update

Author: fralfaro

docs/labs/lab_10.ipynb

@@ -5,27 +5,40 @@
    "id": "f4324d27",
    "metadata": {},
    "source": [
-    "<a href=\"https://colab.research.google.com/github/fralfaro/MAT281_2022/blob/main/labs/lab_10/lab_10.ipynb\" target=\"_parent\"><img src=\"https://colab.research.google.com/assets/colab-badge.svg\" alt=\"Open In Colab\"/></a>\n",
+    "<a href=\"https://colab.research.google.com/github/fralfaro/MAT281/blob/main/docs/labs/lab_10.ipynb\" target=\"_parent\"><img src=\"https://colab.research.google.com/assets/colab-badge.svg\" alt=\"Open In Colab\"/></a>\n",
     "\n",
     "\n",
     "# MAT281 - Laboratorio N°10\n",
     "\n",
-    "<a id='p1'></a>\n",
-    "## I.- Problema 01\n",
+    "**Objetivo**: Analizar y modelar series temporales de datos delictivos en Montreal, aplicando métodos estadísticos y de aprendizaje automático para la predicción.\n",
     "\n",
-    "Lista de actos delictivos registrados por el Service de police de la Ville de Montréal (SPVM).\n",
+    "> **Nota**: Puede ayudarse de algún asistente virtual como **ChatGPT, Gemini** u otros, así como del autocompletado de **Google Colab**, para avanzar en este laboratorio debido a su extensión.\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "b4b1c4d4",
+   "metadata": {},
+   "source": [
+    "### Conjunto de datos\n",
     "\n",
     "\n",
-    "<img src=\"http://henriquecapriles.com/wp-content/uploads/2017/02/femina_detenida-1080x675.jpg\" width=\"480\" height=\"360\" align=\"center\"/>\n",
     "\n",
-    "El conjunto de datos en estudio `interventionscitoyendo.csv` corresponde a  todos los delitos entre 2015 y agosto de 2020en Montreal. Cada delito está asociado en grandes categorías, y hay información sobre la ubicación, el momento del día, etc.\n",
+    "<img src=\"https://svgsilh.com/svg/3350822.svg\" width=\"350\"  align=\"center\"/>\n",
     "\n",
-    "> **Nota**: Para más información seguir el siguiente el [link](https://donnees.montreal.ca/ville-de-montreal/actes-criminels)."
+    "\n",
+    "El conjunto de datos **`interventionscitoyendo.csv`** proviene del *Service de police de la Ville de Montréal* (SPVM) y contiene el registro de todos los **actos delictivos ocurridos en Montreal entre 2015 y agosto de 2020**.\n",
+    "\n",
+    "Cada incidente está clasificado en **categorías generales de delito** e incluye información contextual como la **ubicación geográfica**, la **fecha y hora** del suceso, así como otros atributos relevantes para el análisis.\n",
+    "\n",
+    "Este dataset resulta especialmente útil para estudios de **series temporales**, ya que permite agrupar los delitos por intervalos de tiempo (días, semanas, meses) y analizar patrones de comportamiento delictual en la ciudad.\n",
+    "\n",
+    "> **Nota**: Puede consultarse más información oficial en el [portal de datos abiertos de Montreal](https://donnees.montreal.ca/ville-de-montreal/actes-criminels).\n"
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 1,
+   "execution_count": 2,
    "id": "d7c49bbd",
    "metadata": {},
    "outputs": [],
@@ -52,7 +65,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 2,
+   "execution_count": 3,
    "id": "b6a6ae12",
    "metadata": {},
    "outputs": [],
@@ -205,7 +218,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 3,
+   "execution_count": 6,
    "id": "94c2e804",
    "metadata": {},
    "outputs": [
@@ -316,7 +329,7 @@
        "13686 -73.575381  45.562090  "
       ]
      },
-     "execution_count": 3,
+     "execution_count": 6,
      "metadata": {},
      "output_type": "execute_result"
     }
@@ -328,7 +341,7 @@
     "  'Introduction', 'Méfait','Vol dans / sur véhicule à moteur', 'Vol de véhicule à moteur',\n",
     "]\n",
     "\n",
-    "df = pd.read_csv(\"https://raw.githubusercontent.com/fralfaro/MAT281_2022/main/labs/lab_10/data/interventionscitoyendo.csv\", sep=\",\", encoding='latin-1')\n",
