ALEXANDER ANGULO PREZ

ID: UB40218SSY48898

LICENCIATURA EN INGENIERIA DE SISTEMAS

TRABAJO DE INVESTIGACIN

La programacin lineal multicriterio como herramienta para minimizar

problemas crediticios de microcrditos en los procesos de clasificacin de
riesgo en las cooperativas de ahorro y crdito
 NDICE DE CONTENIDOS

NDICE DE GRFICOS ..................................................................................... 3

RESUMEN ......................................................................................................... 4

INTRODUCCIN ............................................................................................... 5

DESARROLLO ................................................................................................... 7

Anlisis discriminante lineal ............................................................................ 7

Antecedentes ............................................................................................... 7

Clasificacin en grupos poblacionales ......................................................... 8

Clasicacin en poblaciones normales ...................................................... 10

Programacin lineal multicriterio ................................................................... 11

Programacin Lineal .................................................................................. 11

Caso prctico del riesgo de crdito ante una institucin financiera ............... 13

Base de Datos ........................................................................................... 15

Seleccin de las variables explicativas del modelo ................................... 15

Resultados del planteamiento estadstico ..................................................... 18

Resultados de los modelos basados en programacin lineal ....................... 19

CONCLUSIONES Y RECOMENDACIONES ................................................... 21

Conclusiones ................................................................................................ 21

Recomendaciones ........................................................................................ 21

AUTOEVALUACIN ........................................................................................ 24

BIBLIOGRAFA ................................................................................................ 26
 NDICE DE GRFICOS

Grfico 1: Modelo MMD para un conjunto de datos separables. ...................... 12

Grfico 2: Modelo MMD para un conjunto de datos no separables. ................. 13

Grfico 3: Participacin en el mercado financiero ............................................ 14

Grfico 4: Evolucin del microcrdito ............................................................... 14

Grfico 5: Segmentacin del microcrdito ........................................................ 15

Grfico 6: rbol de decisin ............................................................................. 17

Grfico 7: Procedimiento de las variables ........................................................ 18

Grfico 8: Funcin de la descriminalizacin lineal ............................................ 18

Grfico 9: Peso de las variables ....................................................................... 19

Grfico 10: Curva del modelo ........................................................................... 19

 RESUMEN

El riesgo crediticio se ha consolidado como una herramienta fundamental en la

administracin de las instituciones nancieras y el servicio ante la ejecucin de
los crditos para sus clientes. En el presente trabajo est enfocado en tratar el
problema de clasicacin y reducir su error mediante la inteligencia articial y la
investigacin de operaciones con respaldo en la programacin lineal
multicriterio y de un sistema de restriccin, el cual se fundamenta en un anlisis
discriminante.

Los sistemas algortmicos y de soporte vectorial constituyen estructuras de

aprendizaje automtico para la correcta aplicacin de programas de
clasicacin, se fundamentan en transformar el espacio de entrada en otra
dimensin superior en el que el problema de seleccin de clientes puede ser
resuelto mediante un hiperplano ptimo por medio de una funcin ncleo.

En base de lo referenciado anteriormente se busca estudiar el error al

momento de clasificar por medio de algoritmos en programacin lineal
multicriterio lo cual enfrentar dos problemticas de forma simultnea:
maximizar las distancias mnimas entre las observaciones y el hiperplano
crtico, y separar las observaciones minimizando la suma de las desviaciones
entre las observaciones. La informacin de descargo est constituida por
variables socio-demogrcas de una institucin financiera la misma que por la
presente investigacin se obtiene una eciencia del 85.99% sobre la
reasignacin de clasificacin.

Palabras claves: Clasicacin, Programacin Lineal Multicriterio, institucin

financiera, riesgo.
 INTRODUCCIN

La meta principal del sistema nanciero manejar un alto grado de regulacin

para el buen funcionamiento del sistema, la misma que se basa en la solvencia
de las entidades nancieras, desarrollando mltiples normativas que tratan de
salvaguardar este objetivo.

