RUN_LIBRARY <- function(){
print("Running....")
library(readxl)
library(dplyr)
library(readr)
library(sqldf)
library(writexl)
library(stringr)
library(tidyr)
library(stargazer) # Forma una imagen con una tabla
library(car)
library(haven) # tiene funciones para leer archivos .dta (provenientes de STATA)
library(GGally)
library(TTR)
library(forecast)
library(ade4)
library(mclust)
print("END...")
} #Run all libraries in script
# lIBRARY ----
RUN_LIBRARY()
## [1] "Running...."
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
## Loading required package: gsubfn
## Loading required package: proto
## Loading required package: RSQLite
##
## Please cite as:
## Hlavac, Marek (2018). stargazer: Well-Formatted Regression and Summary Statistics Tables.
## R package version 5.2.2. https://CRAN.R-project.org/package=stargazer
## Loading required package: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
## Loading required package: ggplot2
##
## Attaching package: 'GGally'
## The following object is masked from 'package:dplyr':
##
## nasa
## Package 'mclust' version 5.4.1
## Type 'citation("mclust")' for citing this R package in publications.
## [1] "END..."
# DATA ----
IMPAGOS <- read_excel("C:/Users/samora/Downloads/Modelo de Probabilidad Lineal - Impagos.xlsx",
sheet = "Modelo Binario")
names(IMPAGOS) <- c("IMPAGOS_EDAD",
"IMPAGOS_ANTIGUEDAD",
"IMPAGOS_TIEMPO_CARGO",
"IMPAGOS_INGRESOS_FAMLY",
"IMPAGOS_DEBT_CREDTCARD",
"IMPAGOS_OTHER_DEBTS",
"IMPAGOS_DAYS_NO_PAY",
"IMPAGOS_IMPAGO") # periodos de pagos, estratos
# Análisis exploratorio de datos ----
hist(IMPAGOS$IMPAGOS_EDAD)
hist(IMPAGOS$IMPAGOS_ANTIGUEDAD)
hist(IMPAGOS$IMPAGOS_TIEMPO_CARGO)
hist(IMPAGOS$IMPAGOS_INGRESOS_FAMLY)
hist(IMPAGOS$IMPAGOS_DEBT_CREDTCARD)
hist(IMPAGOS$IMPAGOS_OTHER_DEBTS)
hist(IMPAGOS$IMPAGOS_DAYS_NO_PAY)
hist(IMPAGOS$IMPAGOS_IMPAGO)
boxplot(IMPAGOS)
pairs(IMPAGOS)
ggpairs(IMPAGOS)
cov(IMPAGOS)
## IMPAGOS_EDAD IMPAGOS_ANTIGUEDAD
## IMPAGOS_EDAD 6.466462e+01 3.020831e+01
## IMPAGOS_ANTIGUEDAD 3.020831e+01 4.593971e+01
## IMPAGOS_TIEMPO_CARGO 3.326467e+01 1.610740e+01
## IMPAGOS_INGRESOS_FAMLY 3.090380e+06 3.445946e+06
## IMPAGOS_DEBT_CREDTCARD 1.437669e+06 1.659614e+06
## IMPAGOS_OTHER_DEBTS 1.754501e+04 1.813975e+04
## IMPAGOS_DAYS_NO_PAY -2.438445e+02 -3.064499e+02
## IMPAGOS_IMPAGO -1.436257e+00 -2.024966e+00
## IMPAGOS_TIEMPO_CARGO IMPAGOS_INGRESOS_FAMLY
## IMPAGOS_EDAD 3.326467e+01 3.090380e+06
## IMPAGOS_ANTIGUEDAD 1.610740e+01 3.445946e+06
## IMPAGOS_TIEMPO_CARGO 4.754125e+01 1.714188e+06
## IMPAGOS_INGRESOS_FAMLY 1.714188e+06 6.861514e+11
## IMPAGOS_DEBT_CREDTCARD 7.137368e+05 2.892077e+11
## IMPAGOS_OTHER_DEBTS 8.259252e+03 3.226851e+09
## IMPAGOS_DAYS_NO_PAY -2.125381e+02 -8.891325e+06
