Estadística 3

Licenciatura en Matemáticas
Asignación
Salvador Carlos Uriel Rodríguez Ramírez
ES172011685

This study source was downloaded by 100000841063201 from CourseHero.com on 03-24-2022 01:26:09 GMT -05:00

https://www.coursehero.com/file/69390284/MEST3-AC-SARRdocx/
 En esta actividad revisaras una aplicación real de series de tiempo: “El caso de robo de
vehículos”, con estadísticas de 2012.

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

1. ¿Cuál es el propósito de la investigación?

Determinar el robo de vehículos en el país, donde se ha seccionados en regiones, esto por medio de
indicadores regionales de primas de riesgo y proporción de robos.

2. ¿Cuáles son los objetivos de la investigación?

Se tiene dos objetivos en específico:

Objetivo 1
La regionalización se implementará 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 realizará 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 cuál será su comportamiento a mediano plazo, para cuantificar el riesgo.

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

Elemento Breve descripción

Para modelar los comportamientos irregulares de una
serie, ya sean pasados de la misma o eventos puramente
Modelos ARIMA
estocásticos, además modelar comportamientos
estacionarios y no estacionarios.
Se ajustan a modelos ARMA, los cuales tienen los
componentes siguientes:

i. Observaciones pasadas de y t hasta un

periodo p .
ii. Choques que causan ruido εt en la
Modelos de series de tiempos estacionarios información, pero que no es perjudicial hasta
un periodo q .

Los cuales muestran estabilidad en los parámetros

restimados, lo que permite crear la invertibilidad de los
polinomios que lo componen.

Modelos de series de tiempos no estacionarios Se aplican a serie temporales que no son estacionarias en
sentido débil, esto causa mucha irregularidad y cambios

This study source was downloaded by 100000841063201 from CourseHero.com on 03-24-2022 01:26:09 GMT -05:00

https://www.coursehero.com/file/69390284/MEST3-AC-SARRdocx/
 en la tendencia de largo plazo. Al igual que en el caso
anterior pose los componentes autorregresivo y de
promedio móvil, con la siguiente característica que los
diferencia:

La serie resulta ser integrada de orden d , con lo cual

se tiene que diferenciar d veces para mantener la
estabilidad alrededor de un punto estacionario.

Bibliografía

Alvarado Verdin, V. (2014). Probabilidad y Estadística. México: Patria.

American Bar Association. (2005). Econometrics: Legal, Practical, and Technical Issues. United
States of America: American Bar Association.

Benjumea Acevedo, J. (2006). Matemáticas avanzadas y estadística para ciencias e ingenierías.

España: Universidad de Sevilla.

Bierens, H. J. (1987). Kernel Estimators of regression functions. Advances in econometrics, Vol.1.

Bierens, H. J. (1994). Topics in advanced econometrics. New York: Cambridge University Press.

Bierens, H. J. (2005). Introduction to the Mathematical and Statistical Foundations of

Econometrics. New York: Cambridge University Press.

Bowerman, B. a. (2007). Pronósticos, Series de Tiempo Y Regresión: Un Enfoque Aplicado. New

York: International Thomson Editores.

Caballero, W. (1975). Introducción a la estadística. Costa Rica: IICA.

Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics: Methods and Applications. New York:
Cambridge University Press.

Dhrymes, P. J. (2013). Mathematics for Econometrics, 4th ed. New York: Springer.

Dougherty, C. (2011). Introduction to Econometrics, 4th ed. New York: Oxford University Press.

Engle, R. F., Hendry, D. F., & Richard, J.-F. (1983). Exogeneity. Econometrica, Vol. 51, No. 2, pp.
277-304.

Fernández García, J., & Adalid Díaz de Urdanivia, C. (2000). Para una breve historia de la
econometría. Recuperado el 06 de 09 de 2017, de redalyc:
http://www.redalyc.org/pdf/267/26701302.pdf

Gozalo, P., & Linton, O. (2001). Testing Additivity in Generalized Nonparametric Regression
Models. Journal of Econometrics, Vol. 104, pp. 1-8.

Granger, C., & Newbold, P. (1974). Spurious Regression in Econometrics. Journal of

Econometrics, vol. 2, pp. 111-120.

This study source was downloaded by 100000841063201 from CourseHero.com on 03-24-2022 01:26:09 GMT -05:00

https://www.coursehero.com/file/69390284/MEST3-AC-SARRdocx/
 Greene, W. (2012). Econometric Analysis, 7th edition. New York : Pearson.

Grimaldi, R. (1998). Matemáticas discretas y combinatoria : una introducción con aplicaciones.

México: Pearson.

Hebert, Y. (1980). Matemáticas, probabilidades y estadística. Barcelona: Reverte.

Ipiña, S. L., & Durand, A. I. (2008). Inferencia estadística y análisis de datos. España: Pearson
Educación.

Johnsonbaugh, R. (2005). Matemáticas Discretas. México: Pearson.

Monsalve, A., & harmath, P. (2015). Introducción al análisis de series de tiempo con aplicaciones a
la econometria y finanzas. Venezuela: Ediciones IVIC.

Sheldon, M. (2007). Introducción a la estadística. España: Reverte.

Verde Star, L. (1995). Matemática discreta y combinatoria. México: Universidad Autónoma

Metropolitana-Iztapalapa.

This study source was downloaded by 100000841063201 from CourseHero.com on 03-24-2022 01:26:09 GMT -05:00

https://www.coursehero.com/file/69390284/MEST3-AC-SARRdocx/
Powered by TCPDF (www.tcpdf.org)