La aprobacin de crditos requiere de la mayor parte de sus esfuerzos como

institucin, lo que origina mayores riesgos por el tiempo invertido. As se define
el riesgo como la posibilidad de que se produzca un hecho generador de
prdidas que afecten el valor econmico de las entidades bancarias (Vela,
2014, pg. 67). Por otra parte el entorno bancario supone la gestin de riesgos
con el propsito de obtener una rentabilidad, as de todos los riesgos a los que
est expuesta una entidad nanciera, el riesgo de crdito es el ms influyente y
que afecta a su cartera de cobro.

La capacidad de almacenamiento digital en el campo nanciero se ha

triplicado, provocando las denominadas fosas de datos donde se pierden no
solo nombre de clientes sino millones de dlares por la mala gestin
informativa de las carteras. A partir de esta problemtica es necesaria la
incorporacin de la investigacin de operaciones e inteligencia articial, donde
se generan bases de datos de gran tamao y con un sistema ptimo de
procesamiento y actualizacin.

Con base a lo referenciado en prrafos anteriores se busca estudiar las

tcnicas tradicionales y realizar un contraste con las tcnicas modernas para
ajustar la clasicacin y as minimizar los errores de los procesos.

El problema que se plantea en el rea de sistemas es minimizar la prdida total

incurrida. Se supone que, para un nuevo valor de x, la clase verdadera es Ck y
que se asigna x a la clase Cj (donde j puede o no puede ser igual a k).
Entonces se incurre en algn nivel de prdida que se denota por Lkj, es decir,
el elemento kj de una matriz de prdida. As, en una forma ms explicativa
como refiere (Cesare, 2014, pg. 67), la matriz de prdida en particular dice
que si se toma la decisin correcta, no hay prdida incurrida; por el contrario
existe una prdida mnima. Por tanto si se implementa un modelo de
programacin lineal multicriterio y de restriccin mltiple (MC2LP) sustentado
en la correccin de errores. El modelo, suman dos hiperplanos ms para
detectar las clasicaciones ms ejecutadas.
 DESARROLLO

Anlisis discriminante lineal

El objetivo del anlisis discriminante es clasicar una observacin o varias

observaciones, en estos grupos conocidos. As, en la calicacin de crdito,
una institucin financiera conoce la existencia de bueno y malos clientes.
Cuando un nuevo cliente busca un prstamo, el banco decide si lo emite o no.
El historial crediticio genera observaciones multivariantes xi sobre las
categoras de clientes (edad, ingresos, estado civil, monto, etc.). El potencial
cliente es una nueva observacin x con las mismas variables. La normativa de
discriminacin tiene clasifica al cliente segn los grupos existentes y el anlisis
discriminante ante el riesgo. En la mayora de las aplicaciones, los grupos
corresponden a clasicaciones naturales o a los historiales.

Antecedentes

Sean 1, 2 dos conjuntos, y X1, ,X2 variables observables, donde x =

(x1, ,xp) representan las observaciones de las variables sobre un individuo
. Se trata de asignar a uno de los dos conjuntos.

Una regla discriminante es un criterio que permite asignar conocido (x1,

,xp), y que a menudo es planteado mediante una funcin discriminante D(x1,
,xp). Entonces la regla de clasicacin es:

Si D(x1, ,xp) 0 asignamos 1 en caso contrario asignamos 2

Esta regla divide Rp en dos regiones

R1 = {x|D(x) > 0}, R2 = {x|D(x) < 0}

En la decisin de identicar , se comete un error de clasicacin si se

equivoca y se asigna a una poblacin a la que no pertenece. Si estamos
trabajando slo con dos grupos, en la asignacin existen dos posibles errores:
el que se comete al clasicarlo en el primer grupo, cuando en realidad
pertenece al segundo P(R1|2), y el que se cometera al incluirlo en el
segundo grupo, cuando en realidad pertenece al primero P(R2|1). El criterio
matemtico de clasicacin se determina de tal manera que minimice la
probabilidad de error, la probabilidad de clasicacin errnea (pce) es:

pce = P(R2|1)P(1) + P(R1|2)P(2)

