Investigación en Web of Knowledge.pdf
-
Upload
cynthia-urbano -
Category
Documents
-
view
218 -
download
0
Transcript of Investigación en Web of Knowledge.pdf
27-4-2015
OBJETIVO: A través de esta actividad practicarás la selección y recuperación de artículos de investigación científica, que complementarán la introducción de tu proyecto final.
REALIZACIÓN Y RESULTADOS
1. Localiza en tu navegador de internet el portal del ISI Web of Knowldege:
http://isiknowledge.com/ Deberás entrar con una IP fija de la UNAM (o
inalámbrica, 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/
2. Realiza el proceso de registro para que puedas entrar después y el sistema te
identifique. (Si ya te registraste alguna vez en MyEndNote Web es el mismo
usuario y contraseña).
3. Ubica el Current Contents Connect y la búsqueda avanzada (Advanced
Search). En Search for: escribe TS=("ARIMA model" OR (box AND jenkins)).
4. Oprime Search.
INV
ES
TIG
AC
IÓN
EN
WE
B O
F K
NO
WL
ED
GE
Urb
an
o R
om
ero
Cy
nth
ia
Un
ive
rsid
ad
Na
cio
na
l Au
tó
no
ma
de
Mé
xic
o-F
ES
Aca
tlá
n. M
ate
má
tic
as A
plic
ad
as y
Co
mp
uta
ció
n.
27-4-2015
2
5. Anota el número de referencias localizadas en un archivo de Word, sólo el número total, no la
lista. Observa que puedes ordenarlas (Sort by) por fecha, relevancia, primer autor y año de
publicación.
6. Uno para detectives, intenta obtener la gráfica de aquí abajo o alguna parecida e interpretarla.
Si no logras generar algo como esto, solo interpreta.
27-4-2015
3
Lo que se muestra en la tabla es un análisis de todos los resultados
encontrados al hacer la búsqueda al escribir TS=("ARIMA model" OR (box AND
jenkins)).
Creo yo que el análisis se hiso de la siguiente manera:
Mi interpretación de la información, entonces, es la siguiente.
En la columna Field: Publication Years nos muestra los años en los que se han publicado artículos de
acuerdo a nuestro tema búsqueda. La segunda columna Record Count muestra el numero de
publicaciones realizadas en ese año y la columna % of 702 nos muestra el porcentaje que representan el
numero de publicaciones realizadas en ese año de acuerdo al total de publicaciones que nos arrojó la
búsqueda, en este caso, fueron 702 publicaciones. Para finalizar la última columna muestra
gráficamente el porcentaje de las publicaciones.
7. Elige las cinco referencias que más te llamen la atención y envía los datos del ISI al
administrador de referencias Mendeley. Para ello búscalas en Google Académico y luego usa el
botón Import to Mendeley.
27-4-2015
4
8. Copia y pega cada uno de los abstract de estas 5 referencias, y escribe en tus palabras EN UNA
ORACIÓN, qué dice en forma resumida, es decir, haz una paráfrasis, no una traducción, 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 móvil (ARIMA) es uno de los modelos lineales populares de pronóstico de series de tiempo durante las últimas tres
décadas. Actividades de investigación recientes en previsión con las redes neuronales artificiales (RNAs) sugieren que las RNA pueden ser una alternativa
prometedora a los métodos lineales tradicionales. Modelos ARIMA y RNAs se comparan a menudo con las conclusiones mixtas en cuanto a la
superioridad en el rendimiento de los pronósticos. En este trabajo, se propone una metodología híbrida que combina ambos modelos ARIMA y ANN para
aprovechar la fuerza única 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 precisión de predicción logrado por cualquiera de los modelos utilizados
por separado.” (Zhang, 2003)
Comentario.
