artculos de investigacin cientfica, que complementarn la introduccin de tu proyecto

final.
REALIZACIN Y RESULTADOS

2.

Realiza el proceso de registro para que puedas entrar despus y el sistema te

identifique. (Si ya te registraste alguna vez en MyEndNote Web es el mismo
usuario y contrasea).

3.

Ubica el Current Contents Connect y la bsqueda avanzada (Advanced

Search). En Search for: escribe TS=("ARIMA model" OR (box AND jenkins)).

4.

Oprime Search.

Urbano Romero Cynthia

Localiza en tu navegador de internet el portal del ISI Web of Knowldege:

http://isiknowledge.com/ Debers entrar con una IP fija de la UNAM (o
inalmbrica, por ejemplo en CEDETEC o Biblioteca o un profe amable que te
preste su computadora); o sacar tu clave en BIDI UNAM:http://bidi.unam.mx/

Matemticas Aplicadas y Computacin.

1.

INVESTIGACIN EN WEB OF KNOWLEDGE

OBJETIVO: A travs de esta actividad practicars la seleccin y recuperacin de

Universidad Nacional Autnoma de Mxico -FES Acatln.

27-4-2015

27-4-2015
5.

Anota el nmero de referencias localizadas en un archivo de Word, slo el nmero total, no la

lista. Observa que puedes ordenarlas (Sort by) por fecha, relevancia, primer autor y ao de
publicacin.

6.

Uno para detectives, intenta obtener la grfica de aqu abajo o alguna parecida e interpretarla.
Si no logras generar algo como esto, solo interpreta.

27-4-2015
Lo que se muestra en la tabla es un anlisis de todos los resultados
encontrados al hacer la bsqueda al escribir TS=("ARIMA model" OR (box AND
jenkins)).
Creo yo que el anlisis se hiso de la siguiente manera:

Mi interpretacin de la informacin, entonces, es la siguiente.

En la columna Field: Publication Years nos muestra los aos en los que se han publicado artculos de
acuerdo a nuestro tema bsqueda. La segunda columna Record Count muestra el numero de
publicaciones realizadas en ese ao y la columna % of 702 nos muestra el porcentaje que representan el
numero de publicaciones realizadas en ese ao de acuerdo al total de publicaciones que nos arroj la
bsqueda, en este caso, fueron 702 publicaciones. Para finalizar la ltima columna muestra
grficamente el porcentaje de las publicaciones.
7.

Elige las cinco referencias que ms te llamen la atencin y enva los datos del ISI al
administrador de referencias Mendeley. Para ello bscalas en Google Acadmico y luego usa el
botn Import to Mendeley.

27-4-2015
8.

Copia y pega cada uno de los abstract de estas 5 referencias, y escribe en tus palabras EN UNA
ORACIN, qu dice en forma resumida, es decir, haz una parfrasis, no una traduccin, y coloca
la cita (INSERT CITATION) al final de cada resumen.

Time series forecasting using a hybrid ARIMA and neural network model

Resumen

Autorregresivos integrados de media mvil (ARIMA) es uno de los modelos lineales populares de pronstico de series de tiempo durante las ltimas tres

dcadas. Actividades de investigacin recientes en previsin con las redes neuronales artificiales (RNAs) sugieren que las RNA pueden ser una alternativa
prometedora a los mtodos lineales tradicionales. Modelos ARIMA y RNAs se comparan a menudo con las conclusiones mixtas en cuanto a la
superioridad en el rendimiento de los pronsticos. En este trabajo, se propone una metodologa hbrida que combina ambos modelos ARIMA y ANN para
aprovechar la fuerza nica de los modelos ARIMA y ANN en modelos lineales y no lineales. Los resultados experimentales con conjuntos de datos reales
indican que el modelo combinado puede ser una manera eficaz para mejorar la precisin de prediccin logrado por cualquiera de los modelos utilizados
por separado.

(Zhang, 2003)

Comentario.
Este articulo nos habla de cmo se combinan los modelos ARIMA para con los modelos ANN ya que el
modelo que surge entre estos dos logran una mejor precisin que si se utilizan individualmente.

A hybrid ARIMA and support vector machines model in stock price forecasting

Resumen

Tradicionalmente, el autorregresivo integrado moviendo modelo promedio (ARIMA) ha sido uno de los modelos lineales ms utilizados en la prediccin de
series de tiempo. Sin embargo, el modelo ARIMA no puede capturar fcilmente los patrones no lineales. Mquinas de vectores soporte (SVMs), una
novedosa tcnica de redes neuronales, se han aplicado con xito en la solucin de problemas de estimacin de regresin no lineal. Por lo tanto, esta
investigacin propone una metodologa hbrida que aprovecha la fuerza nica del modelo ARIMA y el modelo de SVM en el pronstico de precios de las
acciones problemas. Se utilizaron datos reales de precios de las acciones para examinar la precisin de las previsiones del modelo propuesto. Los
resultados de las pruebas computacionales son muy prometedores. (Pai & Lin, 2005)

Comentario
En el artculo se treta de como combinan la metodologa del modelo ARIMA con la metodologa SVM
para tener un mejor resultado en pronosticar el precio de las acciones.