Clasificacin en grupos poblacionales

Discriminacin lineal

Sean 1, 2 los vectores de medias de las variables en 1, 2,

respectivamente, y supongamos que la matriz de covarianzas es comn. Las
distancias de Mahalanobis de las observaciones x = (x1, ,xp) de un individuo
a las poblaciones son

M2(x,i) = (x i)1(x i),

Un criterio o regla de Clasicacin consisten en asignar a la poblacin ms

prxima:

Si M2(x,1) < M2(x,2) asignamos a 1,

Si M2(x,2) M2(x,1) asignamos a 2

Expresando esta regla como una funcin discriminante, se tiene:

M2(x,2) M2(x,1) = (x 2)1(x 2)

(x 1)1(x 1)

= x1x + 212 2x12

x1x 111 + 2x11

= (2 1)1(2 + 1) + 2x1(1 2).

Se dene la funcin lineal discriminante:

L(x) =x 1 / 2 (1 + 2) (1 2)
Entonces

M2(x,2) M2(x,1) = 2L(x) L((1 + 2)/2)

Si L(x) > 0 asignamos a 1,

Si L(x) 0 asignamos a 2.

Mxima verosimilitud

Supongamos que f1(x); f2(x) son las densidades de x en 1, 2. La regla

discriminante de mxima verosimilitud consisten en asignar a la poblacin i
para la cual la verosimilitud de la observacin es mayor:

Si f1(x) > f2(x) asignamos a 1,

Si f1(x) < f2(x) asignamos a 2.

La funcin discriminante es

V (x) = logf1(x) logf2(x)

Regla de Bayes

En ciertas situaciones, se conocen las probabilidades a priori de que

pertenezca a cada una de las poblaciones:

q1 = P(1),

q2 = P(2),

q1 + q2 = 1

La regla discriminante de Bayes consiste en asignar a la poblacin i para la

que P() i|x) es mxima.

P(1|x) > P(2|x) asignamos 1,

P(1|x) < P(2|x) asignamos 2

La regla de Bayes tiene asociada la siguiente funcin discriminante, que se
conoce como discriminador de Bayes:

B(x) = logf1(x) logf2(x) + log(q1/q2)

Clasicacin en poblaciones normales

Supongamos ahora que:

X = (X1, ,Xp) Np (1,1) en 1

X = (X1, ,Xp) Np (2,2) en 2

Es decir:

L1(x) =

|i|1/2 (2)p/2

exp1 2

(x i)t1 i (x i)

Clasicacin si los parmetros son estimados

En las aplicaciones prcticas, 1,2,1,2 son desconocidos y se debern

estimar a partir de muestras de tamaos n1, n2 de las dos poblaciones
sustituyendo 1,2 por los vectores de medias x1, x2, y 1,2 por las
matrices de covarianzas S1,S2. Si utilizamos el estimador lineal, entonces la
estimacin de ser:

L(x) =x ( x1 + x2)t S1( x1 + x2).

La distribucin muestral de L(x) es bastante complicada, pero la distribucin

asinttica es normal:

L(x) es N(+,) si x proviene de Np(1,),

L(x) es N(,) si x proviene de Np(2,),

Donde:

= (x1 + x2)tS1( x1 + x2).

Programacin lineal multicriterio

La programacin lineal maneja un enfoque clsico y ampliamente ante la

optimizacin de problemas y, especcamente, en el problema de clasicacin
de grupos de riesgo financiero. El objetivo ms especco de esta metodologa
es el de maximizar las distancias mnimas entre las observaciones y el valor
crtico. Por otra parte, tambin se busca minimizar la suma de las desviaciones
entre las observaciones y el valor crtico.