Este articulo nos habla de cómo se combinan los modelos ARIMA para con los modelos ANN ya que el
modelo que surge entre estos dos logran una mejor precisión 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 más utilizados en la predicción de
series de tiempo. Sin embargo, el modelo ARIMA no puede capturar fácilmente los patrones no lineales. Máquinas de vectores soporte (SVMs), una
novedosa técnica de redes neuronales, se han aplicado con éxito en la solución de problemas de estimación de regresión no lineal. Por lo tanto, esta
investigación propone una metodología híbrida que aprovecha la fuerza única del modelo ARIMA y el modelo de SVM en el pronóstico de precios de las
acciones problemas. Se utilizaron datos reales de precios de las acciones para examinar la precisión de las previsiones del modelo propuesto. Los
resultados de las pruebas computacionales son muy prometedores.” (Pai & Lin, 2005)
Comentario
En el artículo se treta de como combinan la metodología del modelo ARIMA con la metodología SVM
para tener un mejor resultado en pronosticar el precio de las acciones.
Time-Series Análisis on Human Brucellosis During 2004-2013 in Shandong Province, China
Resumen
“La brucelosis humana es una enfermedad bacteriana antropozoonótico reemergentes, que sigue siendo un problema de salud pública en China, con el
creciente número de casos y focos naturales más generalizada. El propósito de este estudio fue el de previsión a corto plazo la incidencia de brucelosis
humana con un modelo de predicción. 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 Información (SDRIS).Autorregresivo integrado mover modelo promedio (ARIMA) se ajustó en
base a la incidencia mensual brucelosis humana entre 2004 y 2013. Por último, 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 verificación de
diagnóstico de ruido blanco ( x 2 = 5,58 P = 0,35) para los residuos obtenidos fue revelado por la bondad del ajuste-óptima 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 previsión 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 estándar de 0,011 a 0,019 y error absoluto porcentual promedio (MAPE) de 58.79%.” (Yang, Bi, Kou, & Li, 2014)
Comentario
Este artículo es un estudio que se realizado para pronosticar la prevención a corto plazo de La
brucelosis humana es una enfermedad en China, aplicando la metodología ARIMA, ya que este modelo
se ajustaba a los datos a analizar.
27-4-2015
5
Statistical models for the prediction of respirable suspended particulate matter in urban
cities
Resumen
“Materia particulada (PM) constituyen una preocupación importante para la calidad del aire de las ciudades metropolitanas. En este trabajo, el problema de
la predicción de la calidad del aire respirable de materias en suspensión de partículas (NRMF) basado en algunos de los factores meteorológicos se ha
discutido. El presente trabajo se ocupa de la aplicación de los tres modelos estadísticos para predecir diaria promedio de concentración de NRMF en las
zonas urbanas Delhi y Hong Kong. Modelo 1 se basa en la regresión lineal múltiple de parámetros meteorológicos, modelo 2 se basa en el modelo de Box-
Jenkins serie temporal autorregresivo integrado de media móvil (ARIMA) y el modelo 3 es una combinación de los dos. Un análisis detallado de los
resultados de modelos anteriores muestra que la combinación de ARIMA y la regresión múltiple (modelo 3) da mejores resultados en comparación con los
otros dos modelos con respecto a los datos observados. Así, 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 conclusión de que el mismo modelo puede ser utilizado como un modelo de pronóstico práctica para
la predicción de la NRMF en las ciudades urbanas.”(Goyal, Chan, & Jaiswal, 2006)
Comentario
En este artículo se aplica por separado la metodología del modelo ARIMA y el modelo de regresión
múltiple 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 regresión difusa, este trabajo se desarrolla un modelo difuso ARIMA
(Farima) y lo aplica a la previsión de la tasa de cambio de dólares NT a dólares estadounidenses. Este modelo incluye modelos de intervalo con
parámetros de intervalo y la distribución 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 número de observaciones que el modelo ARIMA.” (Tseng,
Tzeng, Yu, & Yuan, 2001)
Comentario
Nos describe cómo surge el modelo FARINA que es aplicado pronosticar la tasa de cambio de dólares NT
(Dólares Taiwaneses) a dólares 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
27-4-2015
6
9. Ahora, en Google Académico, intenta recuperar alguno de los artículos completos que
encontraste. Observarás que en ISI algunos de ellos dicen VIEW FULL TEXT, ésos se pueden
recuperar directamente con ese vínculo. Para recuperarlos también requieres estar en IP
UNAM. Anexa el pdf del artículo recuperado a tu tarea.