parámetros SVR kernel lineal Tabla 5-3: Resultados kernel lineal Tabla 5-4: Resultados kernel polinomial Tabla 5-5: Parámetros SVR kernel rbf Tabla 5-6: Resultados kernel rbf Tabla 5-7: Kernels intervalares Tabla 5-8: Parámetros SVR kernel intervalar Tabla 5-9: Resultados kernel intervalar Tabla 5-10: Validaciones cruzadas kernels Tabla 5-11: Ejemplo de agrupación predicciones Tabla 6-1: Características Generales de la Base de Datos Tabla 6-2: Agrupación de Variables de la Base de Datos Tabla 6-3: Resumen transformaciones realizadas Tabla 6-4: Preprocesamiento largo plazo Tabla 6-5: Variables macroeconómicas largo plazo Tabla 6-6: Preprocesamiento corto plazo Tabla 6-7: Variables Macroeconómicas Largo Plazo Tabla 6-8: Regresión de respuesta fraccional corto plazo Tabla 6-9: Regresión de respuesta fraccional largo plazo Tabla 6-10: Parámetros árbol de regresión Tabla 6-11: Resumen resultados árbol de regresión corto plazo Tabla 6-12: Resumen resultados árbol de regresión largo plazo Tabla 6-13: Parámetros red neuronal Tabla 6-14: Resumen resultados entrenamiento red neuronal corto plazo Tabla 6-15: Resumen resultados testeo corto plazo red neuronal Tabla 6-16: Resumen resultados entrenamiento red neuronal largo plazo Tabla 6-17: Resumen resultados testeo red neuronal largo plazo Tabla 6-18: Parámetros SVR Tabla 6-19: Resumen resultados SVR corto plazo Tabla 6-20: Resumen resultados SVR largo plazo Tabla 6-21: Parámetros para ensemble votación Tabla 6-22: Resumen resultados búsqueda en grilla votación corto plazo Tabla 6-23: Resumen resultados búsqueda en grilla votación largo plazo Tabla 6-24: Resumen resultados random forest corto plazo Tabla 6-25: Resumen resultados random forest largo plazo Tabla 6-26: Parámetros SVR con programación de kernel intervalar Tabla 6-27: Resumen resultados SVR kernel intervalar corto plazo Tabla 6-28: Resumen Resultados SVR kernel intervalar largo plazo Tabla 6-29: Parámetros ensemble propuesto red neuronal Tabla 6-30: Parámetros ensemble propuesto SVR Tabla 6-31: Resultados entrenamiento ensemble propuesto corto plazo Tabla 6-32: Parámetros redes neuronales ensemble propuesto corto plazo Tabla 6-33: Parámetros SVR ensemble propuesto corto plazo Tabla 6-34: Parámetros SVR ensemble propuesto corto plazo ix
5 Tabla 6-35: Resultados ensemble propuesto corto plazo Tabla 6-36: Resultados entrenamiento ensemble propuesto largo plazo Tabla 6-37: Parámetros redes neuronales ensemble propuesto largo plazo Tabla 6-38: Parámetros SVR ensemble largo plazo Tabla 6-39: Parámetros SVR ensemble propuesto largo plazo Tabla 6-40: Resultados ensemble propuesto largo plazo Tabla 6-41: Validaciones cruzadas corto plazo Tabla 6-42: Validaciones cruzadas largo plazo x
Aprendizaje Automático. Segundo Cuatrimestre de Clasificadores: Naive Bayes, Vecinos Más Cercanos, SVM
Aprendizaje Automático Segundo Cuatrimestre de 2016 Clasificadores: Naive Bayes, Vecinos Más Cercanos, SVM Naive Bayes Naive Bayes Dada una nueva instancia con valores de atributos a 1, a 2,..., a n, su
Más detallesJesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS
Jesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS En esta clase concluimos el curso de Análisis de Datos con una visión de las metodologías del análisis de datos. Como se ha visto, este es un campo
Más detallesModelos de Scoring para Riesgo de Crédito
Modelos de Scoring para Riesgo de Crédito Los modelos de scoring de riesgo, dentro del proceso de otorgamiento de crédito, están orientados a anticipar comportamiento futuro. Podemos dividirlos en tres
Más detallesCOMPARACIÓN ENTRE TÉCNICAS DE CONTROL PREDICTIVO NO LINEAL APLICADAS AL CONTROL DE UN GASIFICADOR
COMPARACIÓN ENTRE TÉCNICAS DE CONTROL PREDICTIVO NO LINEAL APLICADAS AL CONTROL DE UN GASIFICADOR Martin Capcha-Presentacion Piura, abril de 2017 FACULTAD DE INGENIERÍA Máster en Ingeniería Mecánico-Eléctrica
Más detallesTabla de Contenidos. Introducción Revisión de literatura 3
Tabla de Contenidos Introducción 1 1. Revisión de literatura 3 2. Marco conceptual 5 2.1. Regresión lineal.................................. 5 2.2. Método de mínimos cuadrados ordinarios (MCO)...............
Más detallesBoletín Asesoría Gerencial*
Boletín Asesoría Gerencial* 2008 - Número 4 La estimación de la Pérdida dado el incumplimiento como marco diferenciador en la gestión y administración del riesgo crediticio Introducción Qué es la LGD?
Más detallesDesarrollo y optimización de un sistema de estimación del nivel UPDRS de un paciente de Parkinson a partir de grabaciones del habla
Desarrollo y optimización de un sistema de estimación del nivel UPDRS de un paciente de Parkinson a partir de grabaciones del habla Recio Grado en Ingeniería de Tecnologías y Servicios de Telecomunicación
Más detallesCURSO. Expositor: Daniel Orellana
CURSO Modelos Estadísticos, econométricos y de inteligencia artificial Expositor: Daniel Orellana Dirigido a Gerentes de Riesgos, Analistas de Riesgos, Desarrolladores de Modelos de Gestión de Riesgos,
Más detallesEnfoque de distribución de pérdidas en la práctica
ESTUDIOS 213 Riesgo operacional Enfoque de distribución de pérdidas en la práctica Alberto Ferreras Salagre CONSEJO ECONÓMICO Y SOCIAL ESPAÑA índice Prólogo i... IX Santiago Carrillo Menéndez Introducción
Más detallesIntroducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
Más detallesPrograma Internacional. Programa Certificado en. Big Data
Programa Internacional Programa Certificado en Big Data A1 Introducción La revolución del Mundo Digital ha permitido que las personas encuentren un gran sinnúmero de información, en el cual el problema
Más detallesTEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte)
TEMA 6. SVM Support Vector Machines (Máquinas de Vectores Soporte) Francisco José Ribadas Pena Modelos de Razonamiento y Aprendizaje 5 Informática ribadas@uvigo.es 17 de abril de 2012 FJRP ccia [Modelos
Más detallesAPLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU. Luis Azaña Bocanegra
APLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU Luis Azaña Bocanegra TEMARIO CONCEPTOS DEFINICION DE MINERIA DE DATOS USOS DE LA MINERIA DE DATOS TECNICAS DE MINERIA DE DATOS ETAPAS DE UN PROYECTO DE
Más detallesMODELOS ECONOMETRICOS APLICADOS EN LA GESTIÓN DEL RIESGO DE CRÉDITO
Presentan el SEMINARIO TALLER APLICADO: MODELOS ECONOMETRICOS APLICADOS EN LA GESTIÓN DEL RIESGO DE CRÉDITO Capacitadora: SANDRA LILIANA MATEUS MODULO 1: GYE: 11 y 12 de Agosto, QUITO: 13 y 14 de Agosto
Más detallesINSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5
INSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5 PROGRAMA ACADÉMICO: LICENCIATURA EN INGENIERIA INDUSTRIAL TIPO EDUCATIVO: INGENIERIA MODALIDAD: MIXTA SERIACIÓN: NINGUNA CLAVE DE LA ASIGNATURA: 126 CICLO: QUINTO
Más detallesTécnicas de aprendizaje sobre series temporales
Técnicas de aprendizaje sobre series temporales Contenido 1. Motivación. 2. Ejemplo del Problema. 3. Aproximaciones al problema de clasificación de series temporales. 4. Aprendizaje de reglas. 5. Boosting
Más detallesSegmentación de una cartera de clientes usando aprendizaje de máquina
Inicio Segmentación de una cartera de clientes usando aprendizaje de máquina Universidad San Ignacio de Loyola I encuentro interdisciplinario de investigación desarrollo y tecnología USIL 2014 Inicio Inicio
Más detallesRedes neuronales con funciones de base radial
Redes neuronales con funciones de base radial Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización: RBF-NN Motivación y orígenes RBF Arquitectura
Más detalles23, 24 Y 25 de Marzo Bogotá, Colombia
Curso presencial RIESGO DE CRÉDITO APLICADO: Aplicación y uso de métodos estadísticos en el diseño de estrategias para crecimiento y optimización de la cartera de créditos Módulo I. 24 horas 23, 24 Y 25
Más detallesGESTION DE RIESGOS CORPORATIVOS
