Tesis EP Ingeniería de Sistemas

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12672/125

Browse

Browsing Tesis EP Ingeniería de Sistemas by Subject "Análisis cluster"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Detección de fraudes usando técnicas de clustering
    (Universidad Nacional Mayor de San Marcos, 2010) Cruz Quispe, Lizbeth María; Rantes García, Mónica Tahiz; Vicente de Tomás, Erick Vladimir
    El fraude con tarjetas de crédito es uno de los problemas más importantes a los que se enfrentan actualmente las entidades financieras. Si bien la tecnología ha permitido aumentar la seguridad en las tarjetas de crédito con el uso de claves PIN, la introducción de chips en las tarjetas, el uso de claves adicionales como tokens y mejoras en la reglamentación de su uso, también es una necesidad para las entidades bancarias, actuar de manera preventiva frente a este crimen. Para actuar de manera preventiva es necesario monitorear en tiempo real las operaciones que se realizan y tener la capacidad de reaccionar oportunamente frente a alguna operación dudosa que se realice. La técnica de Clustering frente a esta problemática es un método muy utilizado puesto que permite la agrupación de datos lo que permitiría clasificarlos por su similitud de acuerdo a alguna métrica, esta medida de similaridad está basada en los atributos que describen a los objetos. Además esta técnica es muy sensible a la herramienta Outlier que se caracteriza por el impacto que causa sobre el estadístico cuando va a analizar los datos.
  • Thumbnail Image
    Item
    Implementación de una herramienta de análisis de riesgo de crédito basado en el modelo de rating de crédito, algoritmos genéticos y clustering jerárquico aglomerativo
    (Universidad Nacional Mayor de San Marcos, 2017) Ramos Martinez, Henry Marcos; Sobrevilla Cabezudo, Marco Antonio
    Propone un método para generar modelos de clasificación de riesgo de crédito de acuerdo a la metodología de rating de crédito. La implementación de esta metodología requiere construir dos grandes bloques de análisis: (1) la construcción de un modelo de puntuaciones, y (2) la construcción de un modelo de agrupación de clases de riesgo. Para construir el modelo de rating, este trabajo propone el uso de dos técnicas de la inteligencia artificial: (1) el uso de algoritmos genéticos para determinar el modelo de puntuaciones óptimo, y (2) el uso de clustering jerárquico aglomerativo para la segmentación de los grupos de riesgo. Los resultados de la experimentación mostraron que la presente propuesta obtiene un buen indicador de poder de predicción (58.9%). Además, se comparó este modelo con el modelo de regresión logística (un conocido método de estimación estadística), teniendo la propuesta actual un mejor desempeño que el modelo logístico. Se concluye que las técnicas de inteligencia artificial usadas en este trabajo muestran un buen resultado para generar un modelo de rating, y tienen como ventaja la fácil interpretación de sus resultados por un experto humano.