Modelo de regresión lineal

múltiple para predecir el

crecimiento de una
aseguradora de
automóviles.

12 JUNIO 2021

Proyecto Final Econometría

Integrantes:
> Hernandez Tellez Luis Fernando
> Morales Chavéz Ariel Yael
> Orozco Vega Hector Saul
> Vidal Almaraz Ulises Uriel

1
Índice
Tabla de contenido
Índice ......................................................................................................................................................................... 2
Introducción .............................................................................................................................................................. 3
Objetivos y alcance ................................................................................................................................................... 4
Planteamiento del modelo........................................................................................................................................ 5
Descripcion de valores .......................................................................................................................................... 5
Valores tomados en cuenta. ................................................................................................................................. 6
Cálculo del modelo .................................................................................................................................................... 8
Estimadores y su interpretación ............................................................................................................................... 9
Estadísticos.............................................................................................................................................................. 10
Varianza de los errores 𝜎𝑢2 ................................................................................................................................ 10
Calculo de 𝑅2 ...................................................................................................................................................... 10
Varianza de los estimadores 𝑣𝑎𝑟𝛽𝑖 .................................................................................................................... 11
CALCULO DEL ERROR ESTÁNDAR E.E.R .................................................................................................... 11
Cálculo del error estándar de los beta e.e.( 𝛽𝑖) ................................................................................................. 12
Supuestos de Gauss-Markov ................................................................................................................................... 13
Análisis de sensibilidad. ............................................................................................. ¡Error! Marcador no definido.
Variables iniciales consideradas ............................................................................. ¡Error! Marcador no definido.
Conclusiones. .......................................................................................................................................................... 17
Bibliografia. ............................................................................................................................................................. 19

2
Introducción
Durante el pasar de los años se ha vuelto imprescindible en las ciudades
contar con un vehículo particular, son muchos los beneficios que se obtienen al
contar con un transporte disponible las 24 horas pero también son muchos los
riesgos que se contraen al contar con uno, tales como el de tener un percance al
momento de estar conduciendo o el simple hecho de sufrir un siniestro de camino
a casa, es por eso que ha surgido la necesidad de contar con un respaldo en caso
de necesitarlo y es aquí en donde entra el papel de las aseguradoras
automovilísticas tales como GNP, AXA seguros, Seguros BBVA, entre muchos
otros, de los cuáles se puede encontrar también a la empresa Quálitas.

Estas aseguradoras son una forma de tener un respaldo monetario en caso

de necesitarlo, de esta manera podemos disminuir la perdida en caso de sufrir un
accidente o tener la certeza de que habrá una institución que se hará cargo del
mantenimiento necesario del vehículo después del accidente en caso de ser
necesario, a cambio el cliente tendrá que aportar con una prima (pago) recurrente
establecido para contar con este beneficio.

3
Objetivos y alcance
La finalidad de este proyecto es el análisis de los factores que afectan la
cantidad de primas que son pagadas a una empresa aseguradora de automóviles
(especificamente Quálitas aseguradora), a partir de ciertas variables internas y
externas que pueden determinar el comportamiento de la cantidad de estas.

A su vez podremos observar puntos importantes como son:

• Analizar los niveles de correlación entre las variables.

• Metodologías de adaptación según cada variable.
• La relación que tiene el entorno social con las empresas.
• Razonamiento de relaciones Ceteris paribus.

Este modelo pretende predecir la cantidad de primas que tendra la

aseguradora por cada trimestre en base a sucesos que la afectan directa e
indirectamente la empresa reflejando la correlacionalidad de diversos factores.
Para alcanzar dicho objetivo se tomó como insumo los resultados de encuestas
realizadas por Seguros Quálitas que se encuentran libremente en su sitio web
como retroalimentación a los accionistas y teniendo en cuenta datos del INEGI en
cuestión de ventas de automóviles en toda la República mexicana.

Estos resultados se incluyeron en varios modelos de regresión múltiple

como variables explicativas de las variaciones de las primas en el transcurso de
los años y se probaron las mejores combinaciones de datos hasta obtener un
modelo con variables muy significativas pero también que reduzcan el error entre
la prima real y la prima estimada.

