Professional Documents
Culture Documents
LITERARIA
Models and methodologies for credit scoring in personal banking: A literature review
Daniel Cardona-Valencia
Especialista en Finanzas y Mercado de Capitales. Instituto Tecnológico Metropolitano. Medellín-Colombia,
danielcardona@itm.edu.co
Resumen Abstract
Este trabajo pretende aportar literariamente This paper provides a literature review on risk
una revisión de los modelos para la calificación scoring models for credit granting in personal
del riesgo crediticio (modelos de Credit Score) banking. The methods by Abdou & Pointon
utilizados en el otorgamiento de crédito (2011), Glennon, Kiefer, Larson, & Choi (2008),
personal; teniendo en cuenta los métodos de and Saavedra-García (2010) are considered.
Abdou & Pointon (2011); Glennon, Kiefer, The aim is to create a sorting scheme to explain
Larson, & Choi (2008); Saavedra-García & the multiple mathematical and econometrical
Saavedra-García (2010), se pretende crear un models used for credit scoring and to produce
esquema de orden para explicar los múltiples an up-to-date list supported by scholars and
modelos matemáticos y econométricos experts in the field.
utilizados en el credit score, con el fin de
generar un listado actualizado que esté Keywords: discriminant analysis, credit score,
sustentado por académicos y expertos en el parametric models, non-parametric models,
tema. semiparametric models.
Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28 13
Modelos y metodologías de credit score para personas naturales: una revisión Literaria
14 Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28
David Esteban Rodríguez-Guevara / Jairo Alfonso Becerra-Arévalo / Daniel Cardona-Valencia
«La gestión de riesgos es fundamental discriminando los usos y los enfoques en que se
para cualquier empresa cuya desenvuelven.
rentabilidad de negocio esté
íntimamente ligada a los riesgos que García Sánchez & Sánchez Barradas (2005)
asume. Cualquier entidad económica explican que los modelos de credit score se
necesita identificar, valorar y cuantificar pueden referenciar en: modelos tradicionales y
su exposición al riesgo, optimizando al en los modelos de enfoque moderno.
mismo tiempo la rentabilidad, que se
traslada directamente al cliente Los modelos tradicionales, son caracterizados
mediante unos precios más competitivos por análisis de expertos que se enfocan en el
y la generación de mayores beneficios». «Carácter, Capital, Capacidad, Colateral y
Ciclo», y si bien estos modelos son
Credit Score y su uso para empresas normalmente usados de manera intuitiva, el
autor indica que pueden llegar a ser
Según Thomas, Edelman & Crook (2002), las difícilmente aplicables entre los clientes,
entidades financieras al momento de evaluar la definiendo el hecho que las características por
capacidad crediticia de sus clientes siempre cada cliente hacen difícil su aplicación.
tienen en cuenta variables de tipo cualitativo y Mientras, que los modelos de enfoque
cuantitativo, pero, dependiendo de las moderno, son de aplicación matemática, como
necesidades y del uso que se deba dar dichas los modelos Z-Score, modelos Z, modelos de
variables desentenderán del tipo de empresa a respuesta binaria, Creditmetrics y VaR (Value at
la que se le hará el estudio. Risk).
Los estudios de personas naturales toman Gutiérrez Girault (2007) realiza una relación
entonces variables enfocadas a las totalmente directa para identificación de credit
características de la persona, la descripción del score mostrando que los modelos más usados
ser resultando en una infinidad de variables para las entidades bancarias son: análisis
cualitativas (por ejemplo: genero, estrato, tipo discriminante, regresión lineal, regresión
de vivienda, municipalidad, raza), o logística, modelos Probit, modelos Logit,
cuantitativas (por ejemplo: ingresos, egresos, métodos no paramétricos de suavizado,
patrimonio, salario, número de personas a métodos de programación matemática,
cargo, número de vehículos); mientras que un modelos basados en cadenas de Markov,
estudio de credit score para una persona algoritmos de particioamiento recursivo
jurídica, como lo muestra Gonçalves & Braga (árboles de decisión), sistemas expertos,
(2008) se usa variables de indicadores algoritmos genéticos, redes neuronales y,
financieros: la razón corriente, la liquidez, finalmente, el «juicio humano», dándole a su
activos, encaje bancario, cobertura en pasivos, explicación un factor favorable a los modelos
provisión, rentabilidad de activos y patrimonio de respuesta bivariada (modelos Probit).
entre otros.
Glennon et al. (2008), en su estudio, muestra
Anteriores revisiones literarias una explicación más característica desde el
ámbito estadístico, explica en su documento el
Para identificar el proceso de referenciación de trato de los datos, teniendo especial cuidado
los modelos usados para el credit score, es en el tipo de información (datos transversales y
importante tener en cuenta la explicación de de series de tiempo), el desarrollo del score-
algunos autores sobre los métodos usados card para las observaciones, y los tipos de
Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28 15
Modelos y metodologías de credit score para personas naturales: una revisión Literaria
16 Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28
David Esteban Rodríguez-Guevara / Jairo Alfonso Becerra-Arévalo / Daniel Cardona-Valencia
𝑋𝑋 = 𝜆𝜆1 𝑥𝑥1 + 𝜆𝜆2 𝑥𝑥2 + ⋯ + 𝜆𝜆𝑖𝑖 𝑥𝑥𝑖𝑖 (1) 𝑍𝑍 = 𝛽𝛽2 𝑋𝑋𝑖𝑖2 + ⋯ + 𝛽𝛽𝑘𝑘 𝑋𝑋𝑖𝑖𝑖𝑖 + 𝜀𝜀𝑖𝑖 (3)
Donde: Donde:
𝑆𝑆 = ∑ ∑ 𝜆𝜆𝑝𝑝 𝜆𝜆𝑞𝑞 𝑆𝑆𝑝𝑝𝑝𝑝 Estos modelos garantizan que los valores de los
𝑝𝑝=1 𝑞𝑞=1 parámetros tengan distribuciones más
ajustadas, haciendo que la media de los errores
sea asintótica mostrando entonces que la
Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28 17
Modelos y metodologías de credit score para personas naturales: una revisión Literaria
𝑌𝑌𝑖𝑖 = 𝛼𝛼 + 𝛽𝛽2 𝑋𝑋𝑖𝑖2 + 𝛽𝛽3 𝑋𝑋𝑖𝑖3 + ⋯ + 𝛽𝛽𝑘𝑘 𝑋𝑋𝑖𝑖𝑖𝑖 + 𝜀𝜀𝑖𝑖 (6) 𝑧𝑧𝑡𝑡 = 𝛼𝛼 + 𝛽𝛽2 𝑋𝑋𝑖𝑖2 + ⋯ + 𝛽𝛽𝑘𝑘 𝑋𝑋𝑖𝑖𝑖𝑖 (7)
18 Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28
David Esteban Rodríguez-Guevara / Jairo Alfonso Becerra-Arévalo / Daniel Cardona-Valencia
1 1 (8)
𝑃𝑃𝑖𝑖 = 𝐸𝐸(𝑦𝑦 = 1|𝑋𝑋) = + 𝜀𝜀𝑖𝑖 = + 𝜀𝜀𝑖𝑖
1+ 𝑒𝑒 −(𝛼𝛼+𝛽𝛽2 𝑋𝑋𝑡𝑡2 +⋯+𝛽𝛽𝑘𝑘𝑋𝑋𝑡𝑡𝑡𝑡 ) 1 + 𝑒𝑒 −𝑧𝑧𝑡𝑡
Donde: Donde:
Así mismo, Melo & Granados (2011); S. Moreno Autores como, Fernández & Pérez (2005);
(2013); Rayo et al. (2010); Roszbach (2004); Olagunji & Ajiboye (2010), Tan, Yen & Loke
Támara et al. (2010) y Webster (2011) (2011) y Roszbach (2004) indican que dichos
muestran que los modelos Probit también han modelos proporcionan un mejor ajuste de la
sido ampliamente usados por su condición de realidad de los datos al tener comprometida la
establecer normalidad al proceso de información cuando existen con problemas de
predicción, dándoles a las variables mayor especificación de normalidad, condicionando la
estabilidad en el proceso de ajuste. variabilidad de los errores. Si bien, estos
modelos son similares al modelo Probit, su uso
Su uso dependerá entonces de la función es menos comercial por su complejidad en el
normal (9): uso y que no siempre son tan generales para la
construcción de un modelo de predicción de
𝑃𝑃𝑖𝑖 = 𝑃𝑃(𝑌𝑌 = 1|𝑋𝑋) = 𝑃𝑃(𝐼𝐼𝑡𝑡∗ ≤ 𝐼𝐼𝑡𝑡 ), que es igual a riesgo de crédito.
Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28 19
Modelos y metodologías de credit score para personas naturales: una revisión Literaria
Para todos los casos la función para obtener el resultado óptimo sería (12):
Donde:
Donde:
𝑌𝑌𝑖𝑖 = es la respuesta bivariada de riesgo de
impago 𝑌𝑌𝑖𝑖 = es la respuesta bivariada de riesgo de
impago
𝛼𝛼, 𝛽𝛽𝑘𝑘 = son los parámetros de cambio que
𝛼𝛼, 𝛽𝛽𝑘𝑘 = son los parámetros de cambio que
afectan la probabilidad de impago
afectan la probabilidad de impago
𝑋𝑋𝑖𝑖𝑖𝑖 = variables cualitativas o cuantitativas 𝑋𝑋𝑖𝑖𝑖𝑖 = variables cualitativas o cuantitativas
𝜙𝜙 𝑦𝑦 Φ= son funciones de densidad acumulada
para una distribución normal estándar Modelos Logit Mixtos
20 Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28
David Esteban Rodríguez-Guevara / Jairo Alfonso Becerra-Arévalo / Daniel Cardona-Valencia
A diferencia de los modelos paramétricos, los Que identifican dos posibles relaciones de
modelos no paramétricos se estructuran en discriminación (16):
procesos matemáticos que ocultan el proceso
interno y se especifican en las variables de 𝑤𝑤 𝑇𝑇 𝑥𝑥 + 𝑏𝑏 ≥ +1, 𝑠𝑠𝑠𝑠 𝑦𝑦𝑘𝑘 = +1 (16)
{ 𝑇𝑇
entrada y la de salida; son normalmente usados 𝑤𝑤 𝑥𝑥 + 𝑏𝑏 ≤ −1, 𝑠𝑠𝑠𝑠 𝑦𝑦𝑘𝑘 = −1
con procesos de nodos o redes que asemejan
al cerebro, encontrándose: Donde:
Martens et al. (2010); J. F. Moreno & Melo Donde 𝑃𝑃(𝐶𝐶𝑖𝑖 |𝑋𝑋) es la probablidad posterior
(2011) y Zhou, Lai & Yen (2009) identifican un condicionada de 𝐶𝐶𝑖𝑖 en 𝑋𝑋; 𝑃𝑃(𝐶𝐶𝐶𝐶) es la
proceso nacido de las redes neuronales que probabilidad de 𝐶𝐶𝑖𝑖 ; 𝑃𝑃(𝑋𝑋|𝐶𝐶𝑖𝑖 ) es la probabilidad
usa geometría euclidiana para discriminar de X condicionada en 𝐶𝐶𝑖𝑖 ; 𝑃𝑃(𝑋𝑋) es la
Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28 21
Modelos y metodologías de credit score para personas naturales: una revisión Literaria
probabilidad de 𝑋𝑋; siendo esta una función vectoriales potencializan los procesos de
maximizada para todos los casos de los identificación de las variables eliminando el
clientes, sobre esta función es requerido hacer proceso de sesgamiento de los datos
un entrenamiento de los datos quedando que mostrando una serie de datos normalizada y
(18): eficiente, prometiendo que un uso de cualquier
modelo paramétrico ofrezca la identificación
𝑛𝑛
(18) de un modelo no solo insesgado, también
𝑃𝑃(𝑋𝑋|𝐶𝐶𝑖𝑖 ) = ∏ 𝑃𝑃(𝑥𝑥1 |𝐶𝐶𝑖𝑖 ) ∗ 𝑃𝑃(𝑥𝑥2 |𝐶𝐶𝑖𝑖 ) ∗ … altamente eficiente. Algunos ejemplos son:
𝑘𝑘=1
∗ 𝑃𝑃(𝑥𝑥𝑛𝑛 |𝐶𝐶𝑖𝑖 )
Maximum score
Esta probabilidad será entonces una función
normalizada para los errores que puedan Bult (1993) hace un comparativo de los
proporcionar. Esta metodología trabaja modelos semi-paramétricos contrastados con
esencialmente como un árbol de decisión, y un modelo paramétrico estándar como lo es el
puede ser amplificada si se tiene una variable modelo Logit; según el autor, la desventaja del
de respuesta (A, B, C, D, E) mostrando una uso de los modelos paramétricos se enfoca en
flexibilidad mayor en su uso. que su estimación no proporciona un dato
robusto por su amplio nivel de supuestos
Modelos Semi-paramétricos (Hybrid Models) implícitos. Los modelos semi-paramétricos en
cambio combinan el proceso de los
Abdou & Pointon (2011); Akkoç (2012); Mileris estimadores con funciones no paramétricas
(2010) y Moreno & Melo (2011) identifican que que identifican una función de probabilidad de
los modelos paramétricos pueden tener densidad normal para los errores. Para ello, la
problemas de especificación a la hora de condición ecuacional será (19):
verificar la eficiencia de los errores de los
modelos; si bien pueden tener errores 1, 𝑠𝑠𝑖𝑖 𝑦𝑦𝑖𝑖 = 𝛽𝛽 ′ 𝑥𝑥𝑖𝑖 + 𝑢𝑢𝑖𝑖 > 0 (19)
normales, pueden no ser del todo eficientes e 𝑦𝑦𝑖𝑖∗ = {
0, 𝑒𝑒𝑒𝑒 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
insesgados, lo que produce problemas de
especificidad.
Donde 𝑦𝑦𝑖𝑖 es una variable respuesta
Teniendo en cuenta lo anterior, el uso de inobservable y 𝑦𝑦𝑖𝑖∗ es el indicador de respuesta;
modelos que involucren procesos de redes cuando se obtiene dicho valor inobservable, se
neuronales o de análisis genético o someterá a un proceso probabilístico tal que
discriminador por medio de máquinas (20):
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃(𝑦𝑦𝑖𝑖∗ = 1|𝑥𝑥𝑖𝑖 ) = 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃(𝑦𝑦𝑖𝑖 > 0|𝑥𝑥𝑖𝑖 ) = 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃(𝛽𝛽′ 𝑥𝑥𝑖𝑖 + 𝑢𝑢𝑖𝑖 > 0|𝑥𝑥𝑖𝑖 ) = 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃(𝑢𝑢𝑖𝑖 > −𝛽𝛽′ 𝑥𝑥𝑖𝑖 |𝑥𝑥𝑖𝑖 ) = 1 − 𝐹𝐹(−𝛽𝛽′ 𝑥𝑥𝑖𝑖 )
𝑆𝑆(𝛽𝛽) = ∑𝑁𝑁 𝑁𝑁 ∗ ′
𝑖𝑖=1 𝑆𝑆𝑖𝑖 (𝛽𝛽) = ∑𝑖𝑖=1 𝑦𝑦𝑖𝑖 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠( 𝛽𝛽 𝑥𝑥𝑖𝑖 ) (20)
22 Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28
David Esteban Rodríguez-Guevara / Jairo Alfonso Becerra-Arévalo / Daniel Cardona-Valencia
Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28 23
Modelos y metodologías de credit score para personas naturales: una revisión Literaria
Los modelos pueden ser variados y totalmente Abdou, H. A. & Pointon, J. (2011). Credit
abierto a las necesidades de análisis de las Scoring, Statistical Techniques and
entidades financieras que los requieran; es de Evaluation Criteria: A Review of the
acotar que la amplia variedad de metodologías Literature. Intelligent Systems in
responde a una pregunta obvia de todo Accounting, Finance and Management,
investigador, ¿cuál modelo es más eficiente?, y 18(2–3), 59–88.