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)

ni los modelos lineales ni los modelos no lineales consideran la interaccin

entre dos o ms atributos arbitrarios en un conjunto de datos para la
clasicacin, porque se supone que las contribuciones de todos los atributos
hacia la clasicacin son la suma de las contribuciones de cada atributo
individual (pg. 174).

Programacin Lineal

El problema inicial que se quiere abordar es el de discriminar o clasicar entre

los elementos de los conjuntos con sus respectivas caractersticas segn los
clientes de las instituciones financieras. El problema puede ser descrito
formalmente como: Dados los puntos xi y los conjuntos Gj, la tarea consiste en
encontrar una transformacin lineal , y los lmites apropiados (subdivisiones
del intervalo) bL j y bU j , para caracterizar correctamente cada xi (Los lmites
bL j y bU j representan respectivamente los lmites inferior y superior para los
puntos asignados al grupo j). Por tanto la tarea es determinar un predictor lineal
o sistema de ponderacin y puntos de corte bL.

bL j xk bU j xk Gj

bL 1 < bU 1 < bL 2 < bU 2 < < bU g

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.

Grfico 1: Modelo MMD para un conjunto de datos separables.

Fuente: (Freed & Groveer, 2010, pg. 233)

 Grfico 2: Modelo MMD para un conjunto de datos no separables.

Fuente: (Freed & Groveer, 2010, pg. 245)

Caso prctico del riesgo de crdito ante una institucin financiera

Las micronanzas, estn dadas segn (Divas, 2014, pg. 88) a:

la provisin de servicios nancieros como son: prstamos, ahorro,

transferencias de recursos hacia hogares con bajos ingresos o hacia
actividades u organizaciones econmicas cuya administracin se encuentra
bajo una persona o grupo de personas emprendedoras, que se han
organizado para por medio de la autogestin, lograr objetivos econmicos que
les permita mejorar su calidad de vida.

Esta actividad, que antes era exclusiva del Estado o de instituciones no

formales, tiene actualmente la intervencin de variadas instituciones
especializadas reguladas por la Superintendencia de Bancos (SB), la
Superintendencia de Economa Popular y Solidaria (SEPS), de las no
reguladas, que estn bajo el control del Ministerio de Inclusin Econmica y
Social (MIES) a travs de la Direccin Nacional de Cooperativas.

En el ao 2004 existan 12 entidades supervisadas por la Superintendencia de

Bancos y Seguros que proporcionaban servicios micronancieros. A Diciembre
de 2015 stas ascienden a 83 instituciones nancieras dedicadas a este
negocio, entre las que se encuentran: 23 bancos privados, 45 cooperativas, 9
sociedades nancieras, 4 mutualistas y 2 entidades pblicas (Banco Nacional
de Fomento y Corporacin Financiera Nacional), evidencindose la importancia
que el sistema nanciero le ha dado a este sector cada vez con ms presencia
en el mercado. A partir de Enero de 2013 La Superintendencia de la Economa
Popular y Solidaria es la entidad reguladora de las Cooperativas de Ahorro y
Crdito.

Grfico 3: Participacin en el mercado financiero

Fuente: (Superintendencia de bancos, 2013, pg. 67)

Grfico 4: Evolucin del microcrdito

Fuente: (Superintendencia de bancos, 2013, pg. 93)

Base de Datos

Para la presente aplicacin se considera como referente la base del historial

crediticio de la IMF con fecha corte al 31/12/2015, cuya estructura es la
siguiente:

cartera comercial 21.00% que corresponde a 62,604 operaciones, cartera

microcrdito con 78.26% que equivale a 276,090 operaciones y la cartera de
consumo con el 0.74% de la cratera total, que corresponde a 2,625
operaciones. Por lo tanto, en adelante nuestro estudio se centra en la cartera
de microcrdito que es la ms representativa de la cartera total de la IMF, con
272,539 operaciones originales, de la misma que el 52.52% (143,151
operaciones) corresponden al segmento del bono de desarrollo humano. De
esta manera la poblacin de estudio se reduce al 47.48% que equivale a
129,388 operaciones (Superintendencia de bancos, 2013, pg. 274).

Grfico 5: Segmentacin del microcrdito

Fuente: (Superintendencia de bancos, 2013, pg. 48)

Seleccin de las variables explicativas del modelo

Compete ahora seleccionar las variables que explican a la variable

dependiente, es decir aquellas que determinen a un cliente como bueno o
malo. Es entonces parte crucial en la modelizacin, dado que las variables
escogidas deben ser suficientes para explicar a la variable dependiente, pero
no deben ser demasiadas tal que compliquen el modelo, es decir se aplica el
principio de parsimonia.

Anlisis de Correlaciones

Luego del estudio descriptivo de las variables, se debe realizar un anlisis de

las variables en conjunto para conocer cada uno de sus atributos, el objeto es
identificar el grado con el que pueden contribuir en el modelo para discriminar
entre buenos y malos. Adems en esta etapa se reduce el nmero de
categoras por variable, esto ltimo se explica por dos razones, cada una
asociada al tipo de variable (categrica o continua):

En el caso de las variables categricas, contar con demasiados atributos puede

agotar la muestra para cada respuesta y quitarle robustez al anlisis; adems
pueden existir atributos que no contienen informacin necesaria para suponer
que su razn buenos/malos se reproduce en el total poblacional. Los atributos
deben ser representativos en la variable, segn se indica anteriormente se
asumir como no significativa a una representatividad del 5%.

Dado que el objetivo del crdito scoring es predecir el riesgo en lugar de

explicarlo, para las variables continuas es preferible contar con un sistema en
el cual el riesgo no sea montono en estas variables, siempre que esto permita
una mejor prediccin del mismo. Puesto que no siempre es posible decir que al
crecer una variable continua el riesgo es mayor o menor, muchas veces el
riesgo se relaciona a agrupaciones de la variable, por ejemplo, en la variable
edad, se puede caracterizar a los clientes menores a 25 aos como malos, a
los clientes entre 25 y 55 aos como buenos, y a los mayores a 65 nuevamente
como malos; en tal caso no existe una relacin creciente o decreciente
definida. Las relaciones que permiten predecir el riesgo, en base a variables
continuas, son en su mayora como la explicada en el ejemplo anterior. Por ello
es ms eficiente identificar las posibles agrupaciones de la variable y la
asignacin bueno/malo esperada, a incluir directamente la variable continua.

Las variables explicativas a ser incluidas en el modelo discriminante deben

estar altamente correlacionadas con la variable dependiente del modelo
(Indicador B/M); por tal razn es necesario determinar si la variable indicador
buenos/Malos depende o no de las variables explicativas, para tal !n se
utilizaron rboles de decisin, conocidos tambin como algoritmos de particin
recursiva.

La seleccin de las variables y de sus puntos de corte para hacer las

divisiones, regla de particin.

La asignacin de los nodos terminales a categora Bueno o Malo, decisin de

asignacin. Con esto se determina cual es el signo esperado de la variable.

La decisin de asignacin se toma en funcin de la proporcionalidad de las

categoras Bueno-Malo en el nodo inicial, normalmente se asigna el nodo como
bueno, si la proporcionalidad se mantiene o se concentra en la categora de
Buenos; por ejemplo si la proporcionalidad inicial es 70/30, un nodo ser
considerado como bueno si existe una concentracin en la categora de
Buenos mayor a la original.

Grfico 6: rbol de decisin

Elaborado por: Alexander Angulo

Resultados del planteamiento estadstico

El objetivo de este mtodo es seleccionar, entre el conjunto de variables, las

variables ms significativas para determinar la funcin discriminante lineal de
Fisher. La siguiente muestra las variables ms significativas dadas por el
procedimiento paso a paso utilizando el test Lambda de Wilks.

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.

Grfico 7: Procedimiento de las variables

Elaborado por: Alexander Angulo

Grfico 8: Funcin de la descriminalizacin lineal

Elaborado por: Alexander Angulo

Resultados de los modelos basados en programacin lineal

Los diferentes algoritmos fueron implementados en solver GAMS 24.4.1 por la

facilidad de su lenguaje para la programacin.

Grfico 9: Peso de las variables

Elaborado por: Alexander Angulo

Por lo tanto, la regla de clasificacin es:

yi = 0 si el cliente i es clasificado correctamente

yi = b 1, si el cliente i es clasificado errneamente

Grfico 10: Curva del modelo

Elaborado por: Alexander Angulo

El modelo proporcionan resultados ptimos en la clasificacin de clientes de
una entidad financiera, y que estos son semejantes a los conseguidos con los
mtodos tradicionales, por lo que su aplicacin contribuye a un anlisis
financiero ms eficiente y preciso dentro de la institucin con un indicador de
85.99%.
 CONCLUSIONES Y RECOMENDACIONES

Conclusiones

Los modelos de optimizacin respaldados en la teora de la

programacin lineal dentro de la presente investigacin se justifican por
la validacin de mltiples supuestos en los mtodos estadsticos
discriminantes tradicionales. Estos supuestos son: normalidad de la
distribucin, la homogeneidad de la matriz de varianza-covarianza,
tamao referencial de la muestra y la ausencia de valores atpicos en la
base de datos.
La diferenciacin en algoritmos utilizados, es uno de los factores ms
importantes que se debe tomar en cuenta cuando estos algoritmos, el
costo computacional vara entre algoritmos debido a factores como
tamao de las observaciones, restricciones, parmetros o variables e
incluso el software utilizado.
Los resultados de tener un problema en la clasificacin de los datos
segn la relacin de la calificacin se debe a la mala incorporacin de
valores o que el cliente est fuera del rango de estudio de 36 meses.
De forma global se concluye que la programacin lineal es adecuada
para el estudio y prediccin de la morosidad, debido a que las
condiciones exigidas para la aplicacin del anlisis discriminante, se
verifica en lo posible en la muestra de clientes objeto del estudio, por lo
cual los resultados obtenidos son vlidos.

Recomendaciones

Los modelos de programacin lineal multicriterio y de restriccin mltiple

son de gran uso, por tanto se recomienda su implementacin en
diferentes campos de estudio, analizando otros parmetros para
controlar y minimizar diferentes tipos de errores vinculados tambin a
otras reas no necesariamente de las instituciones financieras
Investigaciones futuras deben orientarse en estudiar el desempeo de
las metodologas analizadas considerando otros tipos de escenarios o
 lneas como las tarjetas de crdito, dado que poseen un nivel an ms
alto de morosidad que los microcrditos.
Se recomienda seguir avanzando en el estudio de mtodos de
clasificacin no paramtricos (modelos de programacin lineal
multicriterio con conjuntos difusos) para evaluar el poder de prediccin
frente a los mtodos tradicionales y poder utilizarlos como herramientas
de pronstico de calificacin de riesgo.
Es pertinente escoger una ventana de muestreo bajo los parmetros
siguientes: estabilidad, madurez y representatividad. Para medir la
estabilidad se recomienda la construccin de un indicador de
comportamiento, se puede considerar una variable relevante en funcin
de los objetivos planteados, de tal forma de obtener un periodo estable
del indicador para poder hacer inferencias sobre los clientes. La
madurez debe garantizar que la cartera a analizar provea la suficiente
informacin en relacin a su tiempo de vida, como para concluir a cerca
del comportamiento crediticio del cliente, es decir, si es bueno o malo.
La representatividad hace referencia al tamao de muestra adecuado.
Se recomienda, antes de iniciar con la construccin de un modelo de
clasificacin, realizar una auditora informtica sobre los datos a ser
utilizados; con el fin de garantizar la fidelidad y la consistencia de la
informacin.
Dentro de la estructura organizacional de la institucin microfinanciera,
se debe incluir un departamento de generacin de informacin (data
warehouse), para que trabaje de manera conjunta con el departamento
de riesgo, pues sin la informacin pertinente y confiable no se pueden
realizar anlisis ni modelos para la administracin de riesgos.
Finalmente, hay que recalcar que a pesar de que los modelos de
clasificacin basados en programacin lineal analizados en este estudio
se han aplicado directamente en el descubrimiento del conocimiento
para la gestin de la cartera de crdito, se pueden utilizar en la
investigacin biomdica, farmacutica y el anlisis de ADN; en las
telecomunicaciones, la salud, industrias para la gestin de fraude; y en
las industrias para el anlisis de marketing.
 AUTOEVALUACIN

1.- Cul es la meta del sistema financiero?

La meta principal del sistema nanciero manejar un alto grado de regulacin

para el buen funcionamiento del sistema, la misma que se basa en la solvencia
de las entidades nancieras, desarrollando mltiples normativas que tratan de
salvaguardar este objetivo.

2.- Cual es el objetivo del anlisis discriminante lineal?

El objetivo del anlisis discriminante es clasicar una observacin o varias

observaciones, en estos grupos conocidos.

3.- Que maneja la programacin multicriterio?

La programacin lineal maneja un enfoque clsico y ampliamente ante la

optimizacin de problemas y, especcamente, en el problema de clasicacin
de grupos de riesgo financiero.

4.- En base de que est dada la programacin?

la provisin de servicios nancieros como son: prstamos, ahorro,

transferencias de recursos hacia hogares con bajos ingresos o hacia
actividades u organizaciones econmicas cuya administracin se encuentra
bajo una persona o grupo de personas emprendedoras, que se han organizado
para por medio de la autogestin, lograr objetivos econmicos que les permita
mejorar su calidad de vida.

5.- Quien propuso el modelo MMD (Maximize the Minimun of

Deviations)?

Freed & Groveer en 1979

6.- De cuantos meses es el pazo financiero para estudio de carteras?

36 meses
7.- Qu programa se utiliz para la programacin?

Solver GAMS 24.4.1

8.- De cunto es la eficiencia del programa aqu ejecutado?

85.99%.

9.- Slo los bancos pueden emitir microcrditos?

No

10.- Determine dos variables que investiga una institucin financiera de

un cliente antes de emitir un crdito?

Ingresos
Edad
 BIBLIOGRAFA

Ceballos, Francisco Javier. (2006). Java 2 curso de programacin. Madrid.:

Alfaomega.

Cesare, A. (2014). Aplicacin de programacin financiera. Mxico D.F.: Quetzal

ediciones.

Divas, C. (2014). Microfinanzas. Quito - Ecuador: Panzaleo ediciones.

Freed & Groveer. (2010). Programacin lineal. Estados Unidos: Quinn

ediciones.

Griler, K. (2015). Sistemas computarizados de gestin. Estados Unidos:

Harvard.

Joyanes Aguilar, Luis. (2003). Fundamentos de programacin algoritmos

estructuras de datos y objetos. Madrid: McGraw-Hill.

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

Reus, m. (2014). Sistemas multivariantes. Estados Unidos: Harvard ediciones

acadmicas.

Superintendencia de bancos. (2013). Indicadores de mercado. Quito - Ecuador:

Superintendencia de bancos.

Vallejo, A. (2014). La estructura academica investigativa. Quito - Ecuador:

Ciespal.

Vela, C. (2014). Sistemas financieros. Lima - Per: Atlas ediciones.