4
Planteamiento del modelo
Teniendo en cuenta que lo que queremos pronosticar es el crecimiento en
dinero de una empresa hay que ver qué factores influyen en este resultado como
es el incremento en los índices de robo de vehículos, en los costos de reparación
de estos, en los gastos de responsabilidad civil y en ciertos casos, la ocurrencia
de desastres naturales u otros eventos catastróficos como revueltas sociales,
inundaciones, terremotos, huracanes, etc. Un incremento en los niveles de
siniestralidad de Quálitas Aseguradora podría afectar la posición financiera y
resultados de operación de Quálitas.

Al final optamos por las primas emitidas puesto que estas cifras son los
ingresos parciales de la empresa, como segundo dato el número de accidentes
que hay en la republica puesto que estos pueden implicar un gasto para la
aseguradora, el número de autos vendidos en México puesto que al momento de
comprar un carro lo primero que se piensa es en asegurarlo o en algunos casos
por parte de la agencia de carros les incluyen un seguro y finalmente la cantidad
de carros que están asegurados en el país.

Descripcion de valores

Se planteó el siguiente modelo:

̂ = 𝛽0 + 𝛽1 (𝐴𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠 𝑎𝑢𝑡𝑜𝑚ó𝑣𝑖𝑙𝑖𝑠𝑡𝑖𝑐𝑜𝑠 𝑒𝑛 𝑀é𝑥𝑖𝑐𝑜) +

𝒑𝒓𝒊𝒎𝒂𝒔
𝛽2 (𝑈𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑁𝑒𝑡𝑎 𝑑𝑒 𝑄𝑢á𝑙𝑖𝑡𝑎𝑠) + 𝛽3 (𝑉𝑒𝑛𝑡𝑎 𝑑𝑒 𝑎𝑢𝑡𝑜𝑚ó𝑣𝑖𝑙𝑒𝑠 𝑒𝑛 𝑀é𝑥𝑖𝑐𝑜) + 𝑢

Dónde:

̂ Refiere a la prima de un seguro, es el desembolso que debe realizar el beneficiario

𝒑𝒓𝒊𝒎𝒂𝒔
de la póliza a la compañía aseguradora. Ello, a fin de acceder a la cobertura correspondiente.

𝜷𝟎 es el intercepto (o el dinero de primas cuando las demás variables tienen valor 0)

𝜷𝒊 son parametros desconocidos bajo el efecto ceteris-paribus

𝑨𝒄𝒄𝒊𝒅𝒆𝒏𝒕𝒆𝒔 Es el número de accidentes de transito que hubo en la Republica

5
𝑼𝒕𝒊𝒍𝒊𝒅𝒂𝒅 𝒏𝒆𝒕𝒂 es la ganancia que se obtiene después de realizar los descuentos
correspondientes. Se trata de la utilidad concreta, que el sujeto o la empresa recibe en
mano.

𝑽𝒆𝒏𝒕𝒂 𝒅𝒆 𝒂𝒖𝒕𝒐𝒎ó𝒗𝒊𝒍𝒆𝒔 la cantidad de carros vendidos en el trimestre dentro de la

República mexicana

𝒖 el termino de error o perturbación por variables no consideradas.

Valores tomados en cuenta.

Decidimos obtener información a medida en el que el país va cambiando

con el paso del tiempo y de esa manera relacionar las primas con cosas que
sabemos del país a NIVEL República Mexicana ya que como leímos
anteriormente Quálitas está en toda la república y es una de las más grandes
aseguradoras y dentro de las 25 mejores calificadas en todo México.

• Accidentes: Es un suceso que ocurre generalmente cuando un

vehículo colisiona contra uno o más sectores de la vialidad (otro vehículo,
peatón, animal, escombros del camino) u otra obstrucción estacionaria
como un poste, un edificio, un árbol, entre otros. Estos accidentes a menudo
resultan en daños materiales (daños a los vehículos involucrados o al objeto
envestido), daños humanos (lesiones de diversa gravedad, discapacidad o
muerte), así como costos financieros tanto para la sociedad como para las
personas involucrada, por lo cual relacionamos mientras más accidentes
más servicios de aseguradoras se necesitarán.

• Utilidad Neta de Quálitas: Se considera importante tener una

variable que pueda mostrar el desarrollo financiero dentro de la empresa
para poder ver de qué manera influye está en el comportamiento.

• Autos Nuevos (vendidos) que recorren la república mexicana:

Relacionamos que, al haber más autos nuevos, los mismo requieren una
aseguradora lo cual debería subir las primas anualmente ya que son
ingresos nuevos y de igual manera las personas con un auto nuevo suelen
asegurarlo en un porcentaje mayor a alguien que compra un auto usado.