Time-Series Anlisis on Human Brucellosis During 2004-2013 in Shandong Province, China

Resumen

La brucelosis humana es una enfermedad bacteriana antropozoontico reemergentes, que sigue siendo un problema de salud pblica en China, con el
creciente nmero de casos y focos naturales ms generalizada. El propsito de este estudio fue el de previsin a corto plazo la incidencia de brucelosis
humana con un modelo de prediccin. Se recogieron los datos anuales y mensuales de laboratorio de casos confirmados entre enero de 2004 diciembre
de 2013, Enfermedades Shandong Sistema de Reporte de Informacin (SDRIS).Autorregresivo integrado mover modelo promedio (ARIMA) se ajust en
base a la incidencia mensual brucelosis humana entre 2004 y 2013. Por ltimo, la incidencia de brucelosis mensuales en 2014 eran a corto plazo previsto
por el modelo obtenido. La incidencia de brucelosis fue en aumento desde 2004 hasta 2013. Para el ARIMA (0, 2, 1) el modelo, la verificacin de
diagnstico de ruido blanco ( x 2 = 5,58 P = 0,35) para los residuos obtenidos fue revelado por la bondad del ajuste-ptima prueba. Las incidencias
mensuales que Montado por ARIMA (0, 2, 1) modelo fueron estrechamente coherente con la incidencia real de 2004 a 2013. Y incidencias previsin de
enero 2014 a diciembre 2014 fueron, respectivamente, 0,101, 0,118, 0,143, 0,166, 0,160, 0,172, 0,169, 0,133, 0,122, 0,105, 0,103 y 0,079 per100 000
habitantes, con un error estndar de 0,011 a 0,019 y error absoluto porcentual promedio (MAPE) de 58.79%. (Yang, Bi, Kou, & Li, 2014)

Comentario
Este artculo es un estudio que se realizado para pronosticar la prevencin a corto plazo de La
brucelosis humana es una enfermedad en China, aplicando la metodologa ARIMA, ya que este modelo
se ajustaba a los datos a analizar.

27-4-2015

Statistical models for the prediction of respirable suspended particulate matter in urban
cities

Resumen

Materia particulada (PM) constituyen una preocupacin importante para la calidad del aire de las ciudades metropolitanas. En este trabajo, el problema de
la prediccin de la calidad del aire respirable de materias en suspensin de partculas (NRMF) basado en algunos de los factores meteorolgicos se ha
discutido. El presente trabajo se ocupa de la aplicacin de los tres modelos estadsticos para predecir diaria promedio de concentracin de NRMF en las
zonas urbanas Delhi y Hong Kong. Modelo 1 se basa en la regresin lineal mltiple de parmetros meteorolgicos, modelo 2 se basa en el modelo de BoxJenkins serie temporal autorregresivo integrado de media mvil (ARIMA) y el modelo 3 es una combinacin de los dos. Un anlisis detallado de los
resultados de modelos anteriores muestra que la combinacin de ARIMA y la regresin mltiple (modelo 3) da mejores resultados en comparacin con los
otros dos modelos con respecto a los datos observados. As, el modelo 3 se ha utilizado, en el presente estudio, para predecir la calidad del aire de Delhi y
Hong Kong con respecto a NRMF. Se ha llegado a la conclusin de que el mismo modelo puede ser utilizado como un modelo de pronstico prctica para
la prediccin de la NRMF en las ciudades urbanas.(Goyal, Chan, & Jaiswal, 2006)

Comentario
En este artculo se aplica por separado la metodologa del modelo ARIMA y el modelo de regresin
mltiple Materia Particulada para pronosticar la calidad del aire en las ciudades Delhi y Hong Kong y
que como consecuencia el usar los modelos por separado tiene resultados no tan buenos que los
resultados que se obtienen al combinar los dos modelos juntos.

Fuzzy ARIMA model for forecasting the foreign exchange market

Resumen

Teniendo en cuenta la (series de tiempo ARIMA p , d , q ) de modelo y modelo de regresin difusa, este trabajo se desarrolla un modelo difuso ARIMA
(Farima) y lo aplica a la previsin de la tasa de cambio de dlares NT a dlares estadounidenses. Este modelo incluye modelos de intervalo con
parmetros de intervalo y la distribucin de posibilidad de los valores futuros es proporcionado por Farima. Este modelo permite a los tomadores de
decisiones para prever las situaciones mejores y peores posibles basados en un menor nmero de observaciones que el modelo ARIMA. (Tseng,

Tzeng, Yu, & Yuan, 2001)

Comentario
Nos describe cmo surge el modelo FARINA que es aplicado pronosticar la tasa de cambio de dlares NT
(Dlares Taiwaneses) a dlares estadounidenses para tomar decisiones.

Referencias.
Goyal, P., Chan, A., & Jaiswal, N. (2006). Statistical models for the prediction of respirable suspended
particulate matter in urban cities. Atmospheric Environment. Retrieved from
http://www.sciencedirect.com/science/article/pii/S1352231005011155
Pai, P., & Lin, C. (2005). A hybrid ARIMA and support vector machines model in stock price forecasting.
Omega. Retrieved from http://www.sciencedirect.com/science/article/pii/S0305048304001082
Tseng, F., Tzeng, G., Yu, H., & Yuan, B. (2001). Fuzzy ARIMA model for forecasting the foreign
exchange market. Fuzzy Sets and Systems. Retrieved from
http://www.sciencedirect.com/science/article/pii/S0165011498002863
Yang, L., Bi, Z., Kou, Z., & Li, X. (2014). Time Series Analysis on Human Brucellosis During 2004
2013 in Shandong Province, China. Zoonoses and Public . Retrieved from
http://onlinelibrary.wiley.com/doi/10.1111/zph.12145/full
Zhang, G. (2003). Time series forecasting using a hybrid ARIMA and neural network model.
Neurocomputing. Retrieved from
http://www.sciencedirect.com/science/article/pii/S0925231201007020
5

27-4-2015
9.

Ahora, en Google Acadmico, intenta recuperar alguno de los artculos completos que
encontraste. Observars que en ISI algunos de ellos dicen VIEW FULL TEXT, sos se pueden
recuperar directamente con ese vnculo. Para recuperarlos tambin requieres estar en IP
UNAM. Anexa el pdf del artculo recuperado a tu tarea.