## IMPAGOS_IMPAGO -1.339309e+00 -1.123577e+05
## IMPAGOS_DEBT_CREDTCARD IMPAGOS_OTHER_DEBTS
## IMPAGOS_EDAD 1.437669e+06 1.754501e+04
## IMPAGOS_ANTIGUEDAD 1.659614e+06 1.813975e+04
## IMPAGOS_TIEMPO_CARGO 7.137368e+05 8.259252e+03
## IMPAGOS_INGRESOS_FAMLY 2.892077e+11 3.226851e+09
## IMPAGOS_DEBT_CREDTCARD 4.127174e+11 2.675568e+09
## IMPAGOS_OTHER_DEBTS 2.675568e+09 4.170410e+07
## IMPAGOS_DAYS_NO_PAY 2.638049e+07 1.421235e+05
## IMPAGOS_IMPAGO 4.404768e+04 1.066491e+02
## IMPAGOS_DAYS_NO_PAY IMPAGOS_IMPAGO
## IMPAGOS_EDAD -2.438445e+02 -1.436257e+00
## IMPAGOS_ANTIGUEDAD -3.064499e+02 -2.024966e+00
## IMPAGOS_TIEMPO_CARGO -2.125381e+02 -1.339309e+00
## IMPAGOS_INGRESOS_FAMLY -8.891325e+06 -1.123577e+05
## IMPAGOS_DEBT_CREDTCARD 2.638049e+07 4.404768e+04
## IMPAGOS_OTHER_DEBTS 1.421235e+05 1.066491e+02
## IMPAGOS_DAYS_NO_PAY 8.543122e+03 2.848589e+01
## IMPAGOS_IMPAGO 2.848589e+01 2.261498e-01
cor(IMPAGOS)
## IMPAGOS_EDAD IMPAGOS_ANTIGUEDAD
## IMPAGOS_EDAD 1.0000000 0.5542413
## IMPAGOS_ANTIGUEDAD 0.5542413 1.0000000
## IMPAGOS_TIEMPO_CARGO 0.5999493 0.3446641
## IMPAGOS_INGRESOS_FAMLY 0.4639471 0.6137682
## IMPAGOS_DEBT_CREDTCARD 0.2782909 0.3811418
## IMPAGOS_OTHER_DEBTS 0.3378554 0.4144269
## IMPAGOS_DAYS_NO_PAY -0.3280736 -0.4891668
## IMPAGOS_IMPAGO -0.3755785 -0.6282400
## IMPAGOS_TIEMPO_CARGO IMPAGOS_INGRESOS_FAMLY
## IMPAGOS_EDAD 0.5999493 0.4639471
## IMPAGOS_ANTIGUEDAD 0.3446641 0.6137682
## IMPAGOS_TIEMPO_CARGO 1.0000000 0.3001326
## IMPAGOS_INGRESOS_FAMLY 0.3001326 1.0000000
## IMPAGOS_DEBT_CREDTCARD 0.1611300 0.5434674
## IMPAGOS_OTHER_DEBTS 0.1854881 0.6032254
## IMPAGOS_DAYS_NO_PAY -0.3334979 -0.1161310
## IMPAGOS_IMPAGO -0.4084578 -0.2852297
## IMPAGOS_DEBT_CREDTCARD IMPAGOS_OTHER_DEBTS
## IMPAGOS_EDAD 0.2782909 0.33785541
## IMPAGOS_ANTIGUEDAD 0.3811418 0.41442688
## IMPAGOS_TIEMPO_CARGO 0.1611300 0.18548810
## IMPAGOS_INGRESOS_FAMLY 0.5434674 0.60322538
## IMPAGOS_DEBT_CREDTCARD 1.0000000 0.64491160
## IMPAGOS_OTHER_DEBTS 0.6449116 1.00000000
## IMPAGOS_DAYS_NO_PAY 0.4442712 0.23810484
## IMPAGOS_IMPAGO 0.1441779 0.03472719
## IMPAGOS_DAYS_NO_PAY IMPAGOS_IMPAGO
## IMPAGOS_EDAD -0.3280736 -0.37557852
## IMPAGOS_ANTIGUEDAD -0.4891668 -0.62824004
## IMPAGOS_TIEMPO_CARGO -0.3334979 -0.40845783
## IMPAGOS_INGRESOS_FAMLY -0.1161310 -0.28522972
## IMPAGOS_DEBT_CREDTCARD 0.4442712 0.14417785
## IMPAGOS_OTHER_DEBTS 0.2381048 0.03472719
## IMPAGOS_DAYS_NO_PAY 1.0000000 0.64807217
## IMPAGOS_IMPAGO 0.6480722 1.00000000
summary(IMPAGOS)