GESTION DE RIESGOS CORPORATIVOS El punto de vista del banquero VI Conferencias sobre Supervisión Financiera Guatemala Septiembre 2001 Juan Basurto Asociación Española de Banca (AEB) 1 PRESENTACION Asociación
Más detallesIntroducción a la minería de datos
Introducción a la minería de datos 1 Temario Qué es minería de datos? Quién usa minería de datos? Por qué de la minería de datos? Ciclo virtuoso de la minería de datos 2 Definición de minería de datos
Más detallesComplementación y ampliación de la currícula de la Maestría 2017 Maestría en Generación y Análisis de Información Estadística
ampliación de la currícula Maestría en Generación y Análisis de Información Estadística Programa abierto de ampliación de la currícula Maestría en Generación y Análisis de Información Estadística La Maestría
Más detallesIntroducción a la minería de datos. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Introducción a la minería de datos CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Minería de datos Detección, interpretación y predicción de patrones cuantitativos y cualitativos
Más detallesSupport Vector Machine
Support Vector Machine Gráficas, estadística y minería de datos con Python Miguel Cárdenas Montes Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es
Más detalles1.-DATOS DE LA ASIGNATURA
1.-DATOS DE LA ASIGNATURA Nombre de la asignatura: Minería de Datos Carrera: Ingeniería en Sistemas Computacionales Clave de la asignatura: ADM-0701 Horas teoría-horas práctica-créditos: 3-2-8 2.-HISTORIA
Más detallesÍndice. Resumen 15 Motivación 15 Desarrollos y aportes 16 Publicaciones derivadas de esta tesis doctoral 19
Índice Resumen 15 Motivación 15 Desarrollos y aportes 16 Publicaciones derivadas de esta tesis doctoral 19 Capítulo 1. Introducción a la Minería de Datos 21 1. Minería de datos 21 1.1. Tipos de datos 24
Más detallesTema 2 Primeros Modelos Computacionales
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M. Galván - José Mª Valls Tema 2 Primeros Modelos Computacionales 1 Primeros Modelos Computacionales Perceptron simple
Más detallesPrograma de Extensión Universitaria y Vinculación (PEUVI), Departamento de Matemáticas.
Programa de Extensión Universitaria y Vinculación (PEUVI), Departamento de Matemáticas. DIPLOMADO EN MINERÍA DE DATOS. Coordinadora académica: Dra. Amparo López Gaona. MODULO I: INTRODUCCIÓN A LAS BASES
Más detallesBasilea: Desarrollo y Supervisión de Modelos Internos
Basilea: Desarrollo y Supervisión de Modelos Internos Santiago, Chile, 7 de Abril de 2015 José Miguel CRUZ (*) (*) Socio de CLGroup y Director Centro de Finanzas, Ingeniería Industrial, Universidad de
Más detallesCURSO PRESENCIAL RIESGO DE CRÉDITO APLICADO:
CURSO PRESENCIAL RIESGO DE CRÉDITO APLICADO: CONSTRUCCIÓN Y VALIDACIÓN DE MODELOS ECONOMÉTRICOS PARA SCORE Y RATING. MODELOS DE PDI. Módulo II. 24 horas 17, 18 Y 19 de Mayo 2017 Hotel Tryp Embajada Bogotá,
Más detallesMINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN
GUIA DOCENTE DE LA ASIGNATURA MINERÍA DE DATOS: PREPROCESAMIENTO Y CLASIFICACIÓN MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Módulo de Nivelación de Conocimientos Minería de datos: preprocesamie
Más detallesIngeniería y Arquitectura Programa de asignatura
Identificación de la asignatura Nombre de la asignatura: Métodos Numéricos Clave: MIES Área académica: Ingenierías y Arquitectura Total créditos: 04 Teórico Práctico 3 1 Programa académico al que pertenece:
Más detallesBIG DATA SCIENCE & ANALYTICS
BIG DATA SCIENCE & ANALYTICS Enzo Roccasalva Head of Practice: Advanced Analytics & Risk CONOCIENDO A SAS +40 Años de Experiencia +75,000 Instalaciones +140 Países 1 o Empresa privada de software más grande
