Mostrar el registro sencillo del ítem

Diseño de una metodología para la asignación de controles de inversión

dc.contributor.advisorÁbrego Pérez, Adriana Lourdes
dc.contributor.advisorSolano Blanco, Alfaima Lucia
dc.contributor.authorRincón Beltrán, Cindy Melissa
dc.contributor.authorPinilla Mesa, Laura Irene
dc.contributor.authorManrique Sánchez, Arnold Javier
dc.date.accessioned2023-01-10T21:27:38Z
dc.date.available2023-01-10T21:27:38Z
dc.date.issued2022-12-14
dc.identifier.urihttp://hdl.handle.net/1992/63648
dc.descriptionEl documento incluye la metodología desarrollada para abordar la problemática, con un proceso estructurado para la toma de decisión para definir la asignación de los controles de inversión, asegurando el cumplimiento normativo, identificando aquellas obligaciones con una mayor probabilidad de incumplimiento, y haciendo eficiente la planeación de su operación cubriendo un mayor número de controles con los operadores disponibles.
dc.description.abstractEl presente proyecto analiza el proceso de asignación de controles de inversión, que tiene por objeto garantizar el cumplimiento de la normatividad impuesta por el gobierno nacional para hacer seguimiento al destino de los recursos, de acuerdo con lo celebrado en el contrato de la obligación de crédito.
dc.format.extent65 páginases_CO
dc.format.mimetypeapplication/pdfes_CO
dc.language.isospaes_CO
dc.publisherUniversidad de los Andeses_CO
dc.rights.urihttps://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
dc.titleDiseño de una metodología para la asignación de controles de inversión
dc.typeTrabajo de grado - Maestríaes_CO
dc.publisher.programMaestría en Inteligencia Analítica para la Toma de Decisioneses_CO
dc.subject.keywordModelos de predicción
dc.subject.keywordModelos de optimización
dc.publisher.facultyFacultad de Ingenieríaes_CO
dc.publisher.departmentDepartamento de Ingeniería Industriales_CO
dc.contributor.juryVillarreal Navarro, Julio Ernesto
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dc.description.degreenameMagíster en Inteligencia Analítica para la Toma de Decisioneses_CO
dc.description.degreelevelMaestríaes_CO
dc.identifier.instnameinstname:Universidad de los Andeses_CO
dc.identifier.reponamereponame:Repositorio Institucional Sénecaes_CO
dc.identifier.repourlrepourl:https://repositorio.uniandes.edu.co/es_CO
dc.relation.referencesAngarita, J. C., & Marín, R. A. (2019). Modelo de predicción de incumplimiento de pago en sector de microfinanzas - Analytics. Bogotá: Universidad de los Andes.es_CO
dc.relation.referencesShmueli, G., Bruce, P. C., Gedeck, P., & Patel, N. R. (2020). Data Mining for Business Analytics. USA: Wiley.es_CO
dc.relation.referencesTabares, A. (2022). Support Vector Machines. Bogotá.es_CO
dc.relation.referencesUCI Machine Learning. (s.f.). Red Wine Quality. Obtenido de Kaggle: https://www.kaggle.com/datasets/uciml/red-wine-quality-cortez-et-al-2009es_CO
dc.relation.referencesAcerca de Banco Agrario. (2022). Obtenido de Banco Agrario de Colombia: https://www.bancoagrario.gov.co/acerca/Paginas/default.aspxes_CO
dc.relation.referencesGnoneim, S. (22 de October de 2022). Accuracy, Recall, Precision, F-Score & Specificity, which to optimize on? Obtenido de Towards Data Science: https://towardsdatascience.com/accuracy-recall-precision-f-score- specificity-which-to-optimize-on-867d3f11124es_CO
dc.relation.referencesGaray Rodriguez, C. A. (2014). MODELO PARA MONITOREO, AJUSTE Y PREDICCIÓN DE INDICADORES DE MOROSIDAD. Bogotá.es_CO