## IMPAGOS_EDAD IMPAGOS_ANTIGUEDAD IMPAGOS_TIEMPO_CARGO
## Min. :20.00 Min. : 0.000 Min. : 0.000
## 1st Qu.:29.00 1st Qu.: 3.000 1st Qu.: 3.000
## Median :34.00 Median : 7.000 Median : 7.000
## Mean :35.03 Mean : 8.566 Mean : 8.372
## 3rd Qu.:41.00 3rd Qu.:13.000 3rd Qu.:12.000
## Max. :56.00 Max. :33.000 Max. :34.000
## IMPAGOS_INGRESOS_FAMLY IMPAGOS_DEBT_CREDTCARD IMPAGOS_OTHER_DEBTS
## Min. : 308000 Min. : 3024 Min. : 95
## 1st Qu.: 572000 1st Qu.: 117936 1st Qu.: 1995
## Median : 770000 Median : 267624 Median : 3810
## Mean :1045899 Mean : 477529 Mean : 5850
## 3rd Qu.:1226500 3rd Qu.: 574560 3rd Qu.: 7420
## Max. :9812000 Max. :6217344 Max. :66880
## IMPAGOS_DAYS_NO_PAY IMPAGOS_IMPAGO
## Min. : 0.0432 Min. :0.0000
## 1st Qu.: 16.4259 1st Qu.:0.0000
## Median : 61.7454 Median :1.0000
## Mean : 93.0874 Mean :0.6553
## 3rd Qu.:146.6370 3rd Qu.:1.0000
## Max. :359.7840 Max. :1.0000
which(is.na(IMPAGOS))
## integer(0)
# Análisis de componenetes principales ----
SCALE_IMPAGOS <- scale(IMPAGOS)
ACP_IMPAGOS <- prcomp(SCALE_IMPAGOS)
summary(ACP_IMPAGOS)
## Importance of components:
## PC1 PC2 PC3 PC4 PC5 PC6
## Standard deviation 1.8598 1.4927 0.9135 0.64605 0.61618 0.57243
## Proportion of Variance 0.4323 0.2785 0.1043 0.05217 0.04746 0.04096
## Cumulative Proportion 0.4323 0.7108 0.8152 0.86733 0.91479 0.95574
## PC7 PC8
## Standard deviation 0.51561 0.29696
## Proportion of Variance 0.03323 0.01102
## Cumulative Proportion 0.98898 1.00000
DES_IMPAGOS <- ACP_IMPAGOS[[1]]
DES_IMPAGOS
## [1] 1.8597613 1.4926644 0.9134951 0.6460514 0.6161757 0.5724266 0.5156086
## [8] 0.2969648
VARIANZA_IMPAGOS <- DES_IMPAGOS^2
VARIANZA_IMPAGOS
## [1] 3.45871216 2.22804699 0.83447335 0.41738248 0.37967244 0.32767218
## [7] 0.26585228 0.08818812
CP1_IMPAGOS <- ACP_IMPAGOS[[2]][,1]
CP2_IMPAGOS <- ACP_IMPAGOS[[2]][,2]
CP3_IMPAGOS <- ACP_IMPAGOS[[2]][,3]
COMPO_PRINCIPL <- cbind(CP1_IMPAGOS, CP2_IMPAGOS, CP3_IMPAGOS)
individuos <- ACP_IMPAGOS$x[,1:3]
# Analizando primer y segundo componente principal
x11()
s.corcircle(COMPO_PRINCIPL[,-3], sub = "CP1_IMPAGOS y CP2_IMPAGOS", possub = "topright")
x11()
s.label(individuos[,-3], label = row.names(IMPAGOS), sub = "Coordenadas de los individuos", possub = "topright")
# Analizando primer y tercer componente principal
x11()
s.corcircle(COMPO_PRINCIPL[,-2], sub = "CP1_IMPAGOS y CP3_IMPAGOS", possub = "topright")
x11()
s.label(individuos[,-2], label = row.names(IMPAGOS), sub = "Coordenadas de los individuos", possub = "topright")
# Analizando tercer y segundo componente principal
x11()
s.corcircle(COMPO_PRINCIPL[,-1], sub = "CP3_IMPAGOS y CP2_IMPAGOS", possub = "topright")
x11()
s.label(individuos[,-1], label = row.names(IMPAGOS), sub = "Coordenadas de los individuos", possub = "topright")
# Analisis por medio de Cluster sin variables categoricas (K-MEANS CLUSTERING)----
plot(IMPAGOS)
IMPAGOS_SCALED <- scale(IMPAGOS[,-8])
## CLUSTERING
FIT_K <- kmeans(IMPAGOS_SCALED, 3)
str(FIT_K)
## List of 9
## $ cluster : int [1:850] 2 1 3 3 1 1 2 3 1 1 ...
## $ centers : num [1:3, 1:7] -0.728 1.024 0.664 -0.637 1.372 ...
## ..- attr(*, "dimnames")=List of 2
## .. ..$ : chr [1:3] "1" "2" "3"
## .. ..$ : chr [1:7] "IMPAGOS_EDAD" "IMPAGOS_ANTIGUEDAD" "IMPAGOS_TIEMPO_CARGO" "IMPAGOS_INGRESOS_FAMLY" ...
## $ totss : num 5943
## $ withinss : num [1:3] 1007 1040 1329
## $ tot.withinss: num 3376
## $ betweenss : num 2567
## $ size : int [1:3] 423 68 359
## $ iter : int 3
## $ ifault : int 0
## - attr(*, "class")= chr "kmeans"
plot(IMPAGOS, col = FIT_K$cluster)
## CHOOSING K
k <- list()
for (i in 1:10) {
k[[i]] <- kmeans(IMPAGOS_SCALED, i)
}
BETWEEN_TOTSS <- list()
for (i in 1:10) {
BETWEEN_TOTSS[[i]] <- k[[i]]$betweenss / k[[i]]$totss
}
plot(1:10, BETWEEN_TOTSS, type = "b",
ylab = "Between SS / Total SS", xlab = "Clusters (k)")
for (i in 1:4){
plot(IMPAGOS, col = k[[i]]$cluster)
}
# Analisis por medio de Cluster sin variables categoricas (HIRACHICAL CLUSTERING)----
d <- dist(IMPAGOS_SCALED)
FIT_H <- hclust(d, "ward.D2")
plot(FIT_H)
rect.hclust(FIT_H, k = 3, border = "red")
clusters <- cutree(FIT_H, 3)
plot(IMPAGOS, col = clusters)
# MODEL-BASED CLUSTERING ----
FIT_M <- Mclust(IMPAGOS_SCALED)
plot(FIT_M)
# DENSITY-BASED CLUSTERING----
# Modelo probit -----
MODELO_1 <- lm(IMPAGOS$IMPAGOS_IMPAGO ~ IMPAGOS_EDAD + IMPAGOS_ANTIGUEDAD + IMPAGOS_TIEMPO_CARGO + IMPAGOS_INGRESOS_FAMLY + IMPAGOS_DEBT_CREDTCARD + IMPAGOS_OTHER_DEBTS + IMPAGOS_DAYS_NO_PAY,
data = IMPAGOS)
summary(MODELO_1)
##
## Call:
## lm(formula = IMPAGOS$IMPAGOS_IMPAGO ~ IMPAGOS_EDAD + IMPAGOS_ANTIGUEDAD +
## IMPAGOS_TIEMPO_CARGO + IMPAGOS_INGRESOS_FAMLY + IMPAGOS_DEBT_CREDTCARD +
## IMPAGOS_OTHER_DEBTS + IMPAGOS_DAYS_NO_PAY, data = IMPAGOS)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.89062 -0.19242 0.03475 0.22603 0.83426
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.656e-01 6.113e-02 15.796 < 2e-16 ***
## IMPAGOS_EDAD 3.989e-03 1.767e-03 2.257 0.024263 *
## IMPAGOS_ANTIGUEDAD -5.193e-02 2.849e-03 -18.225 < 2e-16 ***
## IMPAGOS_TIEMPO_CARGO -1.811e-02 1.882e-03 -9.618 < 2e-16 ***
## IMPAGOS_INGRESOS_FAMLY -6.319e-08 1.812e-08 -3.487 0.000514 ***
## IMPAGOS_DEBT_CREDTCARD 2.959e-07 3.004e-08 9.849 < 2e-16 ***
## IMPAGOS_OTHER_DEBTS 1.317e-05 2.282e-06 5.772 1.1e-08 ***
## IMPAGOS_DAYS_NO_PAY -6.369e-05 2.217e-04 -0.287 0.773933
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2889 on 842 degrees of freedom
## Multiple R-squared: 0.6341, Adjusted R-squared: 0.6311
## F-statistic: 208.5 on 7 and 842 DF, p-value: < 2.2e-16
hist(MODELO_1$residuals)
MODELO_2 <- lm(IMPAGOS$IMPAGOS_IMPAGO ~ IMPAGOS_EDAD + IMPAGOS_ANTIGUEDAD + IMPAGOS_TIEMPO_CARGO + IMPAGOS_INGRESOS_FAMLY + IMPAGOS_DEBT_CREDTCARD,
data = IMPAGOS)
summary(MODELO_2)
##
## Call:
## lm(formula = IMPAGOS$IMPAGOS_IMPAGO ~ IMPAGOS_EDAD + IMPAGOS_ANTIGUEDAD +
## IMPAGOS_TIEMPO_CARGO + IMPAGOS_INGRESOS_FAMLY + IMPAGOS_DEBT_CREDTCARD,
## data = IMPAGOS)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.77295 -0.19478 0.03899 0.22086 0.76628
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.435e-01 5.042e-02 18.713 < 2e-16 ***
## IMPAGOS_EDAD 4.802e-03 1.792e-03 2.679 0.00752 **
## IMPAGOS_ANTIGUEDAD -5.118e-02 2.051e-03 -24.958 < 2e-16 ***
## IMPAGOS_TIEMPO_CARGO -1.836e-02 1.834e-03 -10.015 < 2e-16 ***
## IMPAGOS_INGRESOS_FAMLY -2.911e-08 1.732e-08 -1.681 0.09313 .
## IMPAGOS_DEBT_CREDTCARD 3.480e-07 1.880e-08 18.514 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2945 on 844 degrees of freedom
## Multiple R-squared: 0.6188, Adjusted R-squared: 0.6166
## F-statistic: 274 on 5 and 844 DF, p-value: < 2.2e-16
hist(MODELO_2$residuals)
MODELO_3 <- lm(IMPAGOS$IMPAGOS_IMPAGO ~ IMPAGOS_EDAD + IMPAGOS_ANTIGUEDAD + IMPAGOS_TIEMPO_CARGO + IMPAGOS_INGRESOS_FAMLY,
data = IMPAGOS)
summary(MODELO_3)
##
## Call:
## lm(formula = IMPAGOS$IMPAGOS_IMPAGO ~ IMPAGOS_EDAD + IMPAGOS_ANTIGUEDAD +
## IMPAGOS_TIEMPO_CARGO + IMPAGOS_INGRESOS_FAMLY, data = IMPAGOS)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.88763 -0.17473 0.04137 0.21983 1.27374
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.329e-01 5.975e-02 15.614 < 2e-16 ***
## IMPAGOS_EDAD 5.480e-03 2.124e-03 2.580 0.01 *
## IMPAGOS_ANTIGUEDAD -4.878e-02 2.426e-03 -20.112 < 2e-16 ***
## IMPAGOS_TIEMPO_CARGO -1.925e-02 2.172e-03 -8.862 < 2e-16 ***
## IMPAGOS_INGRESOS_FAMLY 1.047e-07 1.865e-08 5.610 2.74e-08 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.349 on 845 degrees of freedom
## Multiple R-squared: 0.464, Adjusted R-squared: 0.4615
## F-statistic: 182.9 on 4 and 845 DF, p-value: < 2.2e-16
hist(MODELO_3$residuals)
MODELO_4 <- lm(IMPAGOS$IMPAGOS_IMPAGO ~ IMPAGOS_EDAD + IMPAGOS_ANTIGUEDAD + IMPAGOS_TIEMPO_CARGO + IMPAGOS_DEBT_CREDTCARD,
data = IMPAGOS)
summary(MODELO_4)
##
## Call:
## lm(formula = IMPAGOS$IMPAGOS_IMPAGO ~ IMPAGOS_EDAD + IMPAGOS_ANTIGUEDAD +
## IMPAGOS_TIEMPO_CARGO + IMPAGOS_DEBT_CREDTCARD, data = IMPAGOS)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.73104 -0.18354 0.03938 0.21874 0.75323
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.458e-01 5.046e-02 18.744 <2e-16 ***