6
 • Autos Asegurados por Quálitas: Tomamos en cuenta cuántos
carros fueron asegurados por Quálitas porque de esta manera podemos
tener un indicador de sobre la cantidad de primas que podríamos obtener
en base a estas cantidades.

• Autos en circulación: Consideramos que al haber más autos en

circulación implica una mayor probabilidad de que ocurran accidentes y eso
tiende a que las personas busquen asegurar sus automóviles.

• %ROE Quálitas: Se añadió para poder tener una percepció de

la rentabilidad que tenía Quálitas como empresa y ver si esto conlleva una
relación con respecto a la cantidad de primas que obtienen y de igual
manera como una variable que depende completamente de Quálitas.

7
Cálculo del modelo
Se comenzó con el análisis de las variables que habíamos determinado
como posibles candidatas a tener una influencia más marcada en la cantidad
monetaria de primas totales para la empresa Quálitas, por lo que se optó por
mantener la cantidad de 3 variables independientes que determinaran de mejor
manera la estimación de las primas, de esta manera y después de llegar desde
un R2 = 0.57 hasta un R2 = 0.67 a 0.70 con un error más pequeño (aunque aún
un poco considerable) en la variación de los resultados con respecto a las
estimaciones.

Se puede ver a continuación:

̂ = − 𝟔𝟗, 𝟖𝟏𝟗, 𝟒𝟒𝟔 + 𝟓𝟒𝟖(𝐴𝑐𝑐𝑖𝑑𝑒𝑛𝑡𝑒𝑠 𝑎𝑢𝑡𝑜𝑚ó𝑣𝑖𝑙𝑖𝑠𝑡𝑖𝑐𝑜𝑠 𝑒𝑛 𝑀é𝑥𝑖𝑐𝑜) +

𝒑𝒓𝒊𝒎𝒂𝒔
𝟖, 𝟐𝟎𝟑(𝑈𝑡𝑖𝑙𝑖𝑑𝑎𝑑 𝑁𝑒𝑡𝑎 𝑑𝑒 𝑄𝑢á𝑙𝑖𝑡𝑎𝑠) + 𝟗𝟏(𝑉𝑒𝑛𝑡𝑎 𝑑𝑒 𝑎𝑢𝑡𝑜𝑚ó𝑣𝑖𝑙𝑒𝑠 𝑒𝑛 𝑀é𝑥𝑖𝑐𝑜) + 𝑢

8
Estimadores y su interpretación

Variable Nombre Valor Interpretación

Tenemos el valor promedio de primas
que estaría emitiendo Quálitas si no
tenemos accidentes de transito, si no
contamos con utilidades netas en su
registro contable y si la venta de
𝜷𝟎 Primas emitidas −𝟔𝟗, 𝟖𝟏𝟗, 𝟒𝟒𝟔
automóviles se detuviera, es un
intercepto muy poco probable pero
que nos habla de la perdida de clientes
al no haber condiciones que requieran
de contratar un seguro para autos.

Para cada accidente que ocurre en la

república mexicana tenemos un
Accidentes de incremento de 548 unidades
𝜷𝟏 𝟓𝟒𝟖
transito monetarias para las primas de Quálitas,
por lo cual es importante considerar
esta variable.

A cada incremento de (millón) unidad

en la utilidad tenemos un incremento
Utilidad Neta
𝜷𝟐 𝟖, 𝟐𝟎𝟑 de 8,203 unidades para la prima
Quálitas mientras las demás variables se
mantengan constantes.

Aquí podemos ver la participacion del

mercado y cómo es que afecta al
crecimiento de la empresa siendo que
Venta de por cada auto vendido va a aumentar la
𝜷𝟑 𝟗𝟏
automóviles prima de Quálitas en 91 unidades
monetarias si lo demás se mantiene sin
cambios, es decir, efecto ceteris
paribus.

En esta variable engloban todos

aquellos errores no considerados que
pueden presentarse en el tiempo como
𝒖 Termino de error -
puede ser una pandemia y la crisis
economica que esta conlleva, los robos
de autos, desastres naturales y demas.

