Licenciatura en Matemáticas

Asignatura: Estadística III

Unidad 3.-Actividad Complementaria

Alumna: Elda Josefina Vázquez Calderón

Grupo: MT-MEST3-2201-B1-000

Docente: Marco Antonio Olivera Villa

 Actividad Complementaria

En esta actividad revisarás una aplicación real de las series de tiempo: “El caso
del robo de vehículos”, con estadísticas de 2012. El documento lo puedes
accesar en
https://drive.google.com/file/d/1TqnAU49pd1frKoRy0VL-
rx8B_uC_PqRt/view?usp=sharing

1.- ¿Cuál es el propósito de la investigación?

Analizar el robo de vehículos en la república mexicana a través de los
indicadores relativos regionalizados de prima de riesgo y proporción de robo.

2.- ¿Cuáles son los objetivos de la investigación?

Objetivo 1:
La regionalización se implementara con base en la tasa de crecimiento de la
proporción de robo de vehículos de los años 2008, 2009 y 2010.

Objetivo 2:
El análisis de los indicadores se realizara empleado series temporales
mensuales de cada una de las regiones durante el periodo del 2008 al 2010
para generar pronósticos a un año que permitan estimar y proyectar cual será su
comportamiento a mediano plazo, para cuantificar el riesgo.

3.- ¿Qué herramientas estadísticas se usan, en particular las series de tiempo?

 Para realizar la clasificación se usaran herramientas estadísticas
multivariadas del área de análisis de conglomerados. Dentro de los
diversos algoritmos heurísticos se selecciona el Agrupamiento Jerárquico
de Aglomeración, pues su desarrollo teórico es muy natural, y tiene una
implementación rápida, como se puede constatar en Everitt.
 El estudio de los indicadores se realizara empleando modelos
paramétricos ARIMA, que son bastante flexibles y convenientes para
modelar series temporales. Sirven para modelar comportamientos
estacionarios y no estacionarios; permiten la incorporación de cambios
estructurales en los niveles de la serie, y el manejo de datos aberrantes.
Además, los pronósticos generados por estos modelos son aceptables a
corto y mediano plazo. Se seguirá de cerca la metodología propuesta por
Box y Jenkins para la aplicación de los modelos ARIMA.

Para la implementación de estas técnicas estadísticas, se decidió usar el

software estadístico R que es de licencia libre. La aplicación del algoritmo de
Agrupamiento Jerárquico de Aglomeración.
Es muy accesible, y el modelado de las series temporales es muy práctico y
versátil por la cantidad de librerías, paqueterías y funciones que se han
desarrollado.
 Elemento
Modelos ARIMA de series de tiempo
Modelos de series de tiempo
estacionarios
Modelos de series de tiempo no
estacionarios
Breve Descripción
Es un modelo estadístico que utiliza
variaciones y regresiones de datos
estadísticos con el fin de encontrar
patrones para una predicción hacia el
futuro. Se trata de un modelo dinámico
de series temporales, es decir, las
estimaciones futuras vienen explicadas
por los datos del pasado y no por
variables independientes.
Una serie es estacionaria cuando es
estable a lo largo del tiempo, es decir,
cuando la media y varianza son
constantes en el tiempo
No estacionarias. - Son series en las
cuales la tendencia y/o variabilidad
cambian en el tiempo. Los cambios en
la media determinan una tendencia a
crecer o decrecer a largo plazo, por lo
que la serie no oscila alrededor de un
valor constante.

Referencias:

UnADM Matemáticas Estadística 3 /Contenido Nuclear Unidad 3 Números Reales

y Funciones/México D.F. Diciembre 2015.

Brockwell, J. y Davis, A. (2009). Time series: Theory and Methods. New York:
Springer-Verlag.

Cowpertwait, P. (2010). Introductory Time Series with R. New York: Springer-

Verlag.

Guerrero, V. (2009). Análisis Estadístico de Series de Tiempo Económicas.

México: Just in Time press.

Shumway, R. y Stoffer, D. (2010). Time Series Analysis and Its Applications: with
R examples. New York: Springer-Verlag.

https://drive.google.com/file/d/1TqnAU49pd1frKoRy0VL-
rx8B_uC_PqRt/view?usp=sharing