## IMPAGOS_EDAD 4.421e-03 1.780e-03 2.484 0.0132 *
## IMPAGOS_ANTIGUEDAD -5.261e-02 1.871e-03 -28.121 <2e-16 ***
## IMPAGOS_TIEMPO_CARGO -1.847e-02 1.835e-03 -10.067 <2e-16 ***
## IMPAGOS_DEBT_CREDTCARD 3.348e-07 1.710e-08 19.578 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.2948 on 845 degrees of freedom
## Multiple R-squared: 0.6175, Adjusted R-squared: 0.6157
## F-statistic: 341.1 on 4 and 845 DF, p-value: < 2.2e-16
hist(MODELO_4$residuals)
# FUCNION DE PREDICCION ----
PROBABILIDAD_IMPAGO <- function(edad, antiguedad, tiempo_cargo, deuda_tarjetas, IC = 0.95) {
new_data <- data.frame(edad, antiguedad, tiempo_cargo, deuda_tarjetas)
names(new_data) <- names(IMPAGOS)[c(1:3,5)]
print(paste0("A ingresado una persona con: ",
edad, " años, ",
antiguedad, " años de antiguedad en la empresa, ",
tiempo_cargo, " años de tiempo en el cargo, ",
deuda_tarjetas, " de deuda en la tarjera de crédito"))
if(!is.numeric(edad)) stop("El valor de edad no es un número")
if(!is.numeric(antiguedad)) stop("El valor de antiguedad no es un número")
if(!is.numeric(tiempo_cargo)) stop("El valor del tiempo en el cargo no es un número")
if(!is.numeric(deuda_tarjetas)) stop("El valor de las deudas en las Tarjetas de crédito no es un número")
resultado <- forecast(MODELO_4, newdata = new_data,level = IC)
if (resultado$mean > 1) {
return(print("La probabilidad que pague es mayor al 100%"))
} else {
sentence <- paste0("La probabilidad de pago se encuentra entre el ",
round(resultado$lower, digits = 2) * 100,
"% y el ",
round(resultado$upper, digits = 2) * 100,
"%. Se estima que tiene una probabilidad de pago del ",
round(resultado$mean, digits = 2) * 100,
"% con un nivel de confianza del ", resultado$level, "%")
return(sentence)
}
}
PROBABILIDAD_IMPAGO(40,10, 10, 1200000, IC = 0.99)
## [1] "A ingresado una persona con: 40 años, 10 años de antiguedad en la empresa, 10 años de tiempo en el cargo, 1200000 de deuda en la tarjera de crédito"
## [1] "La probabilidad de pago se encuentra entre el 5% y el 158%. Se estima que tiene una probabilidad de pago del 81% con un nivel de confianza del 99%"
PROBABILIDAD_IMPAGO(40, 10, 10, 1200000)
## [1] "A ingresado una persona con: 40 años, 10 años de antiguedad en la empresa, 10 años de tiempo en el cargo, 1200000 de deuda en la tarjera de crédito"
## [1] "La probabilidad de pago se encuentra entre el 23% y el 139%. Se estima que tiene una probabilidad de pago del 81% con un nivel de confianza del 95%"