9
Estadísticos
̂𝟐
Varianza de los errores 𝝈 𝒖

̂𝟐𝒖 = 𝑺𝑪𝑹
Recordando que 𝝈
𝒏−𝒌−𝟏

Ahora bien, analisando lo que significa este valor en nuestro modelo nos
explica que tan acertados o equivocados son los resultados que nos arrojara el
modelo y dado que es un valor muy bajo nos explica que si se siguen presentando
las mismas condiciones que se han presentado en los ultimos 10 años el modelo
calculado tiene una probabilidad muy alta de que este modelo nos pueda seguir
ayudando a predecir el crecimiento de esta compañía.

Calculo de 𝑹𝟐

Para el calculo de la R² usaremos ambas maneras para confirmar que el

valor calculado es el correcto, entonces:

𝑺𝑪𝑬 𝑺𝑪𝑹
𝑹𝟐 = = 0.70 𝑹𝟐 = 𝟏 − = 𝟎. 𝟕𝟎
𝑺𝑪𝑻𝒚 𝑺𝑪𝑻𝒚

Explicandonos que hay una confianza del 67.38% en la relación causal de

nuestro modelo, al no ser una R² muy alta podria considerarse como no muy
bueno, sin embargo al ser un poco más de 2/3 lo tomaremos como bueno
ajustandose bastante al valor real, atribuyendo el ruido que se presenta a la
dispersión de los datos que nos traen las primas emitidas al inicio de cada año
por la forma en la que están distribuidas.

10
 ̂𝒊
Varianza de los estimadores 𝒗𝒂𝒓𝜷

Para hallar la varianza debemos añadir el supuesto de homocedasticidad

que nos dice que dado cualquier valor x para el término de error u tiene la misma
varianza y se calcula usando la sig. formula:

𝝈𝟐𝒖
̂𝒊 =
𝒗𝒂𝒓𝜷
∑𝒏𝒊=𝟑𝟑(𝒙𝒊 − ̅
𝒙)²

̂𝟎
𝒗𝒂𝒓𝜷
̂𝟏
𝒗𝒂𝒓𝜷
̂𝟐
𝒗𝒂𝒓𝜷
̂𝟑
𝒗𝒂𝒓𝜷

Se puede ver que la varianza más grande es el intercepto, osease las

primas emitidas siendo así el dato en el modelo teniendo mayor variabilidad, las
otras varianzas al ser muy pequeñas se puede asegurar que no pierden precisión
en sus respectivas betas.

CALCULO DEL ERROR ESTÁNDAR E.E.R

La variabilidad de las medias muéstrales se puede medir por su

desviación estándar. Esta medida se conoce como el error estándar y nos ayuda
a ver si es que existe una correlación entre nuestra regresión y los valores
medidos; se calcula con 𝒆. 𝒆. 𝒓 = √𝝈𝟐𝒖 en el software que utilizamos nos lo cálculo
de manera automática dándonos un valor de 4,734,562, de esta forma, se estima
los factores que no observamos y que afectan a la variable independiente que en
este caso son las primas emitidas.

11
 ̂𝒊 )
Cálculo del error estándar de los beta e.e.( 𝜷

Con la desviación estándar de regresión se calcula el error estándar (la

desviación estándar de la distribución muestral) de la pendiente de la recta de
̂𝒊 ) = 𝝈̂ dándonos un resultado de
regresión de la población tal que 𝒆. 𝒆. ( 𝜷
√𝒔𝑪𝑻𝒙

̂𝟎
𝒆. 𝒆. 𝜷 24,738,770
̂𝟏
𝒆. 𝒆. 𝜷 245
̂𝟐
𝒆. 𝒆. 𝜷 2,420
̂𝟑
𝒆. 𝒆. 𝜷 13

Se puede ver que el error estándar más grande es el intercepto, las primas
emitidas con las demás constantes en 0, siendo así el dato en el modelo con el
mayor espectro de error.