Más detallesPRINCIPIOS DE ECONOMETRÍA
PRINCIPIOS DE ECONOMETRÍA 2009-2010 I. IDENTIFICACIÓN Asignatura: Duración: Titulación: Ciclo: Departamento: Profesor: Principios de Econometría Semestral (Primer semestre) Licenciatura en Economía Primer
Más detallesAprendizaje Supervisado Máquinas Vectoriales de Soporte
Aprendizaje Supervisado Máquinas Vectoriales de Soporte Tipos de Variables 10 10 Modelo general de los métodos de Clasificación Id Reembolso Estado Civil Ingresos Anuales 1 Sí Soltero 125K No 2 No Casado
Más detallesMedición y Modelación del Riesgo de Crédito
Seminario Taller Internacional Medición y Modelación del Riesgo de Crédito 16 y 17 de Julio 2015 Hotel Le Meridien 8:00 am a 5:00 pm Ciudad de Panamá Empresa Organizadora ERNESTO BAZÁN Training Corporation
Más detallesGuía docente 2007/2008
Guía docente 2007/2008 Plan 247 Lic.Investigación y Tec.Mercado Asignatura 43579 METODOS CUANTITATIVOS PARA LA INVESTIGACION DE MERCADOS Grupo 1 Presentación Métodos y técnicas cuantitativas de investigación
Más detallesESSBER ROBERTO RUIZ ICOCHEA
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA Facultad de Ciencias Forestales ELABORACIÓN DE UNA ECUACIÓN DE VOLUMEN PARA UN BOSQUE DE TERRAZAS ALTAS EN EL CODO DEL POZUZO, PUERTO INCA, HUÁNUCO Tesis para optar
Más detallesEstadística II. Carrera: INB Participantes. Representante de las academias de ingeniería industrial de Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística II Ingeniería Industrial INB - 0408 4 0 8 2.- HISTORIA DEL PROGRAMA
Más detallesResumen... i. Agradecimientos... ii. ÍNDICE DE FIGURAS... vi. ÍNDICE DE TABLAS... viii ANTECEDENTES GENERALES... 12
TABLA DE CONTENIDO Resumen... i Agradecimientos... ii ÍNDICE DE FIGURAS... vi ÍNDICE DE TABLAS... viii ANTECEDENTES GENERALES... 12 CAPITULO PLANTEAMIENTO ORGANIZACIONAL... 14 1. Contexto de la Industria...
Más detallesAsesoramiento en la implantación de modelos de riesgo comercial para empresas no financieras
Asesoramiento en la implantación de modelos de riesgo comercial para empresas no financieras Índice 1. Metodología para el desarrollo de un modelo de cálculo de pérdida esperada en cartera de clientes
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detallesGRADO EN INGENIERIA INFORMATICA
EXAMENES PRIMER SEMESTRE GII 1 FUNDAMENTOS DEONT. Y JURIDICOS DE LAS TIC 1C viernes, 16 de enero de 2015 9:00 51-A1 GII 1 ALGEBRA LINEAL (PRACTICO) 1C martes, 20 de enero de 2015 16:00 Aula Inf. Dpto.
Más detallesEstadística II. Carrera: INB Participantes. Representante de las academias de ingeniería industrial de Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Estadística II Ingeniería Industrial INB-0408 4-0-8 2.- HISTORIA DEL PROGRAMA Lugar
Más detallesProcesamiento Masivo de Web Spam. Washington Bastidas Santos Jesús González Vera
Procesamiento Masivo de Web Spam Washington Bastidas Santos Jesús González Vera Agenda INTRODUCCIÓN PROBLEMA METODOLOGÍA IMPLEMENTACIÓN EVALUACIÓN Y RESULTADOS CONCLUSIÓN TRABAJO FUTURO BIBLIOGRAFÍA 1
Más detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detallesIAAE - Inteligencia Artificial Aplicada a la Ingeniería
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2016 295 - EEBE - Escuela de Ingeniería de Barcelona Este 723 - CS - Departamento de Ciencias de la Computación GRADO EN INGENIERÍA
Más detallesCONTENIDO mínimo de los bolos para examen de grado: ÁREA DE COMPLEMENTACIÓN CUANTITATIVA
CONTENIDO mínimo de los bolos para examen de grado: ÁREA DE COMPLEMENTACIÓN CUANTITATIVA BOLO I: Modelo de Redes Recorrido mínimo Ruta más corta Flujo máximo BOLO II: Modelo PERT-CPM La Tabla de Gantt
Más detallesCapítulo 8. Selección de variables Introducción
Capítulo 8 Selección de variables 8.1. Introducción En muchos problemas de regresión es posible considerar un número importante de variables predictoras. Un empresario podría estudiar los factores que
Más detallesPrimeras Jornadas sobre GESTIÓN DE RIESGOS en ENTIDADES FINANCIERAS
Primeras Jornadas sobre GESTIÓN DE RIESGOS en ENTIDADES FINANCIERAS 13 y 14 de octubre 2016 Taller 2: Determinación de Previsiones Estadísticas o Dinámicas - Aplicación de NIIF 9 - Taller 2: PREVISIONES
Más detallesMétodos Predictivos en Minería de Datos
Métodos Predictivos en Minería de Datos Tutor: El curso será impartido por Dr. Oldemar Rodríguez graduado de la Universidad de París IX y con un postdoctorado de la Universidad de Stanford. Duración: Cuatro
Más detallesMÁQUINA DE VECTORES DE SOPORTE
MÁQUINA DE VECTORES DE SOPORTE La teoría de las (SVM por su nombre en inglés Support Vector Machine) fue desarrollada por Vapnik basado en la idea de minimización del riesgo estructural (SRM). Algunas
Más detallesInstituto de Ciencias Matemáticas
ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL Instituto de Ciencias Matemáticas INGENIERÍA EN ESTADÍSTICA INFORMÁTICA Diseño e implementación de un aplicativo web para el aprendizaje de análisis discriminante
Más detallesFigura 39. Resultados de la encuesta de satisfacción aplicada a los instructores de los CECATI en el Estado de Colima Figura 40.
Contenido RESUMEN...iii ABSTRACT...iii Epígrafe... iv AGRADECIMIENTOS... v ÍNDICE DE FIGURAS... ix ÍNDICE DE TABLAS... xi CAPITULO I INTRODUCCIÓN... 1 1.1. Prólogo... 1 1.2. Contexto... 2 1.3. Definición
Más detallesDEPARTAMENTO DE MATEMÁTICAS Página 1
DEPARTAMENTO DE MATEMÁTICAS Página 1 APROBADO EN EL CONSEJO DE LA FACULTAD DE CIENCIAS EXACTAS ACTA 13 DEL 21 ABRIL 2010 PROGRAMAS DEL DEPARTAMENTO DE MATEMÁTICAS El presente formato tiene la finalidad
Más detallesFlor de Liana Carolina Torres Medina
UNIVERSIDAD NACIONAL AGRARIA LA MOLINA Facultad de Ciencias Forestales Evaluación de las propiedades físico mecánicas de la especie Pino chuncho (Schizolobium amazonicum Huber ex Ducke) proveniente de
Más detallesUNIVERSIDAD CATÓLICA SANTO TORIBIO DE MOGROVEJO VICERRECTORADO ACADÉMICO
Página 1 de 10 UNIVERSIDAD CATÓLICA SANTO TORIBIO DE MOGROVEJO VICERRECTORADO ACADÉMICO FACULTAD DE: ESCUELA PROFESIONAL DE: INGENIERÍA INGENIERÍA DE PLAN CURRICULAR: 2017 CARRERA PROFESIONAL: INGENIERÍA
Más detallesIntensificación en "Lenguajes e Inteligencia Artificial"
Ingeniería Informática - ETS Informática Métodos y Técnicas Informáticas específicas. Comportamientos humanos que se quieren simular/emular: IA: Vertiente "cognitiva" : Razonamiento, Intelecto,. RF: Vertiente
Más detallesUniversidad Central del Este UCE Facultad de Ciencias de la Salud Escuela de Medicina
Universidad Central l Este UCE Facultad Ciencias la Salud Escuela Medicina Programa la asignatura: : MED-052 Bioestadística II Código: Semestre: Asignatura electiva Total créditos 3 Teóricos 3 Prácticos
Más detallesUNIVERSIDAD COOPERATIVA DE COLOMBIA SEDE SANTIAGO DE CALI FACULTAD DE INGENIERÍA HORARIO PLAN POR COMPETENCIAS 2017 II
UNIVERSIDAD COOPERATIVA DE COLOMBIA SEDE SANTIAGO DE CALI FACULTAD DE INGENIERÍA RIO PLAN POR COMPETENCIAS 2017 II PLAN DE ESTUDIOS INGENIERÍA DE SISTEMAS POR COMPETENCIAS COMPETENCIAS I II III IV V VI
Más detallesSupport Vector Machines
Support Vector Machines Separadores lineales Clasificacion binaria puede ser vista como la tarea de separar clases en el espacio de caracteristicas w T x + b > 0 w T x + b = 0 w T x + b < 0 f(x) = sign(w
Más detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
Más detallesBoletín de Asesoría Gerencial* Gestión práctica para el cálculo de la tasa de recuperación crediticia
Espiñeira, Sheldon y Asociados No. 16-2008 *connectedthinking Contenido Haga click en los enlaces para navegar a través del documento Haga click en los enlaces para llegar directamente a cada sección 4
Más detallesCARGA HORARIA Horas totales: 80 Horas totales de resolución de problemas de aplicación: 32
PROBABILIDAD Y ESTADISTICA OBJETIVOS: 1. Extraer y sintetizar información de un conjunto de datos. 2. Aprehender los conceptos de aleatoriedad y probabilidad. 3. Estudiar los modelos más importantes de
Más detallesUNIVERSIDAD NACIONAL PEDRO RUIZ GALLO ESCUELA DE POST GRADO DOCTORADO EN CONTABILIDAD Y FINANZAS
UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO ESCUELA DE POST GRADO DOCTORADO EN CONTABILIDAD Y FINANZAS El Programa de Doctorado en Contabilidad y Finanzas está dirigido a los maestros en Contabilidad, Tributación,
Más detallesPontificia Universidad Católica del Ecuador
1. DATOS INFORMATIVOS: MATERIA O MÓDULO: CÓDIGO: CARRERA: NIVEL: INTELIGENCIA ARTIFICIAL II (Aprendizaje Automático) IS-12653 INGENIERIA DE SISTEMAS SEPTIMO No. CRÉDITOS: 4 CRÉDITOS TEORÍA: 2 CRÉDITOS
Más detalles3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE. Un motor de inducción tiene físicamente el mismo estator de una máquina
220 3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE ARDILLA 3.2.1 Descripción del problema. Un motor de inducción tiene físicamente el mismo estator de una máquina sincrónica con diferente construcción
Más detallesUNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA
UNIVERSIDAD DEL TOLIMA FACULTAD DE CIENCIAS PROGRAMA MATEMÁTICAS CON ÉNFASIS EN ESTADÍSTICA 1. IDENTIFICACIÓN ASIGNATURA: ELECTIVA EN MODELOS LINEALES CODIGO: NIVEL: V CREDITOS: 4 DESCRIPCIÓN: EL CURSO
Más detallesEstadística Multivariada Computacional Introducción al Aprendizaje Automático (parte 1)
Estadística Multivariada Computacional Introducción al Aprendizaje Automático (parte 1) Mathias Bourel IMERL - Facultad de Ingeniería, Universidad de la República, Uruguay 24 de octubre de 2016 M.Bourel
Más detallesCarrera: EMM Participantes Representante de las academias de ingeniería Electromecánica de los Institutos Tecnológicos.
1. DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Probabilidad y Estadística Ingeniería Electromecánica EMM - 0528 3 2 8 2.- HISTORIA
Más detallesTemario. SEMANA 1 3 al 7 de Febrero. Expositor: Dr. C. Rodrigo E. Elizondo Omaña
Temario SEMANA 1 3 al 7 de Febrero Expositor: Dr. C. Rodrigo E. Elizondo Omaña 1. Bienvenida 2. Presentación del GIA 3. Líneas de investigación existentes 4. La investigación científica en el Departamento
Más detallesDIPLOMADO EN ESTADÍSTICA APLICADA
DIPLOMADO EN ESTADÍSTICA APLICADA DIPLOMADO EN ESTADÍSTICA APLICADA FUNDAMENTACIÓN El Diplomado en Estadística Aplicada posibilitará la actualización profesional y el desarrollo de competencias específicas
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesUNIVERSIDAD COOPERATIVA DE COLOMBIA SEDE SANTIAGO DE CALI FACULTAD DE INGENIERÍA HORARIO PLAN POR COMPETENCIAS 2018 I
UNIVERSIDAD COOPERATIVA DE COLOMBIA SEDE SANTIAGO DE CALI FACULTAD DE INGENIERÍA RIO PLAN POR COMPETENCIAS 2018 I PLAN DE ESTUDIOS INGENIERÍA DE SISTEMAS POR COMPETENCIAS COMPETENCIAS I II III IV V VI
Más detallesNombre de la asignatura: Probabilidad y Estadística. Créditos: Aportación al perfil
Nombre de la asignatura: Probabilidad y Estadística Créditos: 3-2-5 Aportación al perfil Seleccionar y aplicar herramientas matemáticas para el modelado, diseño y desarrollo de tecnología computacional.
Más detallesPREDICCIÓN DE VAPOR DE AGUA PRECIPITABLE CON DATOS DE MEDICIONES GPS UTILIZANDO UNA RED NEURONAL ARTIFICIAL
PREDICCIÓN DE VAPOR DE AGUA PRECIPITABLE CON DATOS DE MEDICIONES GPS UTILIZANDO UNA RED NEURONAL ARTIFICIAL SIMPOSIO SIRGAS 2015 Santo Domingo, República Dominicana 18 20 Noviembre 2015 en colaboración
Más detallesAfinación y Rendimiento de Bases de Datos
DIPLOMADO Afinación y Rendimiento de Bases de Datos TEMARIO DURACIÓN: 250 hrs. 1. Sistemas de Información OLTP y SQL (40 hrs.) 1.1 Componentes de un Sistema de Información 1.2 Tipos de un Sistema de Información
Más detallesDiplomado en Estadística Aplicada
Diplomado en Estadística Aplicada Con el propósito de mejorar las habilidades para la toma de decisiones, la División de Estudios de Posgrado de la Facultad de Economía ha conjuntado a profesores con especialidad
Más detallese-ciencia, Minería de Datos y Astrofísica Descubrimiento de Conocimiento en la era de los grandes surveys
e-ciencia, Minería de Datos y Astrofísica Descubrimiento de Conocimiento en la era de los grandes surveys L.M. Sarro 1,2 1 Departmento de Inteligencia Artificial, UNED, España 2 Spanish Virtual Observatory
Más detallesItinerario: Inteligencia Computacional
Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones Itinerario: Inteligencia Computacional Escuela Politécnica Superior Universidad Autónoma de Madrid
Más detallesPLAN DE ESTUDIOS CLASE T P L
PLAN DE ESTUDIOS I CICLO 1J3011 CALCULO DIFERENCIAL 3 2 5 4.0 A NINGUNO 1J3012 ALGEBRA LINEAL 2 2 4 3.0 A NINGUNO 1J3013 FISICA I 2 2 2 6 4.0 B NINGUNO 1J3014 QUMICA APLICADA 1 2 3 2.0 A NINGUNO 1J3015
Más detallesEstudio de Pérdidas Esperadas e Inesperadas para el Sistema Bancario Chileno
Estudio de Pérdidas Esperadas e Inesperadas para el Sistema Bancario Chileno Presentación realizada al Comité de Gerentes de Crédito de la Asociación de Bancos. Sra. Myriam Uribe, Jefe de URC Sr. Osvaldo
Más detallesAnexo 8.3. Programa Condensado
Materia o unidad de aprendizaje: las Ciencias Sociales Última actualización: Agosto 2017 Licenciatura: Área Básica Común Plan: 401 Semestre: 3 Créditos: 3 SEMANA TEMA ACTIVIDADES, TAREAS, EXÁMENES BIBLIOGRAFÍA
Más detallesMODELO DE GESTIÓN DE CALIDAD EN INSTITUCIONES SANITARIAS. Integrando los modelos de gestión EFQM y CMI
MODELO DE GESTIÓN DE CALIDAD EN INSTITUCIONES SANITARIAS Integrando los modelos de gestión EFQM y CMI Jesús Pastor Tejedor CONSEJO, ECONÓMICO Y SOCIAL ÍNDICE Págs. PRÓLOGO, por Luis Navarro y Elola XI
Más detallesAutomatización de la Evaluación del Impacto Social en Proyectos de Inversión Publica
Automatización de la Evaluación del Impacto Social en Proyectos de Inversión Publica Ronald René Vergara Pareja 1 Agenda Objetivo de la Investigación. Situación Actual de los Proyectos de Inversión Publica.
Más detallesDiplomado Especializado en Gestión del Riesgo de Crédito
Diplomado Especializado en Gestión del Riesgo de Crédito 2015 1er Diplomado Especializado en Gestión del Riesgo de Crédito Objetivo Proveer a los participantes de los conocimientos teóricos y prácticos
Más detallesTALLER. Jueves 9 y Viernes 10 de Marzo de 2017 Hotel Radisson, San José, Costa Rica. Integrando el Riesgo de Crédito a la Rentabilidad por cliente.
