ESTADÍSTICA INFERENCIAL – MA461

2021 00
TRABAJO FINAL

CASO: La Morosidad Crediticia en el Perú

Según un estudio realizado por IPSOS, en la actualidad
alrededor del 41 % de adultos de 18 a 70 años del Perú
urbano es cliente de algún banco, caja o financiera. En los
últimos años, el crecimiento de la curva de bancarización ha
sido ascendente debido a los diversos proyectos y planes de
inclusión financiera ejecutados por diferentes instituciones y
entidades bancarias.

Sin embargo, el desconocimiento sobre temas financieros por la mayor parte de la población, en
muchas ocasiones origina el uso incorrecto o poco estratégico de los servicios y productos que
ofrecen las entidades financieras, trayendo en consecuencia un incremento en el índice de
morosidad. 

La morosidad afecta al sistema bancario, a la economía y a los deudores. Los bancos se ven
perjudicados directamente porque requieren hacer mayores provisiones por crédito, además de
reducir sus ganancias por los intereses dejados de cobrar. La economía se ve afectada en los
mayores niveles de desempleo, menor actividad económica y de consumo. Los deudores reducirán
sus posibilidades para acceder a nuevos financiamientos, pues las instituciones financieras
endurecerán sus condiciones de crédito por el aumento de la morosidad bancaria.

Desde el momento que una persona obtiene una tarjeta de crédito o se hace un préstamo de una
entidad financiera, ingresa automáticamente a una base de datos que administra la
Superintendencia de Banca y Seguros (SBS) o por una central de riesgos privada siendo la más
conocida INFOCORP. En función al nivel de cumplimiento, las centrales de riesgo consideran los
movimientos personales de cada ciudadano en una tabla en cinco variantes:

Tabla N°1: Categoría cliente según días de retraso

Cuando el cliente paga de manera puntual o hay un retraso
0: Normal
que no supera los 8 días.
1:Cliente con problemas Cuando los atrasos en los pagos van entre los 9 y los 30
potenciales días.
Cuando el cliente tiene retrasos de pago entre los 31 y 60
2: Deficiente
días.

1
 Cuando se paga entre los 61 y 120 días posteriores a la
3: Dudoso
fecha de vencimiento.
4: Pérdida. Cuando el atraso supera los 120 días calendarios.

Bajo la problemática expuesta, la empresa consultora de negocios “INVESTGROUP S.A.” decidió

realizar un análisis estadístico con la finalidad de evaluar el comportamiento de la morosidad de
los clientes del sistema financiero del presente año en Lima Metropolitana. Los datos obtenidos se
consolidaron en una base de datos.

Variables Descripción Categorías

1: Femenino
Genero Sexo del cliente
2: Masculino
Edad Edad del cliente Años
1: Soltero
2: Casado
Estado Civil Condición civil del cliente
3: Viudo
4: Divorciado
1: Estándar
Segmento Tipo de cliente 2: Platinum
3: Oro
Ingreso Ingreso bruto mensual Soles
1: Compra de deuda
2: Crédito Vehicular
Producto adquirido por el
Tipo de Préstamo 3. Efectivo Inmediato
cliente
4. Préstamo de libre
disponibilidad
N° de hijos menores de 18
N° de dependientes
años
Monto de préstamo
Monto de préstamo solicitado soles
solicitado
Monto de préstamo de Monto de préstamo de mora
soles
mora en soles
Días de mora Número de días de mora días
1: Altas tasas de intereses
2: Mal manejo de sus cuentas
Motivo de retraso de pago Razón de retraso
3: Problemas de salud
4: Problemas económicos
Estuvo antes en la central de
Central 1: Si 2:No
riesgo

2
Existe una creciente necesidad de que las instituciones financieras cuenten con modelos sólidos
que contribuyan a la gestión de riesgos a disminuir los índices de morosidad. Estos modelos son
estructuras matemáticas que detectan las variables significativas de riesgo y generan estimaciones
relevantes al negocio. Son construidas a partir de la teoría matemática y como tal deben cumplirse
ciertos supuestos.
En la actualidad las instituciones financieras evalúan constantemente cómo desarrollan, validan y
actualizan estos modelos porque el error en sus estimaciones puede ser catastrófico para la
situación financiera de una empresa debido a que la gestión de riesgos implementará acciones
comerciales a partir de información inexacta.
Los errores de estos modelos surgen principalmente por problemas con los datos y porque a veces
se asumen supuestos que son engañosos o inapropiados. También pueden presentar errores de
uso, porque un modelo puede ser matemáticamente correcto, con supuestos correctos y
técnicamente robusto, sin embargo, puede ser utilizado de manera inapropiada, introduciendo así
error en las aplicaciones del modelo.

Uno de los objetivos de INVESTGROUP es estimar un modelo matemático que proyecte el tiempo
de pago de un cliente después de la primera llamada haciéndole recordar la deuda. Para ello
evalúa una serie de variables, que el área de riesgos le ha sugerido analizar y que se presentan a
continuación:
Deuda total, comprende la deuda total del cliente que incluye el capital de la deuda, monto de la
deuda vencida más los intereses generados.
Ingreso declarado, es el ingreso declarado del cliente al aperturar la cuenta con el banco.
Monto pago mensual, es la cuota mensual que paga el cliente por la deuda adquirida.
Número de tarjetas, es la cantidad de tarjetas que tiene el cliente, y que está registrado en el
sistema financiero peruano (SBS).

Por último, algunos indicadores presentados el año pasado por Superintendencia de Banca y
Seguros (SBS) mostraron que:
 El monto promedio de préstamos de los clientes Estándar superó los 45000 soles y para
clientes Platinium menos de 29000 soles.
 El monto promedio de préstamos en mora de los clientes Platinium fueron menos los 2800
soles y para clientes Oro superaron los 7550 soles.
 Los días promedio de moras de los clientes Oro superan los 65 días.
 De los clientes que tienen condición civil soltero, más del 40% optaron por un crédito
vehicular, mientras que los clientes que tienen condición civil casado menos del 35%
optaron por crédito efectivo inmediato.
 De los clientes que manifestaron su motivo de retraso fue por mal manejo de sus cuentas,
más del 45% habían obtenido créditos de libre disponibilidad.
 De los clientes Estándar, más del 80% no presentaron un historial en INFOCORP.

3
Además, en la muestra elegida al azar se añadió el número de días moras que presentaron estos
clientes durante el año anterior.
Teniendo en cuenta la información adicional sobre los indicadores presentados por la
Superintendencia de Banca y Seguros (SBS) como la variable añadida al estudio y los datos
muestrales para el presente año, elabore un informe sobre el comportamiento de la morosidad de
los clientes del sistema financiero del presente año en Lima Metropolitana.