la respuesta es evidente, no existe un modelo http://doi.org/10.1002/isaf.325
o un método perfecto de identificación de
credit score por varias situaciones, la primera Akkoç, S. (2012). An empirical comparison of
de ellas es la calidad de los datos y las variables conventional techniques, neural networks
presentadas; la dependencia o el uso de un and the three stage hybrid Adaptive Neuro
modelo dependerá de la calidad de la Fuzzy Inference System (ANFIS) model for
información y sobre que variables se deberán credit scoring analysis: The case of Turkish
trabajar; pero tomando un punto estricto en la credit card data. European Journal of
revisión bibliográfica, el modelo más utilizado Operational Research, 222(1), 168–178.
por los autores es el modelo Logit o Probit, por http://doi.org/10.1016/j.ejor.2012.04.009
su facilidad de interpretación, su facilidad de
manejo en el proceso matemático, y si bien, Altman, E. I. (1968). the Prediction of Corporate
no son los más óptimos si son un referente Bankruptcy. The Journal of Finance,
base para la discriminación de clientes. XXIII(September), 589–609.
Otra es la real necesidad de la medición y está Altman, E. I. (1980). Commercial Bank Lending:
sometida al criterio del investigador, muchos Process, Credit Scoring, And Costs Of Errors
son los consultores que tienen preferencia por In Lending. Journal Of Financial And
la metodología no paramétrica para identificar Quantitave Analysis, XV(4), 813–832.
un modelo óptimo, pero también es de
investigadores ortodoxos de la econometría el Anderson, J. & Narasimhan, R. (1979).
Assessing Project Implementation Risk: A
24 Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28
David Esteban Rodríguez-Guevara / Jairo Alfonso Becerra-Arévalo / Daniel Cardona-Valencia
Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28 25
Modelos y metodologías de credit score para personas naturales: una revisión Literaria
García Sánchez, M. & Sánchez, C. (2005). Kočenda, E. & Vojtek, M. (2009). Default
Antecedentes: modelos para estimar el Predictors and Credit Scoring Models for
riesgo de crédito. Riesgo de crédito en Retail Banking. CESIFO WORKING PAPER
México: aplicación del modelo NO. 2862C. Retrieved from www.CESifo-
CreditMetrics. Universidad de las Américas group.org/wp
Puebla.
Kukuk, M. & Rönnberg, M. (2013). Corporate
Gartner, K. & Schiltz, E. (2005). What’s Your credit default models: A mixed logit
Score? Educating College Students About approach. Review of Quantitative Finance
Credit Card Debt. Legal Studies Research and Accounting, 40(3), 467–483.
