ID: UB40218SSY48898
TRABAJO DE INVESTIGACIN
RESUMEN ......................................................................................................... 4
INTRODUCCIN ............................................................................................... 5
DESARROLLO ................................................................................................... 7
Antecedentes ............................................................................................... 7
Caso prctico del riesgo de crdito ante una institucin financiera ............... 13
Conclusiones ................................................................................................ 21
Recomendaciones ........................................................................................ 21
AUTOEVALUACIN ........................................................................................ 24
BIBLIOGRAFA ................................................................................................ 26
NDICE DE GRFICOS
Antecedentes
Discriminacin lineal
(x 1)1(x 1)
L(x) =x 1 / 2 (1 + 2) (1 2)
Entonces
Si L(x) 0 asignamos a 2.
Mxima verosimilitud
La funcin discriminante es
Regla de Bayes
q1 = P(1),
q2 = P(2),
q1 + q2 = 1
Es decir:
L1(x) =
|i|1/2 (2)p/2
exp1 2
(x i)t1 i (x i)
Entonces dentro de esta definicin, (Reus, 2014, pg. 78) propone un modelo
de Programacin Lineal de Mltiples Criterios que mejora los resultados
minimizando la suma de las desviaciones externas y maximizando la suma de
las desviaciones internas, simultneamente. Sin embargo, en el mundo real es
ms probable que los datos se presenten de manera linealmente no
separables. Frente a esta situacin, los modelos de clasicacin basados en
programacin lineal no son soluciones de gran alcance o no aplicables. En
razn, algunos modelos entre ellos modelos no lineales, son propuestos para
mejorar el poder de clasicacin cuando se manipulan conjuntos de datos que
no son linealmente separables. En esencia como refiere (Griler, 2015)
Programacin Lineal
bL j xk bU j xk Gj
Los puntos xi pueden, por supuesto, estar distribuidos de tal manera que la
diferenciacin completa de grupos sea imposible (por ejemplo, cuando los
atributos de algunos solicitantes de crdito desafan la clasicacin por
categora de riesgo). Por lo tanto, es importante dotar al sistema de
ponderacin con el poder de establecer la diferenciacin de los grupos
anteriores, con una excepcin mnima. Dos formulaciones de Programacin
Lineal tiles y directas para lograr tal objetivo se sugieren a continuacin:
Modelo MMD
(Freed & Groveer, 2010, pg. 167), sugirieron el modelo MMD (Maximize the
Minimun of Deviations) para resolver el problema de clasicacin.
Anlisis de Correlaciones
Esta tabla muestra que las variables ms importantes son score del bur de
crdito, acreedores anteriores de 36 meses, mayor plazo vencido total 36
meses, mayor plazo.
Conclusiones
Recomendaciones
36 meses
7.- Qu programa se utiliz para la programacin?
85.99%.
No
Ingresos
Edad
BIBLIOGRAFA
Piattini, Mario G., Calvo Manzano, Jos A., Cervera, Joaqn., y Fernndez,
Luis. (2007). Fundamentos de introduccin a la programacin algoritmos
y su implementacin en vb.net c# java y c++. Mxico D.F: Alfaomega