Este trabajo final de maestría, modalidad de profundización, consiste en la elaboración de un problema de modelación estadística aplicada al sector crediticio. El objetivo es aplicar un modelo de regresión logística o un modelo de aprendizaje de máquina para calcular la probabilidad de default e incorporarla en la fórmula para hallar la distribución de costos totales en el modelo de Mezclas Bernoulli, con el fin de estimar valores de cuartiles superiores de la distribución de los costos totales, denominados la provisión. Para cumplir lo anterior se deben calcular las probabilidades de incumplimiento (o de default) después de realizar una competencia entre modelos vía mejor medida de ajuste (AUC), precisión y rango del intervalo de precisión (IC precisión); si bien el título solo menciona regresión logística, este modelo competirá con modelos de aprendizaje de máquina como arboles aleatorios, bosques aleatorios, Knn y máquinas de soporte vectorial y con el de mejor AUC, precisión y IC precisión se calcularán dichas probabilidades de default. Además, se calcula la distribución aproximada del monto total de las perdidas por incumplimiento para créditos originados entre 2014 y 2018. Tales costos totales se modelan mediante ciertos tipos de sumas de variables aleatorias que se denominan Mezclas Bernoulli para, finalmente evaluar el capital expuesto de una cartera de créditos y así entender el grado de deterioro de esta cartera para créditos originados entre 2014 y 2018. Palabras claves Riesgo de crédito, distribuciones de Mezclas Bernoulli, regresión logística, modelos de aprendizaje de máquina, distribución de perdidas, VaR y TVaR