TALLER Jueves 9 y Viernes 10 de Marzo de 2017 Hotel Radisson, San José, Costa Rica. Integrando el Riesgo de Crédito a la Rentabilidad por cliente. Objetivos OBJETIVO Si se trabaja principalmente con créditos,
Más detallesFacultad de Administración de Empresas y Contabilidad Escuela de Contabilidad Licenciatura en Contabilidad Programa Analítico por Competencia
Facultad de Administración de Empresas y Contabilidad Escuela de Contabilidad Licenciatura en Contabilidad Programa Analítico por Competencia I.- DATOS GENERALES Abreviatura Código de Asignatura Número
Más detallesUniversidad de Costa Rica Sistema de Aplicaciones Estudiantiles SAE
Página 1 de 8 Plan de Estudio Enfasis 0 Bloque Común(no hay énfasis) Nivel Curso Nombre del curso T P L TP Cred. Requisitos y Req. Equivalentes Correquisitos y Correq. Equivalentes 1 CI1010 INTRODUCCIÓN
Más detallesElementos de máquinas de vectores de soporte
Elementos de máquinas de vectores de soporte Clasificación binaria y funciones kernel Julio Waissman Vilanova Departamento de Matemáticas Universidad de Sonora Seminario de Control y Sistemas Estocásticos
Más detallesUNIVERSIDAD COOPERATIVA DE COLOMBIA SEDE SANTIAGO DE CALI FACULTAD DE INGENIERÍA HORARIO PLAN POR COMPETENCIAS 2018 I
UNIVERSIDAD COOPERATIVA DE COLOMBIA SEDE SANTIAGO DE CALI FACULTAD DE INGENIERÍA RIO PLAN POR COMPETENCIAS 2018 I PLAN DE ESTUDIOS INGENIERÍA DE SISTEMAS POR COMPETENCIAS COMPETENCIAS I II III IV V VI
Más detallesDISEÑO DE EXPERIMENTOS
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H FACULTAD INGENIERÍA Clave: 08USU4053W PROGRAMA DEL CURSO: DISEÑO DE EPERIMENTOS DES: INGENIERÍA Programa(s) Educativo(s): Ingeniería Matemática. Tipo
Más detallesDiplomado en Estadística e Investigación Científica
Sociedad Hispana de Investigadores Científicos Diplomado en Estadística e Investigación Científica Introducción Durante mucho tiempo se consideró a la investigación científica como una actividad de unos
Más detallesMICROCURRÍCULO(SYLLABUS)
I. INFORMACIÓN GENERAL NOMBRE DEL CURSO:METODOLOGÍA DE LA INVESTIGACIÓN UNIDAD ACADÉMICA NIVEL ACADÉMICO DEL CURSO CÓDIGO 221198 COMPONENTE DE FORMACIÓN FACULTAD INGENIERIA INDUTRIAL POSGRADUAL BÁSICA
Más detallesESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO FACULTAD DE SALUD PÚBLICA ESCUELA DE MEDICINA Periodo académico Marzo Julio 2011 PROGRAMA ANALITICO
PROGRAMA ANALITICO 1. DATOS GENERALES: NOMBRE DE LA ASIGNATURA: BIOESTADISTICA CODIGO: SEMESTRE: Tercero HORAS/SEMANA: Teóricas: 1 Prácticas: 3 Total: PROFESOR TITULAR: Dr. Fausto Guevara P. 2. PROBLEMA.
Más detallesÍNDICE PRESENTACIÓN 1 I. INTRODUCCIÓN A LA ECONOMETRÍA... 4 CURRICULUM I.1. 4 Definición... I.2
ÍNDICE Pags. PRESENTACIÓN 1 I. INTRODUCCIÓN A LA ECONOMETRÍA... 4 CURRICULUM I.1 4 Definición... I.2 4 Propósito... 1.3 Evolución y Perspectivas de la Econometría... 4 1.4 Los Modelos Macroeconómicos más
Más detallesESTADISTICA. Profesores Carlos Marxo Mujica Eli Saúl Calderón Ángel Aquino. Objetivos Generales:
ESTADISTICA Profesores Carlos Marxo Mujica Eli Saúl Calderón Ángel Aquino. Objetivos Generales: Al finalizar el curso, los alumnos serán capaces de: 1. Evidenciar el interés por comprender la problemática
Más detallesCaracterización de la Onda de Pulso Arterial, Velocidad (PWV) y Morfología (DVP), como Estimador de la Presión Arterial ÍNDICE
Caracterización de la Onda de Pulso Arterial, Velocidad (PWV) y Morfología (DVP), como Estimador de la Presión Arterial ÍNDICE Capítulo 1 INTRODUCCIÓN 1.1 Motivación 2 1.2 Organización de la memoria 3
Más detalles