+    "df = pd.read_csv(\"https://raw.githubusercontent.com/fralfaro/MAT281/main/docs/labs/data/interventionscitoyendo.csv\", sep=\",\", encoding='latin-1')\n",
     "df.columns = df.columns.str.lower()\n",
     "df['date'] = pd.to_datetime(df['date'], format='%Y-%m-%d')\n",
     "\n",
@@ -364,9 +377,12 @@
    "id": "8c4d30b7",
    "metadata": {},
    "source": [
-    "El objetivo de este laboratorio es poder realizar un análisis completo del conjunto de datos en estudio, para eso debe responder las siguientes preguntas:\n",
     "\n",
-    "1. Realizar un gráfico para cada serie temporal $y\\_{si}, i =1,2,3,4$.\n"
+    "\n",
+    "El objetivo de este laboratorio es realizar un **análisis integral** del conjunto de datos, aplicando técnicas de visualización y modelado de series temporales. Para ello, se deben abordar las siguientes tareas:\n",
+    "\n",
+    "1. **Visualizar las series temporales** \\$y\\_{si}, ; i=1,2,3,4\\$, generando gráficos que permitan identificar patrones, tendencias y estacionalidades.\n",
+    "\n"
    ]
   },
   {
@@ -384,13 +400,16 @@
    "id": "cc6afc99",
    "metadata": {},
    "source": [
-    "2. Escoger alguna serie temporal $y\\_{si}, i =1,2,3,4$. Luego:\n",
     "\n",
-    "* Realizar un análisis exploratorio de la serie temporal escogida\n",
-    "* Aplicar el modelo de pronóstico $SARIMA(p,d,q)x(P,D,Q,S)$, probando varias configuraciones de los hiperparámetros. Encuentre la mejor configuración. Concluya.\n",
-    "* Para el mejor modelo encontrado, verificar si el residuo corresponde a un ruido blanco.\n",
     "\n",
-    "> **Hint**: Tome como `target_date` =  '2021-01-01'. Recuerde considerar que su columna de valores se llama `pdq`.\n"
+    "1. Seleccione una de las series temporales \\$y\\_{si}, ; i=1,2,3,4\\$ y desarrolle lo siguiente:\n",
+    "\n",
+    "* **Análisis exploratorio**: examine la serie elegida identificando patrones, tendencias y posibles estacionalidades.\n",
+    "* **Modelado con SARIMA**: ajuste un modelo \\$SARIMA(p,d,q) \\times (P,D,Q,S)\\$ probando distintas configuraciones de hiperparámetros. Compare resultados, seleccione la mejor configuración y justifique su elección.\n",
+    "* **Validación del modelo**: evalúe los residuos del modelo óptimo y determine si se comportan como **ruido blanco**.\n",
+    "\n",
+    "> **Nota**: Utilice como `target_date` = `'2021-01-01'`. Recuerde que la columna de valores se llama `pdq`.\n",
+    "\n"
    ]
   },
   {
@@ -490,7 +509,15 @@
    "id": "5070f8c3",
    "metadata": {},
    "source": [
-    "3. Resuelva el ejercicio anterior utilizando la librería de `Prophet`."
+    "\n",
+    "\n",
+    "\n",
+    "3. Resuelva el ejercicio anterior utilizando la librería **`Prophet`**, desarrollada por Facebook para el modelado de series temporales.\n",
+    "\n",
+    "* **Ajuste del modelo**: entrene un modelo con `Prophet` sobre la misma serie seleccionada en el punto anterior.\n",
+    "* **Evaluación del desempeño**: compare la capacidad predictiva de `Prophet` frente al modelo **SARIMA** previamente ajustado, considerando métricas de error (por ejemplo, MAE, RMSE o MAPE).\n",
+    "* **Análisis comparativo**: discuta las diferencias en los supuestos de ambos métodos, su facilidad de implementación y la calidad de las predicciones obtenidas.\n",
+    "* **Conclusiones**: señale en qué situaciones `Prophet` puede ser preferible a SARIMA y viceversa.\n"
    ]
   },
   {
@@ -514,7 +541,7 @@
  ],
  "metadata": {
   "kernelspec": {
-   "display_name": "Python 3 (ipykernel)",
+   "display_name": "docs-py3.10",
    "language": "python",
    "name": "python3"
   },
@@ -528,7 +555,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.8.10"
+   "version": "3.10.11"
   }
  },
  "nbformat": 4,

mkdocs.yml

@@ -139,6 +139,7 @@ nav:
             - Lab 07: labs/lab_07.ipynb
             - Lab 08: labs/lab_08.ipynb
             - Lab 09: labs/lab_09.ipynb
+            - Lab 10: labs/lab_10.ipynb
 
         - Tareas:
             - Tarea 01: homeworks/hw_01.ipynb