12
Supuestos de Gauss-Markov
Supuestos Como se ven reflejados en el modelo propuesto.
1. Modelo lineal en los VENTA DE Observando las
VEHICULOS LIGEROS
parámetros. 40,000,000
gráficas de las
35,000,000 variables que se
Es un supuesto bastante 30,000,000
25,000,000 hicieron contra las
flexible. En el modelo 20,000,000
15,000,000
primas emitidas
poblacional, la variable 10,000,000
podemos apreciar
dependiente y, está 5,000,000
0 nuestros datos y su
relacionada con la variable 0 100,000 200,000 300,000 400,000 500,000 600,000

relación, también de
independiente x y con el ACCIDENTES VS PRIMAS
su comportamiento
error u de la sig. manera. 600,000

500,000
lineal.
𝒚 = 𝜷𝟎 + 𝜷𝟏 (𝒙) + 𝒖 400,000

300,000
Gracias a esto
200,000 podemos asegurar
100,000
que las variables que
0
0 10,000,000 20,000,000 30,000,000 40,000,000 introducimos en
ROE VS PRIMAS
nuestro modelo son
40,000,000 relevantes para
35,000,000

30,000,000
explicar
25,000,000 𝒀(crecimiento de la
20,000,000

15,000,000
compañía), y por lo
10,000,000 tanto no existirá una
5,000,000

0
variable 𝑿 que no
0 200 400 600 800 1,000 1,200 1,400 1,600 1,800
explique a 𝒀.
2. Muestreo aleatorio. Los datos que tomamos para nuestro modelo fueron
tomados de la página oficial de Quálitas y de las bases de
Se cuenta con una muestra
datos del INEGI siendo así que presentan ser muestro
aleatoria de tamaño n que
aleatorio estratificado, tomando datos de todos los
sigue el modelo
estados de la república y de las primas se tomaron como
poblacional del supuesto 1
una serie de tiempo del periodo (2010-2020)

3. Variación muestral de Este supuesto lo pudimos apreciar a detalle al ver los

la variable explicativa. gráficos o incluso si se prestaba atención se podía apreciar
el cambio de los valores en cada inicio de año siendo que
No todos los valores
en diciembre terminaban en cifras de alrededor de los 30,
muestrales de 𝑥 son
000 y al inicio del siguiente año finalizando el trimestre

13
iguales, es decir, no todos esas cifras bajaban a 4 000, sucedía en todos los datos solo
tienen el mismo valor. que en algunos no tan marcado como en otros.

4. Media condicional El valor esperado para las variables dependientes

cero. asociadas a los valores da las variables explicativas es
precisamente la estimación que arroja el modelo y
Para todo valor de la
asumiendo que las 𝒖𝒊 están distribuidas simétricamente
variable explicativa, el
podemos ver que de esta forma las variables que no están
valor esperado del error u
incluidas en el modelo y que se reflejan en 𝒖𝒊 no afectan
es cero: 𝑬[𝒖|𝒙] = 𝟎
sistemáticamente el valor de la media de Y
5. Homocedasticidad. Para comprobar este punto, se analizan los datos para
notar si existe una apariencia homocedástica.
El supuesto de
homocedasticidad implica
que, condicionando en las
variables explicativas, la
varianza del término de
error no observado es
constante.
6. Normalidad
Se debe cumplir que el error poblacional u es independiente de las variables
explicativas y obtener una distribución normal cero y su varianza del supuesto anterior,
en este caso 𝜎², llegando a obtener la varianza más pequeña que se pueda. “Entre
menor varianza, más eficaz es el modelo.”

14
Análisis de sensibilidad.

Nuestro modelo comenzó con las siguientes variables a considerar:

Vehículos
Primas (en UN Venta de Autos en
Accidentes ROE % asegurados
miles) (Millones) autos circulación
Quálitas

Siendo las primas el valor del que queremos estimar el comportamiento

dependiendo de las variaciones de las demás variables, así que realizando la
regresión obtuvimos a partir del año 2011 que:

Observamos que los vehículos asegurados en Quálitas no jugaban un papel

fundamental debido a que se mantenían en una forma muy lineal que no afectaba
el monto de nuestras primas como pensábamos al inicio, así que decidimos
comenzar a hacer una regresión sin ese dato y obtuvimos lo siguiente:

15
 Primas (en UN Venta de Autos en
Accidentes ROE %
miles) (Millones) autos circulación

Como podemos ver obtuvimos una reducción en el valor del error típico, un
pequeño aumento en el porcentaje de R2 y vimos que la variable realmente no
tenía un impacto grande sobre el valor de las primas, por lo que su aportación
pudo ser descartada.

Después optamos por quitar los autos en circulación debido a que también tenían
un comportamiento lineal muy independiente de lo que ocurría con las primas, por
lo que supusimos que podría no tener algún impacto significativo en el
comportamiento de esta. Por lo que nuestro modelo quedó de la siguiente
manera:

Primas (en
Accidentes UN (Millones) Venta de autos ROE %
miles)

Lo que observamos es un aumento en R2 y una disminución en el error típico, por

lo cuál podemos observar que los autos en circulación no tenían un impacto tan
grande en la cantidad de primas que obtenía Quálitas a lo largo de los trimestres,
por lo que fue correctamente descartada.

Posteriormente analizamos el ROE, que pese a tener un indicador fuerte acerca

de la forma en la que la salud financiera de la empresa Quálitas estaba siendo
16
abordada a través del tiempo, nos dimos cuenta que sostenía una relación inversa
al principio de los datos y lo volvía un buen candidato para poder aportar al modelo
econométrico, sin embargo al final de los datos este ROE se volvió independiente
de la tendencia que seguían las primas así que decidimos sacarlo del modelo
debido a que no podría ser una buena herramienta para estimar en el largo plazo,
por lo que quedó con el modelo actual que resultó con un error aún menor y una
R2 más grande, que no nos asegura un mejor modelo pero al estar trabajando con
menos variables y obtener mejores resultados en la estimación puede ser más
sencillo agregar unas posteriormente que afecten más directamente el número de
primas recibidas en los trimestres.

Primas (en
Accidentes UN (Millones) Venta de autos
miles)

La razón por la cuál se mantuvieron constantes estas 3 variables fue su

estrecha relación al mantener un error bajo y aportar de manera significativa a la
R2, pues al mover cualquiera de ellas aún en combinación con las demás
variables se obtenían errores muy grandes y nuestra R2 descendía hasta niveles
por debajo de 55% por lo cuál el modelo se volvía muy poco confiable debido a
que estaríamos bajo una incertidumbre de arrojar una moneda sobre las primas
que esperaría la aseguradora Quálitas para planear sus estrategias a futuro, por
lo que las variables que conservamos fueron las que permitieron al modelo
predecir las primas con un patrón tan inestable de manera más acertada.

17
Conclusiones.
Conforme fuimos desarrollando y
realizando los análisis nos fuimos dando
cuenta que hay demasiadas cosas por
considerar y no es solo poner datos, sino
que también es de gran importancia
relacionar el impacto que cada variable
puede ocasionar en el modelo y como es
que podemos reducir el ruido que estos nos
pueden causar, gracias a lo visto en el
semestre pudimos disminuir
considerablemente la varianza de los datos que nos devolvía nuestro modelo, sin
embargo hay que considerar que los mercados económicos son muy volátiles y
esto pude causar imprecisión en predicciones futuras, por sobre todas las cosas
en un modelo en el que tenemos una forma muy poco usual de comportamiento
como lo son las primas de la empresa.
Como se puede observar en la gráfica se predice que para el próximo año
las primas emitidas no van a seguir aumentando como se había estado
presentando los últimos años si no que va a disminuir un poco esto debido
posiblemente a la crisis sanitaria y económica que ha causado la pandemia del
virus SARS-CoV-2, esto se puede observar debido al impacto que tuvo en la baja
de los accidentes, las ventas de vehículos y en general el uso disminuido del
transporte por el aislamiento, lo cuál se puede ver reflejado en los datos obtenidos
del año 2020 posteriores al confinamiento.

18
Bibliografia.
• Quálitas aseguradora. (2021, febrero). Informe anual integrado (No 2020).

https://www.qualitas.com.mx/Informe-Anual/pdf/Estrategia.pdf

• Mejores Aseguradoras de Autos en México 2020 - ASMX. (2021, 15 abril). Ahorra Seguros.

https://ahorraseguros.mx/seguros-de-autos/guias/mejores-aseguradoras-de-autos-en-mexico/

• Geografía, E. D. N. I. Y. (s. f.). Tabulados. INEGI. Recuperado 25 de mayo de 2021, de

https://www.inegi.org.mx/app/tabulados/default.html?nc=100100090_a

• Geografía, E. D. N. I. Y. (s. f.-a). Producción y exportación de vehículos ligeros. INEGI.

Recuperado 26 de mayo de 2021, de

https://www.inegi.org.mx/app/tabulados/default.html?nc=100100090_a

• ESTADÍSTICAS AMIS. (s. f.). Quálitas. Recuperado 23 de mayo de 2021, de

https://www.qualitas.com.mx/web/qmx/estadisticas-amis

19