dc.relation.referencesManrique Núñez, M. C. (Junio de 2017). Diseño de una metodología estructurada para la toma de decisiones en el Fondo Nacional de Garantías - FNG sobre la segmentación y el modelo de tarifación de comisiones para los beneficiarios de créditos garantizados. Bogotá D.C.es_CO
dc.relation.referencesLewinson, E. (8 de Agosto de 2021). Phik - get familiar with the latest correlation coefficient. Obtenido de Towards Data Science: https://towardsdatascience.com/phik-k-get-familiar-with-the-latest-correlation- coefficient-9ba0032b37e7es_CO
dc.relation.referencesRoman, V. (25 de Abril de 2019). Algoritmos Naive Bayes: Fundamentos e Implementación. Obtenido de Data Science: https://medium.com/datos-y-ciencia/algoritmos-naive-bayes-fudamentos-e- implementaci%C3%B3n-4bcb24b307fes_CO
dc.relation.referencesJames, G., Witten, D., Hastie, T., & Tibshirani, R. (2015). An Introduction to Statistical Learning. New York: Springer .es_CO
dc.relation.referencesAgropecuario, C. N. (25 de Noviembre de 2021). Resolución N° 10 de 2021. Control de los gastos o inversiones del destino del crédito agropecuario y rural . Bogotá, Colombia.es_CO
dc.relation.referencesRepública de Colombia, C. d. (29 de Marzo de 1973). LEY 5 DE 1973 - Articulo 23. capitalización del sector agropecuario y se dictan disposiciones sobre Títulos de Fomento Agropecuario, Fondo Financiero Agropecuario, Fondos Ganaderos, Prenda Agraria, Banco Comercial, deducciones y exenciones tributarias y otras materias. Bogotá.es_CO
dc.relation.referencesRepublica de Colombia, M., & Republica de Colombia, M. (07 de Octubre de 1980). DECRETO 2645 DE 1980. CAPITULO II. De la asistencia técnica y el control de inversiones - Artículo 10. Bogotá.es_CO
dc.relation.referencesColombia, S. F. (s.f.). Circular Básica Jurídica Parte II - Mercado intermediado. Título I Instrucciones generales relativas a las operaciones de los establecimientos de crédito - Capítulo. I Operaciones activas de crédito - 4.4. Desviación de recursos de créditos de fomento.es_CO
dc.relation.referencesFinagro. (Versión: 22.21 de Septiembre de Versión: 22.21). Manual de Servicios Finagro. Titulo Sexto - Compromisos, Seguimiento, Control Y Trámites de Verificación. Bogotá.es_CO
dc.relation.referencesFinagro. (Versión: 22.23). Manual de Servicios Finagro. Título 1: Crédito Agropecuario y Rural - Capítulo 1. Generalidades - 14. Plazo para ejecutar los proyectos. Bogotá.es_CO
dc.relation.referencesPenal, C. (s.f.). Artículo 311. Aplicacion fraudulenta de credito oficialmente regulado.es_CO
dc.relation.referencesSharma, A. (November de 2020). Naive Bayes with Hyperpameter Tuning. Obtenido de Kaggel: https://www.kaggle.com/code/akshaysharma001/naive-bayes-with-hyperpameter-tuninges_CO
dc.relation.referencesCorporation, C. I. (17 de 08 de 2021). Obtenido de https://www.ibm.com/docs/es/spss- modeler/saas?topic=nodes-neural-networkses_CO
dc.relation.references(s.f.). Obtenido de Machine Learning - Bootstrap Aggregation (Bagging): https://www.w3schools.com/python/python_ml_bagging.aspes_CO
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentTextes_CO
dc.type.redcolhttps://purl.org/redcol/resource_type/TM
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.subject.themesIngenieríaes_CO


Ficheros en el ítem

Nombre: Diseño de una metodología para ...

[PDF] PDF Closed Access

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem