Sisniegas Gonzales, ManuelGil Murrugarra, Félix Humberto8/7/2017 18/7/2017 12012https://hdl.handle.net/20.500.14414/8364In this research, we state the properties of nonparametric estimation method on a model of "disease - Death" Markov process. This model has three states 1, 2 and 3 for "health", "illness" and "death" respectively and only supports transitions 1 → 2.1 → 3.2 → 3, this process is also called the Markov because the probability of transition from one state to another is independent of the time spent in the initial state_x000D_ To apply this model to the database defaulters Sedalib company, raised the following question: "How is the delinquent behavior of users by a Markov process" disease - death "applied to a database SA firm Sedalib January - September 2012?. Since this question was raised the overall goal, described as: "Determining the delinquent behavior of users by a Markov process" disease - death "applied to a database company Sedalib SA January - September 2012. ". The specific goals were: (1) To estimate the risk of a customer defaulting regularization given enforcement action, and residence times of delinquent customer until the occurrence of regularization or enforcement action, (2) Find the probability accumulated delinquent clients who underwent coercive action in the field of study scenarios and their probability accumulated regularization and rate risk. (3) Develop a computer model in the program R_x000D_ In the application of the "Disease - Death" Markov process with a customer base of Sedalib SA intervals are considered censored coercive actions of customers, and the loss of transition states for regularization. Modeling handover times and allies claim under a Markov process "Illness - Death" censored intervals and loss of intermediate transition states, increases the accuracy of the estimates of the time and risk functions. Also, to obtain estimators has developed a program in the R language that works on the hypothesis of transition and final states do not allow returns for intermediate states._x000D_ The conclusions reached in the work are described as follows: (1) The hazard rate estimated from 23 model is small, interpreted this as the expected user performing an enforcement action is transferred to the regularized status, enforcement actions will result rather a protective factor, may be favorable to allow someone Sedalib enforcement action. (2) The behavior of the hazard function 23, i.e., no adjustment to risk, also has a curved segment where the slope is maximum, which is explained by an increase in the risk of progression to stabilize, since enforcement action, during the month of May. The cumulative probability of defaulting customers have qualified as an enforcement action has an average of 0.16, while the cumulative probability of regularization is greater than the cumulative rate regularizing after enforcement action. It can be_x000D_ ix_x000D_ concluded that enforcement actions have a positive effect for the company because the customer always attempt to regularize their status moroso.Y client, (3) the computational model presented here in the form of a flow chart and implemented in the R language, as shown in the appendices, have yielded values for the estimators under study. A limiting aspect of the model is that it has worked on a closed population, which by definition could have a significant impact on obtaining the values of the estimators. Also, the computational model works on the hypothesis of transitions to the final state and not allow returns for intermediate statEn el presente trabajo, se estudian las propiedades del método de estimación no paramétrico en un modelo de "Enfermedad - Muerte" de proceso de Markov. Este modelo posee tres estados 1, 2 y 3 correspondientes a "salud", "enfermedad" y "muerte" respectivamente y solo admite las transiciones de , asimismo a este proceso se le denomina de Markov porque la probabilidad de transición de un estado a otro es independiente del tiempo de permanencia en el estado inicial_x000D_ Para aplicar este modelo a la base de datos de clientes morosos de la empresa Sedalib, se planteó la siguiente pregunta: “¿Cómo es el comportamiento de los usuarios morosos mediante un proceso de Markov: “enfermedad – muerte” aplicado a una base de datos de la empresa de SEDALIB S.A. Enero - Setiembre 2012? A partir de esta interrogante se planteó el objetivo general, descrito como: “Determinar el comportamiento de los usuarios morosos mediante un proceso de Markov: “enfermedad – muerte” aplicado a una base de datos de la empresa de SEDALIB S.A. Enero - Setiembre 2012”. Los objetivos específicos fueron: (1) Estimar el riesgo de la regularización de un cliente moroso dado la acción coercitiva, así como los tiempos de permanencia del cliente moroso hasta la ocurrencia de la acción coercitiva o la regularización., (2) Hallar la probabilidad acumulada a clientes morosos a quienes se realizó la acción coercitiva en los escenarios materia de estudios así como su probabilidad acumulada de regularización y tasa de riesgo. (3) Elaborar un modelo computacional en el programa R_x000D_ En la aplicación del modelo "Enfermedad - Muerte" de proceso de Markov: a una base de clientes de SEDALIB S.A. se consideran los intervalos censurados a las acciones coercitivas de los clientes, así como la pérdida de estados de transición para las regularizaciones. Modelar los tiempos de traspaso y de reclamo de los aliados bajo un proceso de Markov "Enfermedad - Muerte" con intervalos censurados y pérdida de estados de transición intermedia, aumenta la precisión de los estimadores de las funciones de tiempo y riesgo. Así mismo, para la obtención de los estimadores se ha elaborado un programa en el lenguaje R que trabaja sobre la hipótesis de transición a estados finales y no se permiten retornos a los estados intermedios._x000D_ vii_x000D_ Las conclusiones a las que se ha llegado en el siguiente trabajo quedan descritas como: (1) La tasa de riesgo_x000D_ _x000D_ 23 estimada a partir del modelo es pequeña, interpretándose ésta como el esperado de que un usuario que realiza una acción coercitiva se traspase a la condición de regularizado; las acciones coercitivas resultaran más bien un factor de protección, pudiendo ser hasta favorable para Sedalib que un usuario tenga acción coercitiva. (2) El comportamiento de la función de riesgo  23, es decir, riesgo a la no regularización, también posee un segmento de curva donde la pendiente es máxima, lo que estará explicado por un incremento en el riesgo de transición a la regularización, dado la acción coercitiva, durante el mes de mayo. La probabilidad acumulada de los clientes calificados como moroso tengan una acción coercitiva tiene un promedio de 0.16, mientras que la probabilidad acumulada de que se regularice es mayor que la tasa acumulada de regularizar luego de la acción coercitiva. Se puede concluir entonces que las acciones coercitivas tienen un efecto positivo para la empresa pues el cliente siempre intentará regularizar su condición de cliente moroso. Y, (3) el modelo computacional aquí presentado en forma de diagrama de flujo e implementado en el lenguaje R, tal como se muestra en los apéndices, han permitido obtener valores para los estimadores objeto de estudio. Un aspecto limitativo del modelo es que se ha trabajado sobre una población cerrada, la cual por definición podría tener un impacto considerable en la obtención de los valores de los estimadores. Así mismo, el modelo computacional, trabaja sobre la hipótesis de transiciones al estado final y no se permiten retornos a los estados intermediosspainfo:eu-repo/semantics/openAccessEnfermedad, Intervalo censurado, Markov, Muerteinfo:eu-repo/semantics/bachelorThesis