Paper Series WHAT’S, 24(1), 401–432. http://doi.org/10.1007/s11156-012-0281-
4
Glennon, D.; Kiefer, N. M.; Larson, C. E. & Choi, Lipovetsky, S. & Conklin, M. (2004). Decision
H. (2008). Development and Validation of Making By Variable Contribution in
Credit Scoring Models. Journal of Credit Discriminant, Logit, and Regression
Risk, Forthcoming, 1(1), 1–70. Retrieved Analyses. International Journal of
from Information Technology & Decision
http://papers.ssrn.com/abstract=1180302 Making, 3(2), 265–279.
http://doi.org/10.1142/S02196220040010
Glorfeld, L. W. (1990). A Robust Methodology 33
for Discriminant Analysis Based on Least-
absolute-value Estimation. Managerial and Majer, I. (2006). Application scoring: logit
Desicion Economics, 11(1), 267–277. model approach and the divergence
method compared (06 No. 10). Warsaw.
Gonçalves, R. M. L. & Braga, M. J. (2008).
Determinantes de risco de liquidez em Martens, D.; Van Gestel, T.; De Backer, M.;
cooperativas de crédito: uma abordagem a Haesen, R.; Vanthienen, J. & Baesens, B.
partir do modelo logit multinomial. Revista (2010). Credit rating prediction using Ant
de Administração Contemporânea, 12(4), Colony Optimization. Journal of the
1019–1041. Operational Research Society, 61(4), 561–
http://doi.org/10.1590/S1415- 573. http://doi.org/10.1057/jors.2008.164
65552008000400007
Melo, L. F. & Granados, J. C. (2011). Regulación
Gujarati, D. (2004). Econometría (4ta Edició). y valor en riesgo. Ensayos Sobre Política
McGraw-Hill Interamericana. Retrieved Economica, 29(64), 110–177.
from
https://books.google.es/books?id=8RttQg Mileris, R. (2010). Estimation of loan applicants
AACAAJ default probability applying discriminant
analysis and simple Bayesian classifier.
Gutiérrez, M. A. (2007). Modelos de Credit Economics and Management, 15(1), 1078–
Scoring - Qué, Cómo, Cuándo y Para Qué. 1084. Retrieved from
http://www.ktu.lt/lt/mokslas/zurnalai/eko
Hardy, W. E. & John, I. (1985). A Linear vad/15/1822-6515-2010-1078.pdf
Programming Alternative to Discriminant
Analysis in Credit Scoring. Agribussiness, Moreno, J. F. & Melo, L. F. (2011). Pronóstico
I(4), 285–292. de incumplimientos de pago mediante
26 Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28
David Esteban Rodríguez-Guevara / Jairo Alfonso Becerra-Arévalo / Daniel Cardona-Valencia
Puertas, R. & Marti, M. L. (2012). Análisis Del Soydaner, D. & Kocadağlı, O. (2015). Artificial
Credit Scoring. Revista Administración de Neural Networks with Gradient Learning
Empresas, 53(3), 303–315. Algorithm for Credit Scoring. Journal of the
School of Bussiness Administration, 44(2),
Rayo, S.; Lara, J. & Camino, D. (2010). Un 3–12.
modelo de credit scoring para instituciones
de microfinanzas en el marco de Basile II. Sustersic, M.; Mramor, D. & Zupan, J. (2007).
Journal of Economics, Finance & Consumer credit scoring models with
Administrative Science., 15(28), 89–124. limited data. Ljubljana Meetings Paper,
Retrieved from 1(1),1–21.
Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28 27
Modelos y metodologías de credit score para personas naturales: una revisión Literaria
Thomas, L.; Edelman, D. & Crook, J. (2002). Zhou, L.; Lai, K. K. & Yen, J. (2009). Credit
Credit scoring and its applications. Scoring Models With Auc Maximization
Based on Weighted Svm. International
Tsai, C. F. (2008). Financial decision support Journal of Information Technology &
using neural networks and support vector Decision Making, 8(4), 677–696.
machines. Expert Systems, 25(4), 380–393. http://doi.org/10.1142/S0219622009003
http://doi.org/10.1111/j.1468- 582
0394.2008.00449.x
28 Revista CEA, ISSN –p 2390-0725, ISSN –e 2422-3182, Vol.3 – No. 5, enero-junio